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。

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。

基于遗传算法优化最小二乘支持向量机的矿工疲劳程度识别模型

为精准识别矿工疲劳程度,减少因疲劳引发的煤矿人因事故,提出了一种基于遗传算法(GA)优化最小二乘支持向量机(LSSVM)的矿工疲劳程度识别模型。首先,通过疲劳诱发试验采集矿工心电数据,利用Friedman检验优选矿工疲劳程度的特征指标;然后,采用主成分分析法对选取的特征指标进行降维处理,建立表征矿工疲劳程度的特征集;在此基础上,利用遗传算法优化最小二乘支持向量机的关键参数,构建矿工疲劳程度识别模型。结果表明:选取的矿工疲劳程度特征指标能够有效反映矿工的疲劳程度;相较GA-SVM和LSSVM模型,融合GA-LSSVM模型可显著提高矿工疲劳程度的识别准确率(平均识别准确率为96.87%)。构建的矿工疲劳程度识别模型可较为高效地识别矿工的疲劳程度,对煤矿人因事故的防控具有一定的现实指导意义。

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。

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。

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。

基于最小二乘支持向量机的造纸工控网络高隐蔽性入侵检测

造纸工控网络的数据特征具有复杂性和多样性,对于高隐蔽性入侵行为,其特征可能被混杂在正常操作和噪声中,增加了检测的难度。为此,提出基于最小二乘支持向量机的造纸工控网络高隐蔽性入侵检测方法。首先,使用CEEMD算法对网络数据进行分解,得到一系列固有模态分量(IMF),利用排列熵对IMF分量进行分析,确定高噪声IMF分量;使用小波降噪对高噪声IMF分量展开抗干扰处理。然后,使用互信息特征选择方法对抗干扰处理后的入侵数据进行特征提取。最后,将提取到的入侵数据特征作为输入数据,通过最小二乘支持向量机(LS-SVM)建立一个判别函数,该函数根据输入数据的特征值进行分类,并判断网络中是否存在高隐蔽性入侵行为。实验结果表明,所提方法最高入侵检测准确率达到0.98,Kappa统计量最大为0.99,表明所提方法的数据处理效果好、网络入侵检测精度高。

一种稳健最小二乘支持向量机GNSS-IR土壤湿度反演方法

全球卫星导航系统干涉测量(global navigation satellite system interferometric reflectometry,GNSS-IR)是一种新型的遥感技术,可利用多径信噪比序列的延迟相位值反演土壤湿度值,其延迟相位求解通常使用信赖域算法,该算法一定程度依赖初值设定。文章先使用遗传算法求解出延迟相位粗略值,再将该数值作为信赖域的初值用于迭代计算,提升了部分卫星延迟相位的求解精度及稳定性。此外,针对多径信噪比序列易受环境因素影响引入粗差,进而影响模型反演精度,文章采用稳健最小二乘支持向量机作为反演模型,同时又考虑到多星融合的时空尺度优势,将该模型分别做了单星反演至五星融合反演,并与最小二乘支持向量机模型做对比。分析结果表明,当三星融合时该模型提升精度最为明显,MAE最高可降低15.6%,RMSE最高可降低12.0%。

基于最小二乘支持向量机的电网企业供应链碳排放预测方法研究

电网企业供应链碳排放的预测对推动产业链供应链绿色转型具有重要意义,为此提出基于最小二乘支持向量机的电网企业供应链碳排放预测方法。首先,利用4E平衡模型获取电网企业供应链碳排放数据;其次,利用PLS-VIP算法对碳排放数据实施数据筛选,得到有效的碳排放数据变量;最后,引入最小二乘支持向量机,构建碳排放预测模型,并且采用量子粒子群优化算法对其展开优化,实现电网企业供应链碳排放高精度预测。实验结果表明,所提方法在保证预测过程较高稳定性的同时,一定程度上提高了预测精度和预测效率。

