最小二乘超球多类支持向量机

超球体多类支持向量机(HSMC-SVM)是一种直接型多类分类器,具有训练速度快,检测效率高的优点,但由于HSMC-SVM使用一阶范数软间隔作为目标函数的惩罚项,使得其训练精度受到一定影响,为了提高HSMC-SVM训练精度,将最小二乘法引入到HSMC-SVM中,提出了最小二乘超球多类支持向量机(LSHS-MCSVM)的概念,并且分析了它的训练算法和判决规则,从而形成了完整的LSHS-MCSVM分类理论。实验表明,LSHS-MCSVM无论在训练速度上还是在泛化性能上都要优于HSMC-SVM,适合于分类类别多,样本数量大的多分类场合。

基于自适应双向加权最小二乘支持向量机的超短期负荷预测

应用模糊加权最小二乘支持向量机对超短期负荷进行预测,为了体现离预测点越远的历史负荷数据对预测点负荷值的影响越不明显的特点,即'近大远小'的原则,在双向,即横向(输入样本)与纵向(训练样本集)引入时间域的隶属分布。并用快速留一法在线优化模型的参数,实现了相关参数的自适应选择,克服了应用固定系数进行预测的缺点。应用某地区的负荷数据进行了仿真预测,并应用不同的方法进行了对比。结果表明,所提出的方法与传统方法相比提高了超短期负荷的预测精度。

基于最小二乘支持向量机的光伏出力超短期预测

随着大规模光伏电站接入配网,为了减轻光伏出力的随机性对电网安全稳定运行的影响,有必要加强光伏出力预测研究。提出了一种基于最小二乘支持向量机(LSSVM)的光伏出力超短期预测模型,模型的输入考虑了待预测时段的最新气象信息,提前1h对每刻钟的光伏出力进行预测。为了能更精确地反映待预测日的天气情况,对影响光伏出力的每一气象因素,分别赋予一适当权值,通过计算加权欧氏距离确定各时段的训练样本。最后,利用含有突变情况的天气对训练好的模型进行了测试和评估。结果表明,所提模型预测精度较高,能够为电网调度部门制定合理调度计划提供一定的参考依据。

基于最小二乘支持向量机的超磁致伸缩执行器磁滞非线性模型

为准确模拟超磁致伸缩执行器的磁滞非线性特性,基于最小二乘支持向量机与实验数据建立了超磁致伸缩执行器的模型,结果显示所建模型都能够充分逼近非线性实验数据点。为提高模型的求解速度,仅选用一半的实验数据建立了小样本模型,并与神经网络所建小样本模型对比,结果表明:基于最小二乘支持向量机所建模型的位移预测误差小于1.2μm,而基于神经网络所建模型的位移预测误差大于1.5μm。

基于最小二乘支持向量机的超短期风电负荷预测

风力具有很强的间歇性和波动性,导致风电负荷预测困难,主要表现在预测计算速度慢,可预测的未来时间短,预测精度不高。为了解决这些预测困难,将最小二乘支持向量机(LS-SVM)的方法运用在超短期风电负荷预测中。最小二乘支持向量机通过改进算法,简化了计算的复杂性,使计算速度明显增快,也进一步提高了预测的精度。用实际数据进行仿真,实验结果表明,基于LS-SVM的方法可以进一步提高超短期风电负荷预测的精度,加快计算和预测的速度,与其他方法相比预测精度和运算速度都有优势,用于超短期风电负荷预测是有效可行的。

基于最大间隔最小体积超球支持向量机的多主题分类算法

针对多主题分类,结合最大间隔最小体积超球支持向量机和模糊理论,提出一种多主题最大间隔最小体积超球支持向量机来实现多主题分类。该算法首先基于最大间隔最小体积超球支持向量机,采用1-a-r方法训练子分类器,通过子分类器得到待分类样本的隶属度向量,再依据隶属度向量判定该待分类样本所属类别。实验结果表明,该算法具有较好的准确率、召回率、F1值。

