基于负荷混沌特性和最小二乘支持向量机的短期负荷预测

以负荷时间序列的混沌特性为基础,结合混沌时间序列的相空间重构理论和支持向量机的回归理论建立了一种基于负荷混沌特性和最小二乘支持向量机的短期负荷预测模型。首先将原始负荷数据进行相空间重构,形成相点序列,然后选择与当前相点最邻近的相点作为此负荷预测模型的训练样本,经过训练寻求决策函数后就可以求出包含预测点的相点,最后还原此相点得出预测值。通过与BP神经网络的预测结果进行比较,证明了该模型在短期负荷预测中的有效性。

基于相似日和最小二乘支持向量机的光伏发电短期预测

光伏发电预测对于减小并网光伏发电系统对电力系统的影响具有重要意义。针对光伏系统的发电特性,根据影响光伏发电出力的因素,提出选取相似日的方法,通过计算分析相似度筛选出与预测日特征相似的历史数据,与天气数据一同作为预测模型的训练样本。利用最小二乘支持向量机(LS-SVM)进行光伏发电预测,并通过某微电网示范工程的光伏系统数据验证,计算分析了预测误差,结果表明该方法具有较高的预测精度,对光伏发电预测具有一定的参考价值。

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数(LAI)时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI数据存在缺失。支持向量机(SVM)是一种有效的数据分类和回归预测工具,而最小二乘支持向量机(LS-SVM)是对SVM的有效改进。以西藏那曲县为例,使用2003-2011年MODIS LAI产品,分别用LS-SVM和SVM两种方法对研究区域2011年LAI时间序列进行预测,并用MODIS原始LAI以及部分地面实验样点值进行验证。结果表明,基于LS-SVM的LAI时间序列预测算法的精度比基于SVM的算法高,从而证明LS-SVM方法能够弥补遥感反演时间序列LAI数据的缺失问题,对提高时间序列的LAI遥感产品质量具有重要意义。

基于最小二乘支持向量机的风速预测模型

风速具有较大的随机性,预测的准确度不高。针对这种现象,基于最小二乘支持向量机(least squares support vector machine,LS-SVM)理论,结合某风电场实测风速数据,建立了最小二乘支持向量机风速预测模型。对该风电场的风速进行了提前1h的预测,其预测的平均绝对百分比误差仅为8.55%,预测效果比较理想。同时将文中的风速预测模型与神经网络理论、支持向量机(support vector machine,SVM)理论建立的风速预测模型进行了比较。仿真结果表明,文中所提模型在预测精度和运算速度上皆优于其他模型。

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。

一种基于最小二乘支持向量机的年电力需求预测方法

针对电力系统年用电量增长的特点,将最小二乘支持向量机LS-SVM(least squares support vector m a-ch ine)回归模型引入年电力需求预测领域,并给出了相应的过程和算法。与常规基于人工神经网络ANN(ar-tific ial neural networks)的智能预测方法比较,该模型优点是明显的:1)将神经网络迭代学习问题转化为直接求解多元线性方程;2)整个训练过程中有且仅有一个全局极值点,确定了预测的稳定性;3)将年电力需求预测的外插回归问题转换为内插问题,提高了预测精度。应用实例表明:该模型实现容易、预测精度高,更适合年电力需求预测。

最小二乘支持向量机及其在故障诊断中的应用

从支持向量机的有关理论出发,介绍了适用于LS-SVM的SMO算法,并用c#语言实现了基于SMO算法的故障诊断。

基于最小二乘支持向量机的预测控制

最小二乘支持向量机(LS-SVM)方法克服了经典二次规划方法求解支持向量机的维数灾问题,适合于大样本的学习。提出一种新的基于LS-SVM模型的预测控制结构,对一典型非线性系统-连续搅拌槽反应器(CSTR)的仿真表明,该控制方案表现出优良的控制品质并能适应被控对象参数的变化,具有较强的鲁棒性和自适应能力。

