优化的邻近支持向量机在图像检索中的应用

邻近支持向量机由支持向量机衍生而来，它将支持向量机中二次规划问题的求解转换为线性方程组的求解，从而能在保证一定精度的情况下更加快速地得到分类器。传统的非线性核邻近支持向量机不能很好地解决多范围数据的多分类问题。提出了一种邻近支持向量机的优化方法，并将其应用到图像检索中。它利用高斯函数将图像特征数据映射到0-1之间以提高其差异化水平，并将其放入非线性核中，然后以加权K-means聚类算法选择最优参数，从而提高了非线性核PSVM的分类能力。实验以coral图像库中的4类图片作为图片库，对比了优化前后的检索命中率。实验结果表明：优化后的检索效果优于优化前，说明将优化的邻近支持向量机应用于图像检索是有效的。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

支持向量机在边坡稳定性评价中的优化研究

支持向量机在边坡稳定性评价中得到了较为广泛的应用,但目前学者们对边坡的稳定性等级的分级数量及分级区间尚未有统一的认识,同时对训练样本数和验证样本数的划分亦停留在经验层面,较少探讨其最优的样本数。为此选取边坡的坡高、坡角、容重、粘聚力以及内摩擦角五个参数为评价指标,使用GeoStudio软件对不同评价指标的组合进行数值模拟,得到963组数据。使用MATLAB软件对该数据进行SVM模型训练分析后认为边坡的稳定性等级可分为8个等级,验证样本平均准确率为88.39%;当样本总量固定时,验证准确率随着训练样本数的增大而增大;当无其他划分经验参考时,尽量让每个分类等级的验证样本数量约为12个。

基于PSO优化双子支持向量机的电商经济预测研究

为提高电商经济预测性能,解决因时序复杂、特征量多及用户需求复杂等带来的预测精度偏低的问题,采用双子支持向量机进行电商经济预测。首先,获取电商经济数据特征,接着构建双子支持向量机(TWSVM)的电商经济预测模型,提取TWSVM的正则因子等参数,随机初始化多组参数,并构建多个粒子。然后借助粒子群优化(PSO)算法搜索最优TWSVM参数,以生成适合电商经济预测的最佳TWSVM模型,通过PSO优化获得最优TWSVM参数。最后采用最佳TWSVM模型进行电商经济预测,并对预测结果进行评价。在实例仿真中,以电商经济销售金额和增长率两个指标为主,PSO优化的TWSVM算法的预测准确度均高于90%。

基于支持向量机与蛇优化算法的氧化锆陶瓷磨削工艺参数优化

为探究磨削工艺参数对氧化锆陶瓷的磨削温度和法向磨削力的影响,通过单因素实验和支持向量机方法建立磨削温度、法向磨削力的一元模型,模型决定系数均大于0.93。基于一元模型对多元模型进行假设,由正交实验结果和蛇优化算法求解得到多元模型,并对模型进行验证。以温度、法向磨削力的多元数值模型作为目标函数,对温度和法向磨削力进行优化;基于蛇优化算法对工艺参数进行双目标优化,获得磨削工艺参数的最优解,验证实验结果表明,模型具有较高的精度,得到的最优工艺参数合理。

具有间隔分布优化的最小二乘支持向量机

最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。

基于灰狼优化支持向量机回归与SHAP值的锡冶炼能耗预测

锡冶炼过程综合能源消耗占整个锡生产过程90%,存在很大节能潜力。针对锡冶炼过程综合能耗机理模型难以建立、导致预测准确度不高的问题,提出灰狼优化的支持向量机回归(GWO-SVR)模型用于锡冶炼过程综合能耗的预测,并以某锡冶炼厂为例,将所提模型与SVR、RF(随机森林)、BP(反向传播神经网络)、LR(线性回归)模型进行比较。结果表明,GWO-SVR模型可获得最理想的预测结果,在预测精度上相比于其他机器学习算法有着巨大优势。此外,使用SHAP值从全局解释和单样本解释两个方面解释所建立的GWO-SVR模型,可视化特征对输出的贡献,增加了GWO-SVR的可解释性,并以此制定可靠的节能策略。

基于参数优化多核支持向量机的光伏功率预测算法

准确的光伏功率预测对电力系统的稳定运行具有重大意义。针对现有预测算法在处理多维输入天气变量时存在的运算时间过长和特征提取能力较差的问题,提出一种基于参数优化的多核函数支持向量机的预测算法。首先,该新型算法对数据进行预处理,灰色关联度提取与预测日相似度高的历史日以提升预测精度,主成分分析(PCA)对输入数据进行降维,从而提高光伏功率预测的速度。其次,针对单核支持向量机对多维数据特征提取能力相对较差的问题,基于线性核函数和径向基核函数建立多核支持向量机预测模型,根据每个核函数支持向量机的预测误差计算不同的权重,从而增强对输入数据特征提取能力并提高预测精度。采用灰狼优化(GWO)算法确定不同核函数支持向量机的参数以提高预测精度。最后,通过北京某光伏电站的历史数据集验证了该算法的预测效果。实例分析表明,与传统预测算法相比,预测精度和速度都有显著提高。

