萤火虫算法优化支持向量机室内定位研究

针对室内定位指纹库匹配冗余信息多造成定位浮动大,且数据库中样本数过多定位时效性差等问题,提出一种基于萤火虫算法FA优化支持向量机SVM的室内定位算法FA-SVM。利用奇异谱分析SSA预处理数据去除噪声,通过萤火虫算法优化支持向量机参数,建立室内定位回归模型。实验结果表明,相对于目前其它室内定位算法,FA-SVM算法收敛速度快,提高了室内定位精度和稳定性。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

基于支持向量机与蛇优化算法的氧化锆陶瓷磨削工艺参数优化

为探究磨削工艺参数对氧化锆陶瓷的磨削温度和法向磨削力的影响,通过单因素实验和支持向量机方法建立磨削温度、法向磨削力的一元模型,模型决定系数均大于0.93。基于一元模型对多元模型进行假设,由正交实验结果和蛇优化算法求解得到多元模型,并对模型进行验证。以温度、法向磨削力的多元数值模型作为目标函数,对温度和法向磨削力进行优化;基于蛇优化算法对工艺参数进行双目标优化,获得磨削工艺参数的最优解,验证实验结果表明,模型具有较高的精度,得到的最优工艺参数合理。

基于参数优化多核支持向量机的光伏功率预测算法

准确的光伏功率预测对电力系统的稳定运行具有重大意义。针对现有预测算法在处理多维输入天气变量时存在的运算时间过长和特征提取能力较差的问题,提出一种基于参数优化的多核函数支持向量机的预测算法。首先,该新型算法对数据进行预处理,灰色关联度提取与预测日相似度高的历史日以提升预测精度,主成分分析(PCA)对输入数据进行降维,从而提高光伏功率预测的速度。其次,针对单核支持向量机对多维数据特征提取能力相对较差的问题,基于线性核函数和径向基核函数建立多核支持向量机预测模型,根据每个核函数支持向量机的预测误差计算不同的权重,从而增强对输入数据特征提取能力并提高预测精度。采用灰狼优化(GWO)算法确定不同核函数支持向量机的参数以提高预测精度。最后,通过北京某光伏电站的历史数据集验证了该算法的预测效果。实例分析表明,与传统预测算法相比,预测精度和速度都有显著提高。

基于遗传算法优化最小二乘支持向量机的矿工疲劳程度识别模型

为精准识别矿工疲劳程度,减少因疲劳引发的煤矿人因事故,提出了一种基于遗传算法(GA)优化最小二乘支持向量机(LSSVM)的矿工疲劳程度识别模型。首先,通过疲劳诱发试验采集矿工心电数据,利用Friedman检验优选矿工疲劳程度的特征指标;然后,采用主成分分析法对选取的特征指标进行降维处理,建立表征矿工疲劳程度的特征集;在此基础上,利用遗传算法优化最小二乘支持向量机的关键参数,构建矿工疲劳程度识别模型。结果表明:选取的矿工疲劳程度特征指标能够有效反映矿工的疲劳程度;相较GA-SVM和LSSVM模型,融合GA-LSSVM模型可显著提高矿工疲劳程度的识别准确率(平均识别准确率为96.87%)。构建的矿工疲劳程度识别模型可较为高效地识别矿工的疲劳程度,对煤矿人因事故的防控具有一定的现实指导意义。

粒子群算法优化支持向量回归的民机客舱座椅舒适度评价预测

为建立民机客舱座椅舒适度主客观评价之间复杂非线性的评价预测模型,同时提高模型的预测精度,本文将支持向量回归(Support vector regression,SVR)中的惩罚参数C、通道控制参数ε以及核函数参数σ作为优化目标,利用粒子群算法(Particle swarm optimization,PSO)寻找全局最优参数,建立PSO-SVR人-民机客舱座椅舒适度评价预测模型,并对预测结果进行对比分析。分析结果表明:与BP神经网络(Back propagation,BP)模型相比,支持向量回归模型具有良好的鲁棒性;与SVR模型相比,PSO-SVR模型预测精度更高,误差波动小,预测结果均方误差(MSE)降低了85.95%,决定系数(R2)提高了15.42%。因此粒子群算法可以有效提高支持向量回归模型的预测精度和泛化能力。

基于灰狼算法优化支持向量机的变压器故障预测

为提升变压器故障预测的准确性,提出了一种基于灰狼(Grey Wolf Optimization,GWO)算法优化支持向量机(Support Vector Machine,SVM)的变压器故障预测方法。采用GWO算法对SVM进行优化,建立了基于GWO-SVM变压器油中溶解特征气体预测模型,根据油中溶解特征气体随时间变化的特点,通过求取嵌入维数确定模型输入量。文章采用实际运行变压器的油中溶解气体分析(Dissolved Gas Analysis,DGA)数据进行仿真分析,并与其他预测方法对比,结果表明,GWO-SVM模型对H 2预测平均相对误差和均方根误差分别为4.38%和9.48μL/L,预测精度高于其他方法。在变压器油中溶解特征气体含量预测的基础上,利用IEC三比值法进行变压器故障诊断,诊断结果与变压器实际故障一致,验证了变压器故障预测方法的实用性和有效性。

改进鲸鱼算法优化支持向量机实现乳腺癌预测

为了更好地通过人体肥胖的相关指数预测乳腺癌的存在,以抵抗素、葡萄糖、年龄和身体质量指数作为数据特征构造预测模型,通过研究支持向量机(SVM)的参数对模型的性能影响,提出一种基于自适应机制策略改进的鲸鱼算法,即参数自适应鲸鱼优化算法(PAWOA)用来寻找最优参数。采用Tent映射对种群位置初始化,引入自适应参数p^(*)代替随机阈值加速收敛速度,针对给定的目标函数对每个搜索个体进行求解,计算适应度后找到全局最优解,增强种群的全局寻优性能。实验结果表明,优化后的模型精确度提升12.44%,召回率提升13.57%,F_(1)评分提升13.14%。可见,该预测模型拥有更好的效果可以用于辅助判断乳腺癌。