基于最小二乘小波支持向量机的数据拟合实验

针对目前使用的SVM核函数在回归中不能逼近任意目标函数的问题,在支持向量机的核方法和小波框架理论的基础上,提出了LS-WSVM结构模型。该模型在LS-SVM中使用一种新的由小波构成的SVM核函数。实验结果表明,与标准的SVM及LS-SVM比较起来,在同等条件下,LS-WSVM在函数回归方面LS-WSVM具有优良的逼近性能,拟合效果更为细腻。

基于熵的最小二乘支持向量机增长记忆算法与实证分析

为了减少预测模型的训练样本数和训练时间,提高预测的正确率,将信息论中熵的概念和增长记忆算法引入企业财务困境预测,提出了一种基于熵的最小二乘支持向量机（LS-SVM）增长记忆算法,该算法不必每次都求解矩阵的逆,提高了算法的有效性;通过实验,给出了适合企业财务困境预测的离散的信息熵和核函数的表达式。将该算法与传统LS-SVM以及标准SVM的分析比较,可以看出,在ST前1~3年的不同时点上,基于熵的LS-SVM增长记忆算法无论是训练样本的数量还是运算时间,都显著优于传统的LS-SVM以及标准的SVM,证实了将信息熵和增长记忆算法应用于企业财务困境预测的有效性和优越性。

起重机载荷谱回归预测的LSSVM模型优化研究

准确获取在役起重机正常工作状态下的载荷谱是预测和评估起重机疲劳剩余寿命的必要条件,但由于起重机载荷的不确定性、多样性和随机性,以及现场实测环境的复杂性,导致起重机载荷谱数据获取仍然十分困难。为解决起重机载荷谱预测样本容量小和准确性低的问题,基于优化算法和机器学习技术,提出了一种改进的天牛须搜索算法(improved beetle antennae search,IBAS)优化最小二乘支持向量机(least square support vector machine,LSSVM)模型,建立IBAS-LSSVM载荷谱预测模型。在传统的天牛须搜索算法的基础上,通过反正切函数控制步长的更新,并设置能够跳出算法停滞的方法,避免算法陷入局部最优,提升了算法的全局寻优性能。以某型号通用桥式起重机为例,利用IBAS-LSSVM模型对起重机的小样本载荷谱进行回归预测和分析。结果表明,同其他回归预测模型相比,IBAS-LSSVM预测模型具有更高的预测精度、较快的收敛速度和更好的泛化性能,也避免了陷入局部极小值的问题,该方法对起重机载荷谱的回归预测和进一步的疲劳剩余寿命评估具有重要意义。

基于PSO-LSSVM的塔机起升机构虚拟传感器研究

目前塔机起升机构的安全监测多采用布置传感器的方法,载荷测量方式主要是通过在定滑轮处加装轴销式称重传感器,高度测量多采用安装外接编码器的方法。此方法安装、更换成本高且布线发杂,因此该文提出了一种通过变频器输出数据来计算起升载荷以及吊钩高度虚拟传感测量方法。首先介绍了起升机构的组成,通过变频器中的电机编码器数据完成了吊钩高度的换算。接着描述了载荷测量虚拟传感的原理与方法,选用基于粒子群优化的最小二乘支持向量机算法来建立吊重测量模型,通过对数据的关联性分析确定了模型的输入输出。最后通过现场试验验证了载荷测量虚拟传感方法的可行性,且吊重测量误差不超过4%。

基于最小二乘支持向量机的声速空间变化模型构建

建立声速空间变化模型是解决声速剖面代表性误差的有效方法。在对不同声速剖面进行标准化处理的基础上,通过声速训练样本及核函数的选取,提出并实现了一种基于最小二乘支持向量机算法的声速空间变化模型构建方法。为了检验该方法的有效性,选取实测的声速剖面数据进行验证,结果表明该方法能有效地构建声速空间变化模型,从而消除或最大限度地削弱声速剖面代表性误差。

