基于蚁群优化最小二乘支持向量回归机的河蟹养殖溶解氧预测模型

养殖池塘溶解氧是河蟹赖以生存的重要指标,及时准确地掌握溶解氧浓度变化趋势是确保高密度河蟹健康养殖的关键。为提高溶解氧预测精度和效率,该文提出了蚁群算法(ACA)优化最小二乘支持向量回归机(LSSVR)的河蟹养殖溶解氧预测方法。采用蚁群算法对最小二乘支持向量回归机的模型参数进行优化,并以自动获取的最佳参数组合构建溶解氧与其影响因子间非线性预测模型。利用该模型对江苏宜兴市2010年7月20日～7月28日期间高密度养殖池塘溶解氧进行预测。研究表明,该预测模型取得较好的预测效果,与支持向量回归机和BP神经网络相比,模型评价指标均方根误差、相对均方误差均值、平均绝对误差和和决定系数和运行时间分别为0.0328、0.0016、0.0448、0.9916和3.3275s均优于其他预测方法,ACA-LSSVR模型不仅计算复杂度低、收敛速度快、预测精度高、泛化能力强,还能满足实际高密度河蟹养殖溶解氧管理的需要,为其他领域的水质预测提供参考。

自适应迭代最小二乘支持向量机回归算法

基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法.与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机.模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.

基于偏最小二乘回归和最小二乘支持向量机的大坝渗流监控模型

利用偏最小二乘回归法对影响大坝渗流的诸多因素进行分析,提取对因变量影响强的成分,克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数,从而可以较好的解决非线性问题,建立了基于PLS-LSSVM的大坝渗流监控模型。实例分析表明,PLS-LSSVM模型的拟合与预测精度均优于独立使用PLS或LSSVM建模的精度;PLS-LSSVM模型的学习训练效率比LSSVM模型有较大的优势,更适合于大规模的数据建模。

基于最小二乘支持向量回归机的燃煤锅炉结渣特性预测

对燃煤锅炉结渣特性建模预测并结合优化算法实现燃烧优化是降低锅炉结渣几率有效的方法。文中将煤的软化温度tST、硅铝比w(SiO2)/w(Al2O3)、碱酸比J、硅比G以及锅炉的无因次炉膛平均温度φt、无因次切圆直径φd等作为输入变量,以结渣程度作为输出,建立最小二乘支持向量回归机燃煤锅炉结渣预测模型。同时采用显微镜原理对惩罚参数γ和核参数σ进行寻优,快速有效地获得二者的最优组合。通过对5台锅炉结渣特性进行预测评判,结果表明此方法是合理可行的。同时依据本方法及面向对象的高级语言,开发了相应的预测评判系统。

最小二乘回归支持向量机对非线性时间序列预测的试验分析

利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月~2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月~2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果。结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度。资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感。

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。

板形模式识别的多输出最小二乘支持向量回归机新方法

为了克服最小二乘支持向量回归机(LS-SVR)算法不能直接应用于多输入多输出(MIMO)系统建模的缺点,通过在目标函数中加入样本绝对误差项,提出了一种多输出最小二乘支持向量回归机(MLSSVR)新算法。将MLSSVR算法应用于板形模式识别研究,提出了一种基于MLSSVR的板形模式识别新方法,将该方法与LS-SVR合成识别方法进行对比实验,并对MLSSVR识别模型的识别能力进行了测试和分析,结果证明了MLSSVR算法的有效性。MLSSVR板形模式识别方法不仅避免了LS-SVR合成方法的复杂组合运算,具有更高的识别速度,而且具有更高精度和很强的泛化能力。

基于偏最小二乘支持向量机回归区域物流量预测

研究采用偏最小二乘支持向量机回归模型进行区域物流量预测问题.针对普通最小二乘预测所存在的问题和物流系统样本量少的具体状况,提出偏最小二乘支持向量机回归区域物流量预测方法,采用主成分分析法提取影响物流量因素的新综合变量,建立以新综合变量为输入,物流量为输出的支持向量机回归非线性预测模型,在廊坊市物流量预测中进行仿真试验,证明了该方法的可行性与正确性.

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。

基于梯度信息的最小二乘支持向量回归机

为了解决传统最小二乘支持向量回归机(LS-SVR)对训练样本量要求过高的问题,提出了基于梯度信息的支持向量回归机(GE-LS-SVR)模型。通过修改目标函数及约束条件,将梯度信息引入模型的构建中,重新构造了决策函数。采用了三个基准函数对模型进行了验证,并用三个常用度量准则对实验结果进行了比较。结果表明提出的模型能在较少样本的情况下达到较为理想的回归精度。

基于最小二乘支持向量回归机的无线传感器网络目标定位法

针对RSSI测距误差直接影响无线传感器网络(WSN)目标定位准确度的问题,从目标位置与目标到传感器节点测距矢量的双射关系入手,建立最小二乘支持向量回归机(LSSVR)目标定位的数学模型,提出了一种基于LSSVR的WSN目标定位方法TL-LSSVR。根据虚拟目标坐标和虚拟目标到传感器节点距离矢量构造出训练样本,通过确定学习区域及网格化采样获得训练样本集,采用LSSVR训练得到定位模型,将测量得到的距离矢量输入定位模型实现目标定位。对不同传感器节点数量以及不同节点分布情况下的WSN目标进行了定位实验。结果显示,对于节点随机分布的情况,TL-LSSVR方法的定位误差比最小二乘法减小21.0%～43.1%;对于节点均匀分布的情况,TL-LSSVR方法的定位误差则减小26.5%～48.7%,表明TL-LSSVR方法能有效减小测距误差对定位结果的影响,提高目标定位准确度。

基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法

通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.

