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。

基于最小二乘孪生支持向量机的不确定数据学习算法

孪生支持向量机通过计算2个二次规划问题,得到2个不平行的超平面,用于解决二分类问题。然而在实际的应用中,数据通常包含不确定信息,这将会对构建模型带来困难。对此,提出了一种用于求解带有不确定数据的最小二乘孪生支持向量机模型。首先,对于每个实例,该方法都分配一个噪声向量来构建噪声信息。其次,将噪声向量结合到最小二乘孪生支持向量机,并在训练阶段得到优化。最后,采用一个2步循环迭代的启发式框架求解得到分类器和更新噪声向量。实验表明,跟其他对比方法比较,本方法采用噪声向量对不确定信息进行建模,并将孪生支持向量机的二次规划问题转化为线性方程,具有更好的分类精度和更高的训练效率。

基于改进最小二乘支持向量机组合模型的深基坑沉降变形预测

为了提高深基坑沉降变形预测精度,及时为深基坑支护施工提供指导,提出一种改进最小二乘支持向量机组合模型;通过引入自适应噪声完备集合经验模态分解方法分解原始深基坑沉降变形数据,并结合粒子群优化算法和遗传算法对最小二乘支持向量机进行参数寻优,对分解的数据分别训练、预测后再叠加,得到最终预测结果;应用所提出模型对济南市某深基坑的累积沉降量进行预测,同时与其他模型对比,验证所提出模型的实用性和优越性。结果表明:所提出模型预测深基坑累积沉降量的平均相对误差为0.035%,均方误差为0.0809 mm^(2),均方根误差为0.2838 mm,所提出模型的准确性远优于其他模型的;自适应噪声完备集合经验模态分解方法的引入更有利于在深基坑沉降变形预测方面发挥最小二乘支持向量机的优势。

一种基于密度加权的最小二乘支持向量机稀疏化算法

针对最小二乘支持向量机失去标准支持向量机稀疏特性的问题,提出了一种基于密度加权的稀疏化算法.首先计算样本的密度信息,对样本估计误差进行密度加权获得该样本对模型的可能贡献度;然后选取具有最大可能贡献度的样本作为支持向量,同时对支持向量样本邻域内的其他样本密度信息进行削减,从而避免相似样本被选中为支持向量;再选择剩余样本中具有最大可能贡献度的样本添加到支持向量集中,直到模型性能满足要求.仿真和实际应用表明,与Suykens提出的标准稀疏化算法相比,所提出的算法能有效剔除冗余支持向量,具有更好的稀疏性和鲁棒性.

基于加权最小二乘支持向量机的温室小气候建模与仿真

分析了温室小气候系统结构,采用加权最小二乘支持向量机回归方法在线建立温室小气候模型,并进行仿真研究,取得了较好的效果。最小二乘支持向量机中引入加权因子,使其回归估计对非高斯分布噪声及野点数据具有较好的鲁棒性。最后将此方法和带有智能监督级的渐消记忆递推增广最小二乘方法的在线建模及仿真结果进行了对比分析。

基于经验模态分解和加权最小二乘支持向量机的采空区地面塌陷预测

根据采空区路面塌陷数据的特性,提出了基于经验模态分解(EMD)和加权最小二乘支持向量机(WLS-SVM)预测采空区地面塌陷的新方法,并将其应用于吉林省长平高速公路因刘房子煤矿开采而引起的塌陷预测中。对实测的塌陷数据首先利用三次样条插值得到平滑的信号曲线,然后用EMD对插值后的信号进行时空滤波降噪处理,得到反映塌陷趋势的剩余分量,最后将其馈入到WLS-SVM模型完成预测。预测给出了采空区塌陷的中长期预测结果,得到塌陷区的最终塌陷值为174.34 cm,预测结果与实际监测数据平均偏差约1.06%。对长平高速公路下伏采空区段的实测数据进行分析,并与最小二乘支持向量机(LS-SVM)和BP神经网络预测结果进行了对比。结果表明:基于EMD和WLS-SRM的采空区地面塌陷预测方法具有更高的预测精度和广泛的适用性。

基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

动态加权最小二乘支持向量机

提出一种基于动态加权最小二乘支持向量机(LS-SVM)的时间序列预测方法.动态加权LS-SVM能够跟踪时变非线性系统的动态特性,适合于系统辨识和时间序列预测;同时采用鲁棒方法确定权系数,以减小噪声的影响.将动态加权LS-SVM算法应用于工业PTA氧化过程中的4-CBA浓度预测,结果显示,动态加权LS-SVM预测精度高,能够有效减小噪声的影响.

