连续超松弛支持向量机回归算法应用研究

支持向量回归问题的研究,对函数拟合(回归逼近)具有重要的理论和应用意义。借鉴分类问题的有效算法,将其推广到回归问题中来,针对用于分类问题的SOR支持向量机有效算法,提出了SORR支持向量回归算法。在若干不同维数的数据集上,对SORR算法、ASVR算法和LibSVM算法进行数值试验,并进行比较分析。数值实验结果表明,SORR算法是有效的,与当前流行的支持向量机回归算法相比,在回归精度和学习速度上都有一定的优势。

基于自回归模型和超球面支持向量机的局部放电模式识别

为了提高变压器局部放电信号分类的准确率,提出了基于自回归模型和超球面支持向量机的模式识别算法。该方法对不同放电类型的信号建立自回归模型,将得到的模型系数作为局部放电信号的特征矩阵,输入到超球面支持向量机中对局部放电信号进行分类。由于超球面支持向量机中的惩罚因子和核函数参数对分类的准确率起着重要的作用,因此采用粒子群算法寻找最优的惩罚因子和核函数参数的组合。实验结果表明,基于自回归模型的参数特征,采用优化后的超球面支持向量机对局部放电信号进行分类,其分类准确率比未经优化超球面支持向量机的分类准确率提高了13.33%,比BP神经网络的识别率提高了20%,为局部放电信号的模式识别提供了一种新思路。

基于高光谱和连续投影算法的猕猴桃叶片氮平衡指数的估测

通过研究猕猴桃叶片氮平衡指数(Nitrogen balance index,NBI)与高光谱反射率之间的关系,建立合适的遥感估算模型,以期为指导陕西咸阳地区猕猴桃生长监测及田间精准施氮奠定理论基础。以陕西省咸阳市杨凌区的徐香猕猴桃为主要研究对象,测定其高光谱反射率、叶片氮平衡指数,通过一阶导数、二阶导数、连续统去除和标准正态分布光谱变换,分析包含原始光谱在内的5种不同光谱与叶片氮平衡指数之间的关系;进一步通过连续投影算法,剔除冗余信息,筛选出特征波长,并基于不同光谱的特征波长,使用单因素回归模型、随机森林回归(Random forest regression,RF)模型、支持向量机回归(Support vector regression,SVR)模型和偏最小二乘回归(Partial least square regression,PLSR)模型进行建模,比较模型精度。结果表明,当NBI值不同时,猕猴桃叶片相关指标的变化趋势类似:可见光波段的反射率随NBI值的增加呈现下降的趋势,而近红外波段反射率的变化趋势则与之相反,表现出随NBI值的增加而上升的趋势;部分光谱变换可以增加通过0.01水平显著性检验的波段数,提升与NBI值的相关性,其中连续统去除光谱的敏感波段数增加得最多,增加了190个,一阶导数光谱相关系数的绝对值最大值为0.77;连续投影算法可最大限度地减少数据的冗余,最高降维比达99%,在大幅提高计算效率的同时提高了模型的精度;与单因素回归模型相比,多因素机器学习模型对猕猴桃氮平衡指数的估算能力较高,其中SNV-SVR的表现最好,决定系数(R 2)为0.82,相对百分比差异(RPD)为2.34。在今后对猕猴桃氮平衡指数的估测中,可优先考虑本研究模型。

一种新的快速支持向量回归算法

在大规模训练样本时,若采用传统的支持向量回归算法来解决二次规划问题,存在收敛速度慢、泛化能力差等缺陷,进而限制了其使用范围。针对上述缺陷,本文提出了一种新的快速支持向量回归算法,其基本思想是利用连续过松弛方法来处理大规模样本下的二次规划问题。同时为了求解方便,保证算法的稳定性,本文对优化目标进行改进,将原始的优化问题转化为严格的凸二次规划问题。利用两组标准数据进行验证,结果表明:本文方法较传统的支持向量回归算法具有更快的训练速度、更高的精度和稳定性。