基于最小二乘支持向量机的风电功率超短期预测

针对当前风电场发电功率预测时间较长、预测误差较大,易影响风力微电网根据用电负荷变化适时调度及有效电力资源配置的问题,提出了一种基于最小二乘支持向量机(least squares-support vector machine,LS-SVM)的微电网风电功率超短期预测方法。该方法根据风电场数据采集与监视控制(supervisory control and data acquisition,SCADA)系统获取原始功率数据样本,经归一化法预处理,运用网格搜索法确定模型参数,并依据LS-SVM法建立预测系统模型,利用MATLAB工具箱LS-SVMLab进行仿真实验,跟踪及预测风电功率变化曲线,实现时间跨度小至5min的超短期预测。实验验证结果表明,该方法比传统预测方法具有较高的精确度和较大的适用性,为风力微电网优化调度控制工程提供一种新思路。

基于细菌群落趋药性优化的最小二乘支持向量机短期负荷预测方法

智能电网的建设和电力市场的发展对短期负荷预测的精度和速度提出了更高的要求。应用一种仿生算法来改善负荷预测的精度和运算速度,提出一种基于细菌群落趋药性优化算法的最小二乘支持向量机(least squares-support vector machine based on bacterial colony chemotaxis optimization,BCC-LS-SVM)模型,通过细菌群体趋药性优化算法快速、合理地确定最小二乘支持向量机(least squares-support vectormachine,LS-SVM)的超参数。研究表明,与前馈(back-propagation,BP)神经网络算法和单纯的LS-SVM算法相比,BCC-LS-SVM算法具有较强的全局搜索能力,易于操作,能够实现更高的预测精度及更好的运算速度,更适用于当前中国短期负荷预测的需要。

基于耦合模拟退火优化最小二乘支持向量机的车轮踏面磨耗量预测

针对最小二乘支持向量机(LS-SVM)超参数优化问题,提出采用改进耦合模拟退火(CSA)算法优化LSSVM超参数。首先,耦合模拟退火算法通过并行处理多个独立模拟退火(SA)寻优过程,提高LS-SVM模型超参数优化效率;然后通过调整接受温度控制耦合项超参数的接受概率方差,降低CSA算法初始设置对LS-SVM最优超参数确定过程稳健性的影响;最后结合既有线轮轨现场的实际检测数据,开展了基于改进耦合模拟退火优化的最小二乘支持向量机(CSA LS-SVM)回归模型性能对比实验。结果表明,CSA LS-SVM回归模型达到了模型精度、算法快速性、算法鲁棒性的有效折中,所建立的LS-SVM优化模型用于现场的车轮踏面磨耗量的预测是有效的。

耦合模拟退火优化最小二乘支持向量机的日参照蒸散量模拟计算

针对传统最小二乘支持向量机模型的训练速度慢、不易在线训练、计算量大及参数选择困难等缺陷,提出采用耦合模拟退火优化最小二乘支持向量机算法,建立基于耦合模拟退火优化最小二乘支持向量机的参照作物蒸散量预测模型。选取陕西省的榆林、安康和西安气象站监测的1971-2014年气象资料进行模型训练、测试与验证,研究气象监测获取原始数据作为网络输入,参照蒸散量ET0为输出,构建CSA-LSSVM预测模型,并将CSA-LS-SVM预测结果与LSSVM模型及经典ET0模型模拟计算结果进行比较。结果表明,CSA-LS-SVM模型模拟计算精度和总ET0模拟模型都优于LSSVM模型及其他经典模型模拟结果。该研究CSA-LS-SVM模型为陕西地区气象资料缺乏情况下ET0精确计算提供科学依据,为作物需水量的智能决策提供参考。

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.

模糊最小包含球支持向量机

为提高支持向量机的模式分类性能,综合模糊支持向量机和球形支持向量机等方法,提出一种模糊最小包含球(FMEB)支持向量机,对于模式分类问题,通过引入模糊隶属度,寻找2个分别包含二类模式的同心最小包含球,使类间间隔最大化,同时二类模式类内分布最小化,从而增强泛化性和鲁棒性。实验结果证明FMEB的模式分类性能优于其他方法。

基于支持向量数据描述的闭合超球面机

为提高支持向量数据描述的训练精度,提出一种闭合超球面机。在训练阶段利用目标类样本构造最小包围超球,利用非目标类样本调整描述边界;在测试阶段计算待测样本与最小包围超球球心的距离,根据其与超球半径的大小关系设计分类规则。不同规模和不同平衡度的数据集上的仿真结果表明,该算法分类精度高,训练时间短,将支持向量机和光滑支持向量机的运行时间降低为原来的17.17%和29.06%,将支持向量数据描述分类器的精度提高12.98%且具有较好的鲁棒性。