基于粗差判别的参数优化自适应加权最小二乘支持向量机在PX氧化过程参数估计中的应用

针对软测量建模过程中数据可能存在粗大误差以及粗差数据对模型的性能产生的影响,提出了一种基于粗差判别的自适应加权最小二乘支持向量机回归方法 (WLS-SVM)。该方法首先根据3δ法则检测出样本中的显著误差并加以剔除,然后根据样本误差的大小自适应地调整权值,使得非显著误差对模型性能的影响大大降低。另外,由于最小二乘支持向量机的正则化参数和核宽度参数对模型的拟合精度和泛化能力有较大的影响,一般依靠经验和试算的方法进行估计,耗时且不准确,本文将模型的参数作为进化算法的优化问题,应用自适应免疫算法(AIGA)对参数进行优化选择。仿真实验表明,该方法对非线性系统的建模具有很好的效果。同时,将该方法应用于工业PX氧化建模过程中动力学参数的估计中,结果表明,基于粗差判别的参数优化自适应最小二乘支持向量机预测精度高,取得了较好的效果。

自适应加权最小二乘支持向量机的空调负荷预测

为了提高建筑空调负荷的预测精度,在分析空调负荷主要影响因素的基础上提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)的建筑空调负荷预测方法。该方法根据预测误差的统计特性,采用基于改进正态分布加权规则,自适应地赋予每个建模样本不同的权值,以克服异常样本点对模型性能的影响。建模过程中采用粒子群优化(PSO)算法对模型参数进行优化,以进一步提高模型预测精度。基于DeST模拟数据将AWLS-SVM方法应用于南方地区某办公建筑的逐时空调负荷预测中,并与径向基神经网络(RBFNN)模型、LS-SVM模型及WLS-SVM模型作比较,其平均预测绝对误差分别降低了51.84%、13.95%和3.24%,并进一步基于实际空调负荷数据将该方法应用于另一办公建筑的逐日空调负荷预测中。预测结果表明:AWLS-SVM预测的累积负荷误差为4.56MW,亦优于其他3类模型,证明了AWLS-SVM具有较高的预测精度和较好的泛化能力,是建筑空调负荷预测的一种有效方法。

基于加权最小二乘支持向量机的下水道可燃气体分析

下水道可燃气体分析是城市下水道可燃气体监测预警系统的重要组成部分.该文针对BP神经网络对下水道可燃混合气体分析存在速度慢、容易陷入局部最优,以及标准最小二乘支持向量机鲁棒性差的缺点,建立了一种基于加权最小二乘支持向量机(WLS-SVM)的下水道可燃气体分析模型.加权最小二乘支持向量机模型采用最小二乘线性系统,对误差变量进行权值设定,提高了学习速度和学习精度.仿真结果表明:基于WLS-SVM的下水道可燃气体分析模型优于所比较的BP神经网络和最小二乘支持向量回归机2种模型,具有优良的预测精度和鲁棒性.

双加权最小二乘支持向量机的短期风速预测

提出了双加权最小二乘支持向量机的短期风速预测方法。考虑到离预测点越远的历史风速数据对预测值的影响越弱,对训练样本中输入向量数据进行第1次加权,以体现不同元素对预测影响的差异。同时为区分训练样本的差异性,降低异常样本的干扰,对训练样本进行第2次加权。对双加权后的训练样本,采用加权最小二乘支持向量机模型进行预测,降低了对异常点的敏感度,实现了对不同样本的区别对待。根据某实测风速数据进行了风速预测,结果表明,所提方法能提高风速预测精度。

基于自适应加权最小二乘支持向量机的青霉素发酵过程软测量建模

针对生化过程软测量建模过程中样本数据可能包含的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(Adaptive weighted least squares support vector machine,AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的正态分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用混沌差分进化—模拟退火(Chaos differential evolution simulated annealing,CDE-SA)算法对模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于最小二乘支持向量机(Least squares support vector machine,LS-SVM)和加权最小二乘支持向量机(Weighted least squares support vector machine,WLS-SVM)。利用Pensim仿真平台的数据,将AWLS-SVM方法用于青霉素发酵过程软测量建模,获得了较好的效果。