樽海鞘算法优化支持向量机的RC柱抗侧移承载力预测

现有钢筋混凝土(RC)柱抗侧移承载力预测模型缺乏泛化性能,延性柱抗弯承载力的预测模型不能用于非延性柱的抗剪承载力,反之亦然。机器学习(ML)方法能够解决这一问题,但由于无法自动剔除冗余和不相关特征,使得ML模型复杂度高且容易过拟合。为此,提出一种樽海鞘算法优化支持向量机(SSALS-SVM)方法,基于给定的数据集,SSALS-SVM能利用樽海鞘优化算法(SSA)自动剔除冗余和不相关的特征,筛选最具代表性且各特征之间相关性弱的特征子集形成最优特征组合,同时对控制模型非线性拟合能力的超参数进行优化。优化后的模型既能识别出影响延性和非延性RC柱抗侧移承载力的设计变量,又能反映最优特征组合与抗侧移承载力间的非线性映射关系。为了验证SSALS-SVM方法的泛化性能,基于248个RC柱抗侧移承载力试验数据,分别与现有的RC柱抗侧移承载力预测模型进行对比,结果表明,SSALS-SVM比现有预测模型的泛化性能最高提升了83%。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

基于改进灰狼算法优化支持向量机的边坡位移预测

为了提高边坡位移预测精度,采用帐篷映射和位置收敛参数变化方式调整两种对改进了灰狼算法,得到改进灰狼算法。采用改进灰狼算法对支持向量机进行优化,建立基于改进灰狼算法优化支持向量机的边坡位移预测模型,采用实际水利工程边坡位移数据进行仿真分析,IGWO-SVM模型的平均相对百分误差和均方根误差分别为2.41%和0.21,预测效果优于PSO-BP模型,验证了该模型在边坡位移预测方面的实用性和优越性。

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于改进人工蜂群算法优化支持向量机的设备故障诊断方法

为了对煤矿井下带式输送机的核心部件滚动轴承的运行状态进行精确诊断,针对故障分类方法中支持向量机存在的惩罚因子确定困难的问题,引入交叉操作和全局最优解结合的改进人工蜂群算法,构建了故障诊断模型,通过仿真分析对比了改进模型与传统模型之间的差异性,仿真结果表明,改进的诊断模型能够快速精准地识别设备故障的类型,缩短了设备故障的诊断时间,提高了井下设备故障诊断的工作效率。

基于改进乌鸦搜索算法优化支持向量机的变压器故障检测方法

变压器是变电站的关键设备,也是变电站运维的重要方向之一。因此,提出了一种基于改进乌鸦搜索算法优化支持向量机(support vector machine,SVM)的变压器故障检测方法。针对传统支持向量机在变压器故障检测中参数选择困难的问题,利用改进的乌鸦搜索算法对SVM的核函数参数和惩罚因子进行优化,提高了故障检测的准确率。实验结果表明,该方法对变压器故障诊断的准确率达到85.11%,高于传统SVM方法。

基于樽海鞘算法优化支持向量机的连续梁桥损伤识别

为了能够更加准确、高效地判断桥梁结构损伤位置和程度,本文提出了基于樽海鞘群优化支持向量机(SSA-SVM)方法进行连续梁桥损伤识别的方法。该方法以敏感性较高的曲率模态差作为损伤识别指标,利用樽海鞘群(SSA)算法寻找支持向量机(SVM)最优参数,建立SVM预测模型,通过建立一座三跨连续梁桥有限元模型,以桥梁易损区域作为损伤识别对象进行数值模拟。结果表明:以曲率模态差作为损伤识别指标,能够有效地识别并定位单点或多点的损伤状况,同时准确评估损伤的严重程度。与传统SVM模型比较,SSA-SVM模型实现了参数的自动优化,同时也拥有了更为精准的预测能力。

基于樽海鞘群算法优化支持向量机的电缆故障诊断

为了提高高压电缆故障诊断精度,提出了一种基于樽海鞘群算法优化SVM的电缆故障诊断方法。利用余弦相似度对电缆故障时序特征进行分析,采用樽海鞘群算法对支持向量机进行优化,建立基于樽海鞘群算法优化SVM的电缆故障诊断模型,采用配电网电缆故障录波数据进行仿真分析,并同其他电缆故障模型对比,结果表明,SSA-SVM的诊断精度为97.5%,诊断精度高于其他模型,验证了本文所提电缆故障诊断方法的实用性和有效性。

基于支持向量机和蚁群算法的热电联产电力接线网络优化方法

为更好地满足不同用户的能源需求,创造更多经济效益,提出一种基于支持向量机和蚁群算法的热电联产电力接线网络优化方法。计算电力产热产电比,以燃料成本、网络损耗最小化为目标,创建热电联产电力接线网络模型;考虑日分类、星期分类、天气分类等元素,使用近大远小原理选择电力数据样本,采用支持向量机预测热电联产电力负荷;运用蚁群算法寻找电力接线网络最优配置方案,利用轮盘赌机制挑选最优路径,引入物元分析中的距离和关联函数概念,设支路中的关联函数值大于0为较优支路,完成热电联产电力接线网络优化计算。实验结果证明,所提方法在多个测试案例中均取得良好的优化效果,实现了能源高效利用,具有重要的实际应用价值。