构建支持向量机-偏最小二乘法为药物构效关系建模

为研究药物构效关系积累样本数据的过程中,需为小样本建模。此时较易造成过拟合,影响模型的预测性能和稳定性。为此可用偏最小二乘(PLS)法从样本数据中成对地提取最优成分,消除自变量间的复共线性,并有效的降维,然后应用最小二乘支持向量机对成对成分进行非线性回归,并以基于误差修正的策略调整,使之更有效地表达自、因变量间的非线性关系。由此构建为EB-LSSVM-PLS算法,所建模型的预报精度高,稳定性良好。将其应用于新型黄烷酮类衍生物的QSAR建模,效果令人满意,其泛化性能优于其它方法。

粒子群最小二乘支持向量机结合偏最小二乘法用于芝麻油质量的鉴别

结合粒子群最小二乘支持向量机(PSO-LSSVM)与偏最小二乘法(PLS)提出一种基于气相色谱技术的新方法,对芝麻油进行真伪鉴别,并对掺伪品中掺假比例进行定量分析。采用主成分分析法(PCA)对857个样本的脂肪酸色谱数据进行分析,优选主成分作为最小二乘支持向量机(LSSVM)的输入向量。利用粒子群算法(PSO)优化LSSVM,构建芝麻油掺伪鉴别的两级分类模型,同时运用PLS建立掺伪芝麻油中掺伪油脂的定量校正模型,两级分类模型的准确率分别达到了100%和98.7%,定量分析模型的平均预测标准偏差(RMSEP)为3.91%。结果表明,本方法的鉴别准确性和模型泛化能力均优于经典的BP神经网络和支持向量机(SVM),可用于食用油脂加工和流通环节的质量控制,为食用油质量的准确鉴定提供了一条有效途径。

基于Holt-Winters与最小二乘支持向量机的混合预测模型

为了提高地下水埋深时间序列的预测精度,本文应用Holt-Winters三参数指数平滑法作为预测模型,使用最小二乘支持向量机对残差序列进行预测。由于核参数和惩罚因子在很大程度上直接影响了最小二乘支持向量机的预测性能,本文选用果蝇优化算法对其参数进行优化选取,该方法不仅能够建立最优的混合预测模型,而且能够很好地捕获地下水埋深序列的非线性特征。选用甘肃民勤县大坝乡城西八社地下水监测站点的数据来验证所建模型的预测性能,实验结果表明与传统的单一预测方法相比,本文所建混合预测模型提高了预测精度。

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机的发酵过程混合建模

提出了一种综合先验知识与最小二乘支持向量机的发酵过程建模方法,并且采用遗传算法进行最小二乘支持向量机的参数优化选取。该模型应用到一个具体发酵过程状态变量的预估中,仿真结果表明基于最小二乘支持向量机的混合模型具有很高的精度与范化能力,同时也表明了最小二乘支持向量机是软测量建模的一种有效方法。

基于粒子群优化的最小二乘支持向量机在混合气体定量分析中的应用

针对混合气体建模过程中最小二乘支持向量机参数难以确定及红外光谱数据计算量过大的问题,提出一种粒子群优化的最小二乘支持向量机方法,用于建立基于主成分分析特征提取的红外光谱多组分气体定量分析模型。首先对主吸收峰区域的550个红外光谱数据利用主成分分析技术进行了特征提取,将降维得到的7个特征值作为模型的输入变量从而有效地降低了计算量。混合气体主要由浓度范围分别是0.1%~1%的甲烷、乙烷及0.1%~1.5%的丙烷三种组分气体组成。采用最小二乘支持向量机技术分别建立了各组分气体的定量分析模型,利用粒子群优化算法对最小二乘支持向量机算法中的参数进行了优化选取,取代了传统的遍历优化方法,然后利用取得的最优参数重建定量分析模型。实验结果表明,采用此方法离线建模所用时间比采用遍历优化方法节省40倍以上,预测结果误差水平相当,满足实测要求。粒子群优化算法在全局优化及收敛速度方面具有较大优势。粒子群优化算法与最小二乘支持向量机技术相结合用于混合气体定量分析是切实可行的,具有一定的实际意义和应用价值。

模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机。传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能。同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题。利用sinc函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究。仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点。

基于聚类分析与偏最小二乘法的支持向量机PM_(2.5)预测

考虑样本和输入变量的选取对预测模型精度的影响,文章提出一种基于K-means聚类与偏最小二乘法的支持向量机PM_(2.5)浓度预测方法。首先采用K-means算法对气象属性进行聚类,间接把PM_(2.5)序列分成了相似度较高的若干类,并分别作为预测建模用的训练样本;然后采用偏最小二乘法从影响PM_(2.5)浓度的多种因素中提取主成分,作为各类模型的优化输入;最后根据预测日的气象属性选出合适类别,运用优化后的训练样本和输入变量建立PM_(2.5)浓度预测模型。以北京市某监测点的实际数据为例,运用改进模型和传统模型分别进行实验。结果表明:改进的支持向量机相比传统支持向量机在预测精度上有明显的提高,精度评价指标MAE、MAPE和RMSE分别下降38.10%、50.59%、37.15%。研究实证,引入K-means聚类与偏最小二乘法的手段来提高传统支持向量机在PM_(2.5)浓度预测中的精度具有可行性。

