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。

基于耦合模拟退火S3VM的信用预测

在标记数据不足的情况下,半监督支持向量机(S3VM)可以有效利用标记数据和未标记数据提高模型性能。针对传统模拟退火S3VM方法在低温时容易陷入局部最优的问题,提出将耦合模拟退火用于半监督支持向量机的超参数选取,即CSAS3VM方法,并应用到信用预测中。在爬取的企业信用和UCI的个人信用两种数据集上与7种已有的方法进行对比实验,精度和F-1值两项指标的实验结果表明,提出的CSAS3VM方法明显优于模拟退火半监督支持向量机和其它传统方法,并且在5组包含均衡和不均衡的数据集上表现稳定。

基于耦合模拟退火和最小二乘支持向量机的电力系统暂态稳定评估

针对现有支持向量机(SVM)在评估精度上的不足,提出一种基于耦合模拟退火和最小二乘支持向量机(LSSVM)的电力系统暂态稳定评估方法,将SVM中的约束转化为等式约束,经验损失用损失函数表征,实现二次规划与线性方程问题的转化。采用系统指标造原始特征集,通过最大相关最小冗余特征选择方法进行特征压缩,确定强相关特征集,将特征子集映射到高维空间,使非线性与线性分类问题的转化;然后,用耦合模拟退火法确定LSSVM的最优参数提高计算精度,并进行暂态稳定判别。最后,采用新英格兰10机39节点系统和某实际电网系统验证所提方法的有效性和准确性。

基于单片机的粮食霉变监测系统设计

针对粮食长期存储过程中因潮湿等因素易出现霉变,进而导致产生大量的二氧化碳、甲醛等气体,提出一种基于单片机的粮食霉变监测系统。首先,采用MQ-137传感器、温湿度传感器等实时采集粮食存储区域内的二氧化碳和甲醛等气体浓度;然后将采集到的信息传输给AT89C51单片机处理,最后上传至后台服务器;后台服务器结合采集到的数据,通过耦合模拟退火(CSA)的最小二乘支持向量机(LS-SVM)对霉变监测数据进行实时评估,并设定评估报警的阈值。结果表明,CSA LS-SVM预测模型可快速实现粮食霉变检测,且相较于IPSO-BP和GA-PSO-BP模型,具有较高的预测精度;该方法的预测时间开销仅需8.39 s,比另外两种方法短。由此说明,CAS LS-SVM方法可提升对存储环境中的霉变大米进行有效监测,从而降低因存储因素等带来的可能损失。

基于CSA-SIM-LSSVM的不同时间尺度参考作物蒸散发估算研究

参考作物蒸散发(ET_0)是估算作物需水量的基础指标,对区域农田用水灌溉、管理和调配具有重要指导意义。针对ET_0估算模拟精度不高的问题,基于最小二乘支持向量机(LSSVM)模型,利用由耦合模拟退火算法与单纯形法组合得到的CSA-SIM算法,进行模型参数的自适应调节,以此提出CSA-SIM-LSSVM模拟模型。以华北平原边界上4个典型站点1970年1月至2019年11月的每日气象资料为基础,以Penman-Monteith公式计算所得ET_0为标准,结合必要的影响因子筛选和时间序列降噪等技术和农时知识,提出模型进行日尺度和月尺度的ET_0估算模拟。结果表明:在控制变量的基础上,所提出的CSA-SIM-LSSVM模型整体表现最好,4个站点平均的日ET_0模拟的RMSE为0.045mm/d,月ET_0模拟对于双峰段预测较好。相较而言,CSA-SIM-LSSVM模型可作为一种较为可信的ET_0估算途径。