基于最小二乘支持向量机的火电厂烟气含氧量预测模型优化研究

烟气含氧量是锅炉运行的重要监控参数,也是反映燃烧设备与锅炉运行完善程度的重要依据。根据运行工况快速、准确地测量烟气含氧量,对于优化锅炉燃烧过程具有重要指导意义。以某电站的1000 MW超超临界锅炉的运行数据为基础,选取影响烟气排放的31个因素,分别采用交叉验证(cross validation,CV)、粒子群优化(particle swarm optimization,PSO)算法、遗传算法(genetic algorithm,GA)寻找最小二乘支持向量机(least squares support vector machine,LSSVM)模型的最佳参数,建立烟气含氧量预测模型。研究结果表明:相对于PSO-LSSVM和CV-LSSVM模型,GA-LSSVM预测模型对烟气含氧量具有更好的预测能力,具有预测精度高、泛化能力好、鲁棒性强等优点,拟合预测的相对误差、均方误差分别为0.54%、0.23%,泛化预测的相对误差、均方误差分别为1.66%、2.13%,能够比较准确地对火电厂锅炉烟气含氧量进行测量,为锅炉燃烧系统进一步的优化运行奠定了基础。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

改进灰狼优化最小二乘支持向量机的锂电池剩余寿命预测

针对锂电池剩余寿命预测的直接健康因子难以测量以及预测精度不高等问题,提出一种改进灰狼优化最小二乘支持向量机(improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM)的锂电池剩余寿命间接预测方法。该方法从电池放电特性曲线中获取3种表征电池性能退化的间接健康因子,通过引入tent混沌映射、收敛因子非线性递减与莱维飞行策略对灰狼算法加以改进,并结合LS-SVM模型,形成了具有全局优化的改进灰狼优化最小二乘支持向量机的锂电池寿命预测模型。最后利用NASA数据集对文中提出的方法进行了验证,并将实验结果与GWO-LSSVM、PSO-ELM和BP神经网络算法进行了对比分析,试验结果表明文中所提出的改进算法具有更好的预测性能。

基于改进果蝇算法优化的最小二乘支持向量机动力锂电池荷电状态预测

荷电状态(SOC)是动力锂电池管理系统的重要参数,使用传统算法优化锂电池SOC预测模型参数,收敛性相对较差,容易陷入局部最优解。对此,采用改进果蝇算法(IFOA)对最小二乘支持向量机(LSSVM)的参数进行优化,通过引入自适应松弛项来提高预测精度和收敛速度,获取全局最优解。选用磷酸锂电池为研究对象,测量其工作电压、工作电流和SOC,并将数据作为测试集,在MATLAB平台上建立基于IFOA优化的最小二乘支持向量机SOC预测模型。结果表明:IFOA优化的LSSVM动力锂电池SOC预测结果和实测结果吻合良好,平均绝对误差(MAPE)为1.02%,泛化能力强,预测精度相较果蝇算法最小二乘支持向量机(FOA LSSVM)和贝叶斯算法最小二乘支持向量机(BEF LSSVM)模型的精度更高。

基于粒子群优化最小二乘支持向量机的交通事故预测方法

为解决交通事故预测中非线性样本影响预测精度的问题,本文构建了基于粒子群算法(PSO)优化的最小二乘支持向量机(LSSVM)的交通事故预测方法.在构建交通事故数LSSVM预测模型的基础上,采用PSO算法优化LSSVM的惩罚系数和核函数宽度;设计了基于粒子群优化最小二乘支持向量机的交通事故预测模型;最后以我国连续48个月的道路交通事故数据建立模型,验证了该预测方法的有效性.实验结果表明:PSO优化LSSVM的交通事故模型比使用经验参数的LSSVM预测模型的预测效果更好.是准确预测交通事故的方法.

