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。

基于改进核函数的支持向量机天然气脱硫装置故障诊断方法

针对传统脱硫故障诊断方法反应慢、诊断准确率低的问题,根据Mercer理论,改进了支持向量机(Support Vector Machine,SVM)的核函数及其参数,建立了一个由多项式核函数、Sigmoid核函数和高斯径向基核函数复合成的改进核函数,在此基础上提出了一种基于改进核函数的SVM天然气脱硫装置故障诊断方法。相对于传统SVM,改进SVM体现了各单一核函数的优点,并具有更好的学习效率及诊断准确率,在小样本数据条件下仍然具有较好的泛化能力。利用HYSYS软件建模并与现场数据进行对比实验,由实验结果可知改进SVM的误差率降低到传统SVM误差率的约30%,验证了新方法能有效提高脱硫装置故障诊断的准确率和效率。研究结果有助于天然气脱硫装置故障诊断系统工作的智能化开展,同时也为故障诊断方法的研究提供了借鉴。

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。

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。

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新型电力系统谐波分量预测

电力电子设备在发电、输电、配电及用电各个领域均有广泛应用,在改善居民生活质量与提升工业生产效率的同时,也引入了大量的谐波,造成电力系统谐波污染。电力系统在不同采样点处的谐波含量不同,而最小二乘支持向量机(LSSVM)具有预测精度高、预测效率高等优点,可应用于谐波含量预测。为了验证所提出算法的有效性,搭建了仿真模型,对光伏发电系统、风力发电系统以及储能装置充放电处的电流的谐波含量进行了预测。仿真结果表明:在不同工况下和不同类型的谐波含量下,该算法均具有较高的预测精度。

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。

一类非平坦函数的多核最小二乘支持向量机的鲁棒回归算法

给出了标准最小二乘支持向量机的数学回归模型,并提出了多核最小二乘支持向量机算法,用于提高非平坦函数的回归精度.运用谱系聚类方法解决多核最小二乘支持向量机的解缺乏稀疏性的问题.利用偏最小二乘回归方法对多核最小二乘支持向量机进行了鲁棒回归.通过仿真实例证实了所提方法的有效性.

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题,在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。

混合核函数最小二乘支持向量机的网络流量预测模型

针对网络流量复杂多杂特点,基于组合优化理论,提出一种混合核函数最小二乘支持向量机的网络流量预测模型。首先,基于混沌理论将一维网络流量变为多维时间序列,然后,采用多项式核函数和高斯径向基核函数构建混合核函数,并将训练样本输入到最小二乘支持向量机中学习,最后,采用真实网络流量数据对模型性能进行测试。结果表明,相对于单核函数最小二乘支持向量机及其它网络流量预测模型,模型能够准确捕捉网络流量变化规律,有效地提高了网络流量的预测精度,而且具有一定的鲁棒性。

最小二乘支持向量机的核函数及参数选择算法研究

核函数及其参数选择是影响支持向量机分类效能的核心问题,其本质是一个优化选择问题。粒子群优化算法是一种性能优良的搜索算法,但容易造成局部最优解,通过采用遗传算法的交叉和变异操作能很好地解决这个问题。在此基础上提出了基于改进粒子群优化算法的最小二乘支持向量机方法,并通过对比试验进行了验证。

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。

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.