基于IGA-LSSVM的煤矿瓦斯涌出量预测模型研究

为有效提高煤矿瓦斯涌出量预测的准确性,进一步保障煤矿生产安全,提出经免疫遗传算法(IGA)优化的加权最小二乘支持向量机(LS-SVM),并用其建立煤矿瓦斯涌出量预测模型。首先针对瓦斯涌出量系统非线性、时变性、复杂性等特点,提出一种新的加权策略函数来改进LS-SVM。然后引入IGA,对改进的LS-SVM进行核参数δ和正则化参数γ寻优。最后,利用煤矿历史瓦斯涌出数据进行试验分析。结果表明,利用该模型预测的最大相对误差为2.763%,最小相对误差为0.705%,平均相对误差为1.329 8%,该模型较其他预测模型具有更快的收敛速度,更强的泛化能力和更高的预测精度。

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD(Empirical Mode Decompo-sition)和最小二乘支持向量机LS-SVM(Least Square Support Vector Machine)的新模型。首先,运用EMD将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF(intrinsicmode function);其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。

基于AP-LSSVM的多模型预测控制

针对一类非线性系统的控制问题,结合基于仿射传播聚类的最小二乘支持向量机(LS-SVM)多模型建模算法与PSO优化算法,提出新的多模型预测控制算法.采用仿射传播聚类算法对历史样本数据进行聚类,得到各个类的训练样本数据;利用LS-SVM对各个类分别建立子模型,采用网格搜索和交叉验证为各子模型找到合适的模型参数,将所建立的子模型作为预测控制算法的预测模型.在滚动优化时,计算当前控制量与各聚类中心的欧氏距离,选择相应的子模型计算未来时刻模型的预测输出,计算得到参考轨迹.建立优化问题的目标函数,采用PSO算法优化求解得到系统的最优控制量作用于对象.将提出的算法在某芳烃异构化过程中进行仿真试验,分别采用提出的算法以及单模型预测控制算法、基于k均值和BP神经网络的多模型预测控制算法进行仿真.结果表明,采用提出的多模型预测控制算法可以获得更好的控制性能.

基于LS-SVM预测的隧道多径环境OFDM系统信道估计算法

针对隧道环境下多径传播的特点,提出了一种用于正交频分复用(OFDM)系统的基于最小二乘支持向量机(LS-SVM)预测的新型信道估计算法,该算法利用子空间思想将信道特性中的噪声分量分离开来并通过低通滤波器滤除。仿真结果表明该算法估计性能优于传统线性最小均方误差(LMMSE)估计算法:一方面在利用较少导频信号的情况下通过LS-SVM预测获得整个信道的频率特性,提高了系统传输效率;另一方面通过滤除噪声改善了因信道估计值中噪声分量带来的误码率(BER)。

基于LS-SVM的传感器阵列多维信号智能提取方法研究

传感器阵列可同时对多个信号进行测量,而对多个输入信号进行解耦和并行提取是其关键。提出一种基于最小二乘支持向量机(LS-SVM)的传感器阵列输入信号逆向提取智能方法,该方法基于结构风险最小化,能够逼近任意复杂的非线性关系且泛化能力强。仿真试验表明,该方法具有拟合精度高、运算速度快、容易实现等优点,适用于对传感器阵列多个输入信号进行解耦和并行提取。

LS-SVM和BP算法在逆模型控制中的对比研究

最小二乘支持向量机(least squares support vector machine,LS-SVM)具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS-SVM的逆模型辨识方法。仿真结果表明基于LS-SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。

应用LS-SVMs进行药品成分浓度分析

提出了基于最小二乘支撑向量机 (LS SVMs)的药品成分浓度分析方法。分析讨论了LS SVMs中参数的选择对其性能所起的重要作用。通过算例验证了LS SVMs回归分析比多元线性回归(MLR)有着更好的泛化能力 ,回归精度得到了明显的提高。本文的结果说明使用LS