基于小波包分解与最小二乘支持向量机的用户侧净负荷预测

随着分布式可再生能源在用户侧逐步接入,电表监测得到的用户净负荷曲线形态相对于原有实际负荷曲线更加不稳定,因而极大降低了用户的净负荷预测精度。针对此问题,提出基于小波包分解(wavelet packet decomposition,WPD)与最小二乘支持向量机(least squares support vector machine,LSSVM)的用户侧净负荷预测方法,通过对用户净负荷时序数据作小波包分解,得到信号特征更为明显的高频分量与低频趋势部分,筛选剔除波动性大、噪声信号多的高频细节分量。同时考虑气象因素,利用最小二乘支持向量机对小样本非线性信号的训练效率高、泛化能力强的特点,采用其模型对其余包含更多有效负荷数据信息的低频分量分别进行预测重构,叠加得到最终的净负荷预测值。通过对可再生能源高度渗透的某地区用户实际净负荷数据进行实例分析,结果表明所提预测方法在此物理场景下相比于传统预测方法有更高的预测精度。

梯度提升最小二乘支持向量回归的压电执行器磁滞特性建模

针对用于精密运动定位的压电执行器具有磁滞效应的问题,本文提出一种基于梯度提升最小二乘支持向量回归(GB-LSSVR)的建模方法.首先,通过引入磁滞算子构造拓展的输入空间,将磁滞的多值映射转换为一对一映射.然后,建立基于GB-LSSVR的磁滞模型,设计可保证收敛粒子群算法(GCPSO)对GB-LSSVR模型参数进行优化.最后,将所提出方法用于实际预测一个压电执行器的位移.结果表明,该方法相对于经典的最小二乘支持向量回归(LSSVR)和截断最小二乘支持向量回归(T-LSSVR)算法,能得到更加准确的结果.

基于优化经验模态分解和最小二乘支持向量机的边坡位移预测

我国库岸滑坡灾害频发,采用高精度优化算法对边坡位移时间序列进行预测对防灾减灾具有重要意义。边坡位移时间序列通常表现出高度非线性特征,传统模型难以对其进行准确预测。为此,本文提出一种基于优化经验模态分解和最小二乘支持向量机的边坡位移时间序列预测模型。该模型采用基于软筛分停止准则的经验模态分解(SSSC-EMD),可自适应地将边坡位移时间序列分解为多个本征模态分量和1个残余分量。将残余分量定义为趋势项;通过K-means聚类方法对分量进行聚类,将其定义为周期项和随机项。采用最小二乘法对趋势项进行预测;建立最小二乘支持向量机回归(LSSVM)模型对周期项和随机项进行预测。将各预测值累加求和,即得到累计位移预测值。以山口岩大坝为例,采用SSSC-EMD-LSSVM模型对厂址边坡位移时间序列进行预测。结果表明:模型能够有效预测位移时间序列,精度优于传统BP神经网络和LSSVM模型。

基于最优间隔分布的最小二乘支持向量机

支持向量机(support vector machine,SVM)通过结构风险最小化构建模型,模型简单易理解,但求解过程较复杂;而最小二乘支持向量机(least squares support vector machine,LSSVM)求解的是一组线性方程组,其求解效率远高于SVM.然而,传统LSSVM忽略了样本点到超平面分布的影响.为了充分考虑数据的分布,本研究从LSSVM出发,加入最小化距离方差与最大化距离均值正则项,构建全新的LSSVM模型(LSSVM_rv和LSSVM_rm_rv模型).该模型的优势在于:依据数据的分布特征构建模型,分类效果更好;对偶问题仍是一组线性方程组,计算成本较小.大量的数值实验进一步验证上述模型的优越性,与传统SVM和LSSVM相比,在6个数据集上的分类准确率均有所提高,并且节省了大量的训练时间.

基于最优样本集在线模糊最小二乘支持向量机的飞行冲突网络态势预测

针对空中交通系统运行周期性和时变性的特点,结合复杂网络理论和模糊最小二乘支持向量机(LSSVM),提出一种基于最优样本集在线模糊最小二乘支持向量机(OTSOF-LSSVM)的飞行冲突网络态势预测方法。首先,基于三维的速度障碍法构建飞行冲突网络模型,并根据航空器的位置、航向和速度判断冲突;其次,分析飞行冲突网络拓扑指标的演化时间序列,得到与预测时刻在时间和距离上相关的样本组成最优样本集;最后,采用在线模糊LSSVM训练得到预测模型,并在模型更新过程中通过分块矩阵思想简化更新过程,提高算法效率。实验结果表明,所提方法能够快速、准确地预测空中态势,为管制员掌握空中交通的发展情况提供参考,并辅助进行冲突的预先调配。