基于人工蜂群算法的支持向量回归建模及其在污水处理中的应用

污水处理过程具有大时滞、非线性、多扰动等特点,运行过程中存在生化需氧量(Biochemical Oxygen Demand,BOD)等重要水质参数难以实时测量问题,软测量技术为解决该问题提供了有效方法。对此,文章提出基于人工蜂群算法的支持向量回归(Support Vector Regression,SVR)建模方法。该方法利用蜂群算法对支持向量机的参数gamma和C进行寻优,找到使均方误差最小的超参数组合,以提高模型预测精度。同时,利用加州大学欧文分校(University of California Irvine,UCI)数据库中的污水生产数据验证该方法的有效性,结果表明该方法的实际应用效果好,可为工业生产中难以测量变量的监测提供技术支持。

湖南高速公路基础设施碳排放峰值支持向量回归预测模型

本文选取湖南省的人口数、人均GDP、基础设施固定资产投资、单位产值能耗比和单位能耗碳排放量作为高速公路基础设施的碳排放影响因素,选用湖南省2003—2021年相关数据并采用支持向量回归(SVR)机器学习法,建立了湖南省高速公路基础设施碳排放预测模型,预测在基准、低碳和超低碳情景下的碳排放数据。结果表明:训练样本交叉验证均方误差为0.007011,模型的预测值和真实值的拟合回归效果良好,训练集和测试集的相关系数分别为0.9869和0.9870,即模型具有良好的学习和推广能力。本文识别了碳排放的影响因素,预测了未来碳排放趋势,对交通基础设施碳减排行动具有一定的参考意义。

机车前端薄壁吸能管仿真模型模糊参数的支持向量回归反求

为了获得影响耐撞性结构有限元计算精度的准确模型参数,提高冲击仿真的准确性,提出一种基于支持向量回归(support vector regression,SVR)模型进行参数优化反求的方法。以一种机车前端防爬结构中的预压薄壁吸能圆管为研究对象建立有限元模型,进行台车冲击试验验证仿真模型准确性。通过拉丁超立方试验设计驱动有限元模型进行少量计算获得数据集,有限元模型中的模糊参数为输入变量,计算与试验载荷的差异为目标响应,通过SVR方法构建映射关系,并采用增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)对超参数进行优化,确定SVR模型最佳配置;通过该最优SVR模型再次使用SEGA优化反求,获得最佳模糊参数组合。使用这组参数组合设置有限元模型,其仿真结果相较初始计算耐撞性指标和载荷曲线匹配程度都得到了提高。研究结果为有限元模型中模糊参数的准确设定、碰撞仿真的精度提升提供了一种新的思路。

支持向量机回归在线建模及应用

支持向量机 (SVM)回归理论与神经网络等非线性回归理论相比具有许多独特的优点。讨论了建模中 SVM核函数、损失函数的选取和容量控制等问题 ,并用实验加以验证。将 SVM回归动态建模理论应用于非线性、时变、大时延温室环境温度变化的建模和预测 ,模型简单 ,预测效果好。

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性(由于原材料波动或过程动态特性波动等),基于全局学习的建模方法(如最小二乘支持向量机回归,LSSVR)建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR(local LSSVR,LLSSVR)的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。

用于发酵过程在线建模的自适应局部最小二乘支持向量机回归方法

提出一种基于自适应局部学习的最小二乘支持向量机回归(LSSVR)在线建模方法。考虑样本间的距离和角度信息以获得更全面合理的相似样本集,推导了采用快速留一法在线优化模型参数的准则,并给出了发酵过程在线自适应模型选择的策略。以链激酶流加发酵过程为例,验证了所提出算法能够从过程的第2批次开始,同时对活性菌体浓度和链激酶浓度进行较准确的在线预报,较普通的局部LSSVR等建模方法具有更高的预报精度和自适应性。

