SMO算法的简化及其在非正定核条件下的应用

SMO算法是求解大型支持向量机(SVM)的有效算法.已有的算法都必须判定4个Lagrange乘子位于哪个象限,从而使算法的实现更为复杂.此外,现有算法都假定核矩阵是正定的或半正定的,因此使其应用受到了限制.考虑到传统算法的不足,提出了一种用于-εSVR的简化SMO算法,进而将其用于求解非正定核的-εSVR.与已有的算法不同,通过将-εSVR的原始规划问题进行展开并求解其KKT条件,提出的算法只需考虑2个Lagrange乘子,从而有效地简化了算法的实现,并能方便地应用于非正定核SVR的求解.采用一个常用于衡量预测误差的函数对算法进行了测试,实验表明,与-εSVR现有的SMO算法相比,在不增加空间复杂度和时间复杂度的前提下避免了大量繁琐的判别条件,简化了算法的实现,这就为不同的损失函数所对应的SVR提供了一个通用的SMO算法,从而有利于SVR的推广应用.另外,提出的求解非正定核的ε-SVR的方法也为求解其他的非正定核SVR提供了一个思路.

一种新的电力负荷预测分布式算法

面对电力系统智能化所带来的负荷数据海量化高维化的趋势,解决对海量高维电力负荷数据进行负荷预测时所面临的单机计算资源不足的问题,提出将云计算引入到海量数据的负荷预测领域,缓解单机计算资源不足的瓶颈.此外,从提高算法效率的角度,提出将序列极小优化（SMO）算法引入到电力负荷支持向量机预测算法（ε-SVR）中,实现对ε-SVR算法的快速训练;采用云计算的MapReduce编程框架以及HBase分布式数据库对算法进行并行化改进,设计相应的Map和Reduce函数实现并行化设计.选用EUNITE竞赛提供的真实电力负荷预测数据进行算例分析,在9节点云计算集群上进行实验,实验结果表明在改进后的并行负荷预测算法随着云集群节点数的增加,9节点集群训练阶段的速度比单机运行SVM算法快7~8倍,且预测准确率至少提高了5%.

基于支持向量回归的热偶规校准曲线的生成及应用

在实际中发现热偶规测量真空度时,真空度与热偶规输出电压值对应的曲线非线性程度高,因此产生的测量误差较大.通过数据实验发现用ε-SVR及SMO(Se-quential Minimal Optimization)算法拟合真空度-电压曲线能更接近实际曲线,满足了应用需要.