基于偏最小二乘回归与支持向量机耦合的咸潮预报模型

利用偏最小二乘回归对影响咸潮的因素进行分析,提取出对因变量影响强的成分,从而克服了变量之间的多重相关性问题;同时利用支持向量机在解决小样本非线性问题上的优势,采用将偏最小二乘回归与支持向量机耦合的方法,建立了咸潮预报模型(PLS-SVM),并应用该模型对珠海市平岗站盐度的变化进行了模拟和预测,研究结果表明,所提出的PLS-SVM模型模拟和预测精度明显优于常用的BP人工神经网络、多元回归模型,可更好地应用于咸潮预报。

基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断

滚动轴承故障诊断是提高设备利用率、降低运行及维护成本关键。最小二乘支持向量回归机为有效的故障诊断方法,为解决其参数选取受限于主观经验问题,将萤火虫群算法用于惩罚系数C与核参数σ寻优,提出基于萤火虫群算法优化最小二乘支持向量回归机的滚动轴承故障诊断方法。实验结果表明,该方法能对滚动轴承故障位置及程度进行准确诊断,与常规最小二乘支持向量回归机、BP神经网络相比精度更高,由此验证该方法的可靠性。

基于最小二乘支持向量回归机的矿浆酸碱度鲁棒软测量

针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了泡沫浮选矿浆酸碱度的软测量.将不同特性的核函数凸组合以提高模型性能,并采用最近邻山峰聚类算法约简核矩阵,降低计算复杂度,利用偏最小二乘回归提高模型鲁棒性.工业运行数据仿真结果表明,建立的软测量模型能够连续在线检测矿浆的酸碱度,并获得了比标准LSSVR、加权LSSVR及多核LSSVR更高的预测精度,可满足工业要求.

基于最小二乘支持向量机回归的GPS高程转换模型

探讨了将最小二乘估计引入到支持向量机中,给出最小二乘支持向量机回归(LS-SVR)算法,该算法用等式约束代替传统支持向量机回归中的不等式约束,使得求解过程更为简单。将构建的LS-SVR模型应用到GPS高程转换中,提出该回归模型的实现步骤。实例表明,在有限样本情况下,LS-SVR完全可以达到与传统GPS高程拟合方法相同的精度,但实现起来更简单,而且在泛化性能方面具有理论上的保证。

基于核的偏最小二乘特征提取的最小二乘支持向量机回归方法

提出了用核的偏最小二乘进行特征提取.首先把初始输入映射到高维特征空间,然后在高维特征空间中计算得分向量,降低样本的维数,再用最小二乘支持向量机进行回归.通过实验表明,这种方法得到的效果优于没有特征提取的回归.同时与PLS提取特征相比,KPLS分析效果更好.

最小二乘孪生参数化不敏感支持向量回归机

孪生参数化不敏感支持向量回归机(twin parametric insensitive support vector regression,简称TPISVR)是一种新型机器学习方法.与其他回归方法相比,TPISVR在处理异方差噪声方面具有独特的优势.标准TPISVR的训练算法可以归结为在对偶空间求解一对具有不等式约束的二次规划问题.然而,这种求解方法的时间消耗比较大.引入最小二乘思想,将TPISVR的两个二次规划问题转化为两个线性方程组,并在原始空间上直接求解,提出了最小二乘孪生参数化不敏感支持向量回归机(least squares TPISVR,简称LSTPISVR).为了解决LSTPISVR的参数选择问题,提出了混沌布谷鸟优化算法,并用其对LSTPISVR的参数进行优化选择.在人工数据集和UCI数据集上的实验结果表明:LSTPISVR在保持精度不下降的情况下,具有更高的运行效率.

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.

自适应遗传优化的最小二乘支持向量回归机在煤粉着火温度建模中的应用

针对煤粉着火温度与煤质指标间的非线性关系,提出了基于自适应遗传算法和最小二乘支持向量回归机的煤粉着火温度预测模型.通过对实验数据进行预测评判,并与常规的最小二乘支持向量回归机模型和BP神经网络模型相比较,以验证此模型的可靠性和精确性.结果表明,该模型是合理可行的,该模型比传统计算模型具有更好的泛化能力,能更准确地预测煤粉着火温度.采用该模型对输入变量的权重进行分析,得到的结果与机理分析一致,为解决此类问题提供了新途径.