支持向量回归机在飞机气动力建模中的应用

研究准确的气动力模型是研究飞机机动特性与控制的基础。针对气动参数辨识精度和速度难以大幅度提高的问题,提出了一种支持向量回归机的飞机气动力建模方法。利用其良好的泛化能力,在小样本条件下建立了准确的气动力模型,并通过人工鱼群算法优化其中三个待定参数C,ε,σ,增强了全局最优性。在飞机纵向通道气动力建模仿真中,与极大似然法、神经网络进行了对比研究。仿真结果表明:经人工鱼群算法优化的支持向量回归机,克服了极大似然法、神经网络中的局部最优和小样本学习能力不足等问题,同时不需要确定初值,证明是一种有效的气动力准确建模方法。

ε不敏感支持向量回归在化工数据建模中的应用

针对化工领域数据建模小样本、不适定性等问题 ,提出了一种用ε不敏感支持向量回归 (ε SVR)方法进行实际过程建模的想法 ,以解决人工神经网络等方法在数据建模中的“过拟合”、泛化性差等问题 .在分析ε SVR特性的基础上 ,用一个非线性函数逼近例子验证了ε SVR在小样本情况下比BP前馈神经网络具有更优良的建模能力 .将ε SVR应用到丙烯腈聚合反应过程质量指标软测量混合模型中 ,仿真和现场运行结果表明ε SVR是一种非常有效的化工数据建模方法 .

支持向量机回归方法在船型要素建模中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。采用支持向量机回归算法对船型主要要素进行建模,并与常规的回归建模方法进行比较。同时应用实例进行论证,估算结果证明了这种支持向量机回归算法在船型要素建模预测中的有效性和实用性。

温室环境的支持向量机回归建模

温室气候是一个复杂的动态系统 ,传统的建模方法很难建立精确有效的温室气候模型。本文引入一种支持向量机回归建模方法来建立温室气候模型 ,这种方法根据历史数据建立气候模型 ,并用当前数据检验修正模型。对实际温室数据进行了建模实验 ,取得了较好的效果。

多尺度最小二乘小波支持向量机的回归建模

普通最小二乘支持向量机算法用于多尺度回归建模时精度较低。针对该问题,选取墨西哥草帽小波函数作为最小二乘支持向量机的核函数,设计一种基于小波核的多尺度最小二乘小波支持向量机。在此基础上,通过解二次优化问题求出多尺度回归建模问题的全局最优解,最终得出的多尺度回归模型能够有效地逼近多尺度信号。仿真结果表明,该算法具有较高的精度。

加权支持向量回归算法在船舶智能建模中的应用

在分析现有基于高斯核的支持向量回归方法优缺点的基础上,将高斯核参数加权与支持向量回归算法相结合,实现了一种"基于高斯核参数加权的支持向量回归算法".在该新算法中引入一种带权重因子的核函数,其中权重因子由输入向量来确定,同时将该算法应用在散货船舶主尺度要素智能化建模中并与常规算法进行了比较.试验结果表明了这种改进的支持向量回归算法在船舶主尺度要素智能化建模中的有效性和实用性.

支持向量回归机建立排气温度模型研究

收集现役某典型民用航空发动机某段时间内飞行中的实际性能数据,根据排气温度(EGT)测量值及相对于基线的偏差值计算每个航段的基线值,随后依照拉依达法则进行预处理,同时构建了模型的训练输入样本和输出样本;运用支持向量回归机(SVR)建立了该型发动机排气温度基线模型,采用遗传算法进行SVR的三个参数优化计算;使用求解出的模型对测试样本进行测试,通过与原始值的对比分析表明,SVR建立的排气温度基线模型具有较高的预测精度,同时具有良好的泛化性能,对航空发动机健康和性能预测具有实际的指导意义。