基于最小二乘支持向量机的水冷壁温度软监测建模

叙述了利用最小二乘支持向量机(LSSVM)对超临界锅炉膜式水冷壁向火侧两个危险点温度进行多目标软建模。指出,该模型可用于向火侧壁温的在线监测,该方法学习速度快、泛化能力强,比GA-BP的软测量建模具有更好的推广能力。

基于作用集的一类支持向量机递推式训练算法

为了求解一类支持向量机(1-SVM)的二次规划问题(QPP),利用该QPP的稀疏解集性质,提出了基于作用集的1-SVM递推式训练算法.将支持向量集设定为作用集,迭代地局部优化作用集以获得全局最优解,并引进递推式算法降低计算复杂度。不同于序贯最小优化(SMO)收敛目标函数的思路,该算法寻找支持向量在最优状态下的分布,对Karush-Kuhn-Tucker(KKT)条件不敏感,并可获得解析的最优值。仿真结果表明,本算法在计算时间和精度上均优于SMO,可有效地应用于1-SVM的大样本学习。

一类支持向量机的快速增量学习方法

提出一类支持向量机(OCSVM)的快速增量学习方法.在OCSVM初始分类器的基础上,添加一个德尔塔函数形成新的决策函数,实现增量学习的过程.通过分析德尔塔函数的几何特性,构造出与OCSVM相似的优化目标函数,从而求解德尔塔函数的参数.优化问题能够进一步转化为标准的二次规划(QP)问题,但是在优化过程中Karush-Kuhn-Tucker(KKT)条件发生很大改变.根据新的KKT条件,为QPP提出修正的序贯最小优化(SMO)求解方法.整个学习过程直接操作初始分类器,仅仅训练新增样本,避免了对初始样本的重复训练,因此能够节约大量的学习时间和存储空间.实验结果表明,提出的快速增量学习方法在时间和精度上均优于其他的增量学习方法.

基于改进支持向量机的隐写分析方法

为了更有效地提高图像隐写分析的速度和正确检测率,提出了一种基于改进的支持向量机的隐写分析方法。采用Frid-rich提出的多特征融合提取算法对图像进行特征提取,克服了单一特征不能很好描述图像差别的不足。然后提出了一种将最小二乘法与超球体一类支持向量机(HSOC-SVM)相结合的分类器——最小二乘超球一类支持向量机(LSHS-OCSVM),并与目前广泛使用的FLD和非线性SVM分类器作对比实验。结果表明,方法是一种有效、高速的隐写分析方法。

基于支持向量机分位数回归的部分变系数动态模型的估计

本文研究部分变系数动态模型,一些参数的值可以成为协变量的函数,并提出了参数和非参数函数系数的估计。本文提出一个基于支持向量机分位数回归的部分变系数动态模型,及它的三步估计法和迭代加权最小二乘法估计模型的参数和非参数函数,提出的方法能被简单有效地应用到线性和非线性分位数回归光滑变量的高维情况。同时,本文也提出模型的惩罚参数、核参数的选择方法——交叉验证方法。

用于回归估计的最小二乘广义支持向量机

提出了一种用于回归估计的最小二乘广义支持向量机.这种最小二乘广义支持向量机的核函数同标准的支持向量机相比没有或者只有很少的限制.将这种用于回归估计的最小二乘广义支持向量机表示成标准的二次规划(QP)问题,采用基于矩阵分裂的超松弛法同投影梯度法相结合的算法来解这一QP问题.根据超松弛法的特点,这一算法可以处理大量数据的情形.

基于BA-VMD-LSSVM的超短期电力负荷预测

超短期电力负荷具有随机性强、波动性大等特点,使得对其进行高精度的预测比较困难。文中提出基于全局参数优化的超短期负荷预测模型。在训练阶段,建立平均绝对百分比误差(MAPE)作为蝙蝠算法(BA)的目标函数,以优化变分模态分解(VMD)、最小二乘支持向量机(LSSVM)及输入数据点数。在测试阶段,应用设置最优参数的VMD分解负荷数据,并使用LSSVM处理各分量,以完成对电力负荷的高精度预测。数据分析结果表明,使用BA对VMD、LSSVM和输入数据点数进行全局优化能够有效地提高超短期电力负荷的预测精度。