结合偏最小二乘法和支持向量机的遥感影像变化检测

针对多光谱遥感影像通道之间相关性影响难以消除及变化检测的阈值难以确定的问题,提出了一种结合偏最小二乘法(PLS)和支持向量机(SVM)的遥感影像变化检测方法。将两个时相的多通道遥感影像视为两组多元随机变量,引入多元统计数据分析方法中的PLS理论,进行成分提取并构造差异影像;再通过SVM将差异影像分为变化与不变化两类别;最后利用形态学算子对分类结果作处理。选取Landsat8多光谱遥感影像进行试验,结果表明该方法可以很好地实现多光谱影像的变化检测,对地理国情数据监测具有重要意义。

基于机理知识与最小二乘支持向量机的诺西肽发酵过程混合建模方法

提出了一种综合先验机理知识与最小二乘支持向量机的发酵过程混合建模方法。机理知识由两部分组成,一部分是表示发酵过程的质量平衡方程;另一部分是简单的过程参数估计模型。采用最小二乘支持向量机模型对这种简单估计模型进行校正,弥补它的不精确性。这种混合模型被应用到诺西肽发酵过程中进行生物量浓度、基质浓度与产物浓度的估计中,结果表明加入先验机理知识的混合模型增加了单纯的支持向量机模型的泛化能力。

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.

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。

用最小二乘支持向量机的可见-近红外光谱测定蜂花粉贮存时间

为了探索一种快速有效的蜂花粉新鲜程度检测方法,利用可见-近红外光谱技术结合最小二乘支持向量机(LS-SVM)对蜂花粉的贮存时间进行了检测.选择常温环境中贮存时间为4～50天(共计47天)的茶花蜂花粉作为研究对象,将全光谱数据作为输入变量建立了LS-SVM模型.结果显示,该LS-SVM模型预测效果较好,预测相关系数rp达到了0.996,预测标准误差(SEP)和预测均方根误差(RMSEP)的值分别为1.310和1.308,优于偏最小二乘法(PLS)和主成分回归(PCR)的预测结果,说明基于LS-SVM的可见-近红外光谱技术能够很好地对花粉贮存时间进行检测.同时对不同贮存时间段花粉的预测效果进行了比较,发现该LS-SVM模型适用于对第11～50天范围的贮存时间进行检测.

基于最小二乘支持向量机的混合动力挖掘机负载功率预测

为实现液压挖掘机并联式混合动力总成与负载功率的精确匹配,在对变量泵工作原理分析的基础上,提出基于最小二乘支持向量机(LS-SVM)算法的双联式恒功率变量泵功率预测模型。以液压挖掘机实际挖掘作业时采集的载荷谱作为训练样本,以泵出口压力、负流量控制压力和极限载荷控制压力作为训练模型的输入,以泵的排量作为输出建立模型,从而使模型对于作业环境具有更好的适用性。用网格搜索和交叉验证的方法对LS-SVM的参数进行了优化,研究结果表明该模型具有良好的预测精度和泛化能力。

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.

基于偏最小二乘法的支持向量机短期负荷预测

提出了一种基于偏最小二乘支持向量机的负荷预测模型。首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测。算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法。

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.

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘(PLS)的支持向量机(SVM)多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。

基于混合最小二乘支持向量机网络模型的非线性系统辨识

针对基于输入输出数据的非线性系统辨识问题,提出一种新的混合最小二乘支持向量机(LS-SVMs)网络模型及相应的学习算法.该算法将系统的辨识问题动态自适应的划分为若干子问题,将支持向量机(SVM)用于各子模块辨识;通过分析模型的统计学特性,给出基于整体框架优化的系统参数辨识方法.针对系统中参数相关联的特性,采用期望条件最大化(ECM)算法对其进行条件辨识,同时结合正则化理论和最小二乘法,保证各专家模块的结构风险最小化辨识原则.试验结果表明,该方法兼具良好的辨识精度和泛化性能.

应用最小二乘支持向量机和混合遗传算法的制粉系统优化控制

利用最小二乘支持向量机(LSSVM)对直吹式中速磨制粉系统进行建模,然后采用混合遗传算法(HGA)对模型寻优,以获得不同工况下制粉系统的最佳运行方式。在某电厂200 MW机组上进行了现场试验。结果表明:该方法具有较高的可靠性和实用性,可用以指导运行人员进行制粉系统的优化调整。