基于支持向量回归的动态区域迁移建模方法及应用

提出了一种基于支持向量回归的动态区域迁移建模方法,该方法使模型随着区域的动态迁移进行在线更新,并采用动态调整ε的方法对同一区域内的数据给予不同程度的考虑,使得当前时刻加入的新数据要比以前时刻的旧数据在建模中所占的比重大。针对LF炉钢水温度预报问题,将此方法应用于预报建模。研究结果表明,该建模方法十分有效。

基于支持向量机回归的电力系统负荷建模

支持向量机(SVM)是当前一种比较流行的学习机,具有良好的理论背景,从结构风险最小化原则出发以快速寻找到全局最优的特点。针对当前负荷建模的不足,提出了运用SVM回归来进行电力系统的非机理负荷建模,并给出了负荷建模的具体步骤。与人工神经网络(ANN)对同一个线路负荷进行建模结果比较表明,基于SVM回归的建模效果优于ANN的建模结果,证明了运用SVM的回归进行电力系统负荷建模的可行性,也为电力系统的负荷建模提供了新的思路和方法。

一种基于支持向量回归的混合建模方法

近年来,随着计算能力的不断提高,数据驱动的建模方法受到了广泛的关注,对单模式系统进行定量分析的建模方法获得了诸多研究。然而,实际应用中大多数系统为多模式系统,不但各个模式有着不同的连续行为,连续状态还会在模式之间进行切换。针对这一情形,本文提出了经验概率混合自动机模型,并提出了针对该模型的基于支持向量回归(SVR)的多模式定性定量混合建模方法。该方法使用小波技术识别模式切换点,并在各个模式下单独建立支持向量模型,最后使用D-Markov机整合模型。经实例验证,该方法与传统支持向量回归模型的稳定性接近,但精确程度显著提高。

基于支持向量机的异常用电行为预测建模仿真研究

随着经济的发展,电网的安全运行成为社会经济秩序稳定发展的重要基础保障。异常用电行为的频繁发生会对电网的安全运行产生严重的威胁。当前,窃电等异常用电行为使用的手段越来越高科技化,如何精准高效识别出异常用电行为是当前急需解决的技术难题。对此,采用支持向量机算法对异常用电行为进行建模仿真研究,构建分类效果较好的预测模型,能够较为精准地识别出异常用电的行为用户,为电网的安全运行保驾护航。

一种基于非线性回归和支持向量机的混合建模方法

针对采用单一的建模方法存在的局限性,提出了一种基于非线性回归和支持向量机的混合建模方法。该方法将模型分为两部分,一部分由简单的非线性回归模型估计对象的总体变化趋势,另一部分由一个支持向量机组合模型来描述对象的局部变化特性,最后将该组合模型与非线性回归模型叠加,构成混合软测量模型。将该建模方法应用到双酚A反应的催化剂活性软测量建模中,仿真结果表明了该方法的有效性。

基于支持向量回归机的三维人脸建模方法研究

提出一种新的三维人脸建模方法,该方法首先运用双目立体视觉原理从不同角度获得人脸的两张照片,在一张照片上选定特征点,通过匹配在另一张照片上得到对应的特征点,然后从空间立体几何知识出发,根据两张照片上特征点的坐标以及拍摄时的参数,计算其三维坐标,利用支持向量回归机(SVR)对其进行回归预测建模,最后经纹理贴图,得到具有纹理特征的特定三维人脸模型。仿真实验结果表明,该方法获得的三维人脸模型较为逼真。

基于支持向量回归的协调系统建模

电厂单元机组协调系统的控制品质,从很大程度上取决于对机组的动态特性的预测程度。而支持向量机SVM(Support Vector Machines)作为在统计学习理论上发展起来的一种实用算法,其原理经过严密地理论证明已经得到了普遍认可,且已经广泛地应用于模式识别、函数拟合、预测和神经网络等诸多领域。运用支持向量回归的方法对山西阳光发电有限责任公司的协调系统模型进行了预测,并进行了仿真试验,证明了该方法的有效性。