基于粒子群优化支持向量机的纱线质量预测

针对复杂纺纱过程中成纱质量预测精度不足以及深度学习对庞大数据集依赖性的缺陷,提出一种基于粒子群算法优化支持向量机的小样本成纱质量预测方法。首先,对原始数据集样本序列进行灰色关联预处理,按照关联度大小进行排序,再结合先验知识库筛选出主要的原棉纤维指标;其次,针对小样本预测问题,建立了线性核、多项式核、高斯核以及自适应带宽RBF核等不同核函数支持向量回归(SVR)预测模型;最后,采用粒子群优化(PSO)算法对高斯核SVR模型的超参数(正则化系数和带宽调节参数)进行辨识,设计一种综合适应度函数与线性递减惯性权重策略,用以提高PSO算法的寻优能力。仿真结果表明:PSO优化高斯核SVR模型对不同成纱质量指标有较好的预测效果,其平均相对误差不超过2%。认为:PSO优化高斯核SVR模型对成纱质量指标的预测误差较低,具有良好的适应性。

基于猎人-猎物优化支持向量机的光伏阵列故障识别研究

为提升光伏电站的运行效率,对光伏阵列的故障识别方法展开了深入研究,并建立基于猎人-猎物优化支持向量机(HPO-SVM)的故障识别方法。该方法以光伏阵列模型的5个参数作为故障特征向量对光伏阵列的故障进行识别,基于仿真数据和实验数据评估该方法的有效性和可靠性。在基于仿真数据进行故障识别时,HPO-SVM的识别准确率达到了99.5556%,十折交叉验证的平均准确率为98.2641%。与支持向量机(SVM)相比,HPO-SVM的准确率分别提高了8.4445%和8.6086%。在基于实验数据进行故障识别时,HPO-SVM的识别准确率达到了98.0645%,十折交叉验证的平均准确率为94.2995%。相较于SVM,HPO-SVM的准确率分别提高了7.7419%和4.5702%。结果表明,HPO-SVM对光伏阵列的故障识别具有较高的准确度、可靠性,并具有良好的泛化性能。

基于灰狼算法优化支持向量机的变压器故障预测

为提升变压器故障预测的准确性,提出了一种基于灰狼(Grey Wolf Optimization,GWO)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障预测方法。采用GWO算法对SVM进行优化,建立了基于GWO-SVM变压器油中溶解特征气体预测模型,根据油中溶解特征气体随时间变化的特点,通过求取嵌入维数确定模型输入量。文章采用实际运行变压器的油中溶解气体分析(Dissolved Gas Analysis,DGA)数据进行仿真分析,并与其他预测方法对比,结果表明,GWO-SVM模型对H 2预测平均相对误差和均方根误差分别为4.38%和9.48μL/L,预测精度高于其他方法。在变压器油中溶解特征气体含量预测的基础上,利用IEC三比值法进行变压器故障诊断,诊断结果与变压器实际故障一致,验证了变压器故障预测方法的实用性和有效性。

基于粒子群优化支持向量机的地下洞室支护设计

水电站地下洞室支护设计因其环境复杂性而面临重大挑战,现有方案受限于主观经验和低精度等问题,难以满足设计需求。为提高地下洞室设计效率和可靠性,通过引入粒子群优化(PSO)优化支持向量机(SVM)参数,开发地下洞室支护智能设计模型。模型将洞室跨度、洞室高度、洞室高跨比、洞室埋深、围岩类别、岩石饱和单轴抗压强度、最大主应力值、岩石强度应力比作为输入指标。通过对100个国内外水电站地下洞室支护案例的训练测试。结果表明:该模型在各项输出指标上显示了高度准确性,其中喷混厚度、锚杆直径、锚杆间排距的定类准确率分别达到90%、85%、90%,锚杆长度的定量预测拟合优度为0.843。研究成果可为地下洞室支护设计提供一种新方法。

基于最小二乘支持向量机的农村土地利用空间优化配置方法及实例分析

因为农村各类用地数据具有样本小、非线性等特点,导致土地利用空间配置结果的适宜性较差,所以本文提出基于最小二乘支持向量机的农村土地利用空间优化配置方法。基于最小二乘支持向量机预测农村土地利用空间格局,得到各类用地面积数据,对各类用地进行满足经济效益与生态效益最大化的多目标函数的优化配置。实例结果表明,农村土地利用空间优化配置结果中各用地类型高度适宜区域的面积占比均超过75%,证实了设计方法的合理性。