基于加权最小二乘双支持向量机的含噪声分类

针对最小二乘双支持向量机对噪声样本敏感的问题,依据给含有大噪声的样本赋予较小权重、给较小噪声的样本赋予较大权重的原则,通过评估训练样本点到两个非平行分类超平面的距离,构造了能反映样本噪声程度的权重,提出了线性和非线性加权最小二乘双支持向量机,并发展了两种加权支持向量机的求解算法,解决了对含噪声样本的高精度分类问题。将所提两种加权最小二乘双支持向量机分别应用到Heart-statlog和Two-moons数据集上进行仿真,结果表明所提方法有效消除了噪声的影响,提高了分类精度。

基于加权最小二乘支持向量机改进算法的汽轮机通流部分故障诊断研究

汽轮机通流部分故障特征数据较多、故障类型复杂,很难建立精确的机理模型。提出一种基于加权最小二乘支持向量机(Weighted Least Squares Support Vector Machines,WLS-SVM)的改进算法,该算法用输出变量的留一交叉检验误差取代原有误差确定加权系数,解决了WLS-SVM由于加权系数与模型支持值相互影响,样本在剔除与不剔除之间反复变化而不收敛的问题。实验结果表明该方法能有效地剔除异常样本,减少故障特征量的数目,提高了校正模型的稳健性及WLS-SVM特征预测的速度和预测的精度。

加权最小二乘支持向量机与最小二乘问题的关系

研究了加权最小二乘支持向量机与最小二乘法的关系.证明了用加权最小二乘支持向量机作函数估计与在特征空间中用最小二乘法得到的解是一致的.加权最小二乘支持向量机选择核相当于最小二乘法选择基函数组.由此提出了采用加权最小二乘支持向量机解决最小二乘法问题的思想,保证解具有良好的推广性、鲁棒性与稀疏性.

基于加权最小二乘支持向量机的月度负荷预测

考虑到实际电力负荷预测中各数据的重要程度并不相同,在标准最小二乘支持向量机回归算法的训练样本中设置权值系数,建立了加权最小二乘支持向量机模型,以实现样本的优化选择,达到历史数据"重近轻远"的学习效果;同时考虑到粒子群优化算法收敛速度快和混沌运动遍历性、随机性等特点,提出了一种基于混沌思想的粒子群优化算法对模型参数进行优化,引入优势粒子和劣势粒子的权重自适应调节机制,使算法具有动态适应性。将改进的模型应用于江西省萍乡市月度负荷预测中,结果表明本文方法与常规方法相比降低了预测误差,且速度较快。

基于改进的加权最小二乘支持向量机的空间桁架建模

针对空间桁架结构的非线性因素导致其建模困难的问题,利用基于Hilbert变换的动力学系统非线性检测因子作为加权因子,提出了一种改进的加权最小二乘支持向量机非线性建模方法,不仅使支持向量机的解具有稀疏性和鲁棒性,而且对系统动力学参数变化敏感,从而能比较快速而精确地实现动力学系统的非线性动态建模.数值仿真和桁架结构建模试验结果表明,该方法能较好地模拟结构的非线性特性,适用于动力学系统的非线性动态建模.

集员估计的加权最小二乘支持向量机方法

针对带有未知但有界误差的参数非线性回归模型,提出了集员估计的加权最小二乘支持向量机方法。采用加权最小二乘支持向量回归的方法建立逼近方程误差向量的加权l∞范数与参数向量之间的复杂函数关系的模型。根据此模型和可行的方程误差向量的加权l∞范数导出近似参数可行集。为了评估集员估计结果的优劣,给出了反映近似边界接近精确边界程度的指标。仿真结果表明,采用本文方法比采用一般最小二乘支持向量机的方法所得的近似边界更接近精确边界。

基于最小二乘加权支持向量机的个人信用预测模型研究

针对不同类别样本数差异和不同误分代价的分类问题,提出了一种基于最小二乘加权支持向量机的分类预测方法。在最小二乘加权支持向量机的基础上,考虑不同类别样本数差异和不同误分代价,提出了新的最小二乘加权支持向量机分类模型,构造了新的最优分类函数。将该模型应用于个人信用预测实验,与已有方法的对比实验结果表明,提出的模型在解决不同类别样本数差异和不同误分代价的个人信用预测问题时,有效地降低了总误分代价,提高了个人信用预测精确度。