改进鲸鱼算法优化支持向量机实现乳腺癌预测

为了更好地通过人体肥胖的相关指数预测乳腺癌的存在,以抵抗素、葡萄糖、年龄和身体质量指数作为数据特征构造预测模型,通过研究支持向量机(SVM)的参数对模型的性能影响,提出一种基于自适应机制策略改进的鲸鱼算法,即参数自适应鲸鱼优化算法(PAWOA)用来寻找最优参数。采用Tent映射对种群位置初始化,引入自适应参数p^(*)代替随机阈值加速收敛速度,针对给定的目标函数对每个搜索个体进行求解,计算适应度后找到全局最优解,增强种群的全局寻优性能。实验结果表明,优化后的模型精确度提升12.44%,召回率提升13.57%,F_(1)评分提升13.14%。可见,该预测模型拥有更好的效果可以用于辅助判断乳腺癌。

基于粒子群优化和最小二乘支持向量机的储罐腐蚀速率预测

利用粒子群优化(PSO)算法的全局寻优能力,对最小二乘支持向量机(LSSVM)的正则化参数和核参数进行优化,提出了基于PSO-LSSVM的大型储罐腐蚀速率的预测方法。采用该方法对储罐腐蚀速率进行预测,并利用实测数据对模型的预测精度进行验证。结果表明:使用PSOLSSVM获得的腐蚀速率预测结果与实际腐蚀速率较为吻合,罐顶、第一层罐壁、罐底预测结果的平均绝对百分误差分别为2.265%、3.077%、1.18%,均方根误差分别为0.010%、0.012%、0.011%,决定系数分别为0.973、0.982、0.976。该方法可以对储罐内腐蚀速率进行有效的预测。

樽海鞘算法优化支持向量机的RC柱抗侧移承载力预测

现有钢筋混凝土(RC)柱抗侧移承载力预测模型缺乏泛化性能,延性柱抗弯承载力的预测模型不能用于非延性柱的抗剪承载力,反之亦然。机器学习(ML)方法能够解决这一问题,但由于无法自动剔除冗余和不相关特征,使得ML模型复杂度高且容易过拟合。为此,提出一种樽海鞘算法优化支持向量机(SSALS-SVM)方法,基于给定的数据集,SSALS-SVM能利用樽海鞘优化算法(SSA)自动剔除冗余和不相关的特征,筛选最具代表性且各特征之间相关性弱的特征子集形成最优特征组合,同时对控制模型非线性拟合能力的超参数进行优化。优化后的模型既能识别出影响延性和非延性RC柱抗侧移承载力的设计变量,又能反映最优特征组合与抗侧移承载力间的非线性映射关系。为了验证SSALS-SVM方法的泛化性能,基于248个RC柱抗侧移承载力试验数据,分别与现有的RC柱抗侧移承载力预测模型进行对比,结果表明,SSALS-SVM比现有预测模型的泛化性能最高提升了83%。

基于特征优化和支持向量机的航空发动机气路故障诊断

针对现有数据驱动的航空发动机故障诊断算法易受飞行监控数据中冗余特征及噪声的干扰,不能及时修正监测数据中不平衡样本分布对模型泛化性能影响等问题,通过在支持向量机模型中引入特征增维和采用提取算法,提出基于特征优化和支持向量机的航空发动机气路故障诊断方法,并建立相应模型。将涡桨发动机及CFM56-7B发动机航后数据输入模型,分析与预测实际故障发生时刻,并将预测结果与真实结果进行比较,同时将其结果与采用随机森林等4种故障诊断方法所得结果进行对比验证。结果表明:特征优化算法的应用能显著缩短各类故障诊断方法运行时间20%以上;基于特征优化和支持向量机的故障诊断方法使预测准确率达99.8%;针对非平衡实测数据,特征优化算法和回归预测思想的引入能显著提高算法在不平衡数据集上的性能,与非回归算法相比故障检测率提高到91.67%。

基于支持向量机回归算法的盾构下穿市政管线参数优化研究

随着盾构法施工在我国城市地铁隧道建设的广泛应用,盾构施工将面临越来越复杂的施工场景,尤其是在城市生活区的施工中,将不可避免地穿越各类复杂的市政管线。以合肥某地铁盾构工程下穿市政管线为背景,通过建立数值模型,构建了基于支持向量机回归(SVMR)算法的机器学习模型,并通过优化算法反向求解得到了符合施工要求的盾构参数优化方案。研究结果表明,方法的有效性通过了数值模拟试验和工程实践的验证,能够基于已有的少量盾构参数,针对关键掘进参数如推力、刀盘转速等进行优化,并提出最优组合方案,以确保施工的安全与高效,可为类似工程提供参考。