基于优化支持向量机的刚构桥主梁挠度预测研究

针对大跨度连续刚构桥在重载交通下的竖向挠度预测问题,提出了一种基于改进粒子群算法优化支持向量回归的连续刚构桥主梁挠度预测模型。首先将结构荷载效应与挠度响应作为样本数据集输入支持向量回归算法模型进行学习拟合,其次采用非线性惯性权重的粒子群算法对支持向量回归的超参数进行寻优求解,以某大跨度连续刚构桥在大件运输荷载下的主梁挠度响应为算例,验证了该模型的有效性。研究结果表明:非线性粒子群算法对支持向量回归超参数寻优问题的收敛速度及精度均高于标准粒子群算法;基于非线性粒子群算法改进的支持向量回归模型可以准确预测主梁在大件运输荷载下的挠度响应,各关键控制截面的最大相对误差仅为4.39%,平均相对误差仅为2.70%。

基于遗传算法和支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。

超参自适应支持向量回归及在滚齿工艺参数预测上的应用

针对预测问题中,特别是在大数据预测问题中的支持向量回归(SVR)超参数自适应调整问题,提出一种基于K-means聚类和混沌哈里斯鹰算法的超参数自适应支持向量回归方法。在超参数数值范围内,随机生成SVR超参数集群。使用K-means聚类获取训练集聚类中心,根据聚类中心和SVR超参数集群获得验证集的预测结果。以均方误差为目标,使用混沌哈里斯鹰算法不断更新超参数集群,找出最佳超参数,并对测试集进行预测,获得最终的均方误差,以测试方法的泛化能力。与其他知名方法进行对比,基于5组数据集,对预测的准确性、稳定性和时间复杂度进行了评估,本方法以0.226的整体性能评分排名第一。最后将本文方法应用到滚齿工艺参数预测领域,与其他方法的应用效果进行比较,验证了本方法的可行性和有效性。

基于近红外光谱和支持向量机回归参数调优的羊肉含水量检测

羊肉中的水分含量直接影响着其加工、贮藏和口感,因此对其水分含量的检测具有十分重要的意义。在900~1700 nm的波长范围内采集南疆羊肉的光谱数据,采用一阶导数(first derivative,1-DER)、标准正态变换(standard normal transformation,SNV)、多元散射校正(multivariate scatter correction,MSC)、小波变换(wave transformation,WT)、SG平滑变换(Savitzky Golag smooth transformation,SG)、傅里叶变换(Fourier transform,FT)对原始光谱数据进行预处理。分别采用连续投影算法(successive projection algorithm,SPA)和竞争自适应重加权算法(competitive adaptive reweighted sampling,CARS)进行光谱特征选取,建立偏最小二乘回归(partial least squares regression,PLS)和支持向量机回归(support vector regression,SVR)模型对羊肉水分含量进行预测。结果显示,采用1-DER-CARS-SVR模型,选取参数c为0.7011,g为0.0884时,预测效果最佳,测试集的均方误差为1.2162,拟合优度为0.7395。研究结果为研发羊肉水分含量的无损检测装置提供理论参考。

BFRP筋与超高性能纤维混凝土黏结性能试验研究

为探究玄武岩纤维增强复合材料(BFRP)筋与超高性能纤维混凝土(UHPFRC)之间的黏结性能,通过中心拉拔试验,对BFRP-UHPFRC试件破坏模式、黏结-滑移曲线进行分析,且探讨了筋材直径、单一纤维及钢-PVA混杂纤维对黏结强度的影响。结果表明,试件破坏模式包括BFRP筋拔出破坏与拉断破坏。BFRP筋直径的增大将导致黏结强度降低。随着单一纤维掺量增加,黏结强度呈先增大后减小的趋势。而相较于单一纤维,钢-PVA混杂纤维显著提高了试件的黏结强度,当掺入1%钢纤维和0.5%PVA纤维时,黏结强度最高(25.35 MPa)。此外,通过灰狼算法优化的支持向量回归模型实现对黏结强度的预测,预测值与实际值拟合较好。

基于改进的支持向量机的手写体汉字识别

逐次超松弛迭代法算法是一种具体的SVM算法,在SOR算法中松弛因子采取固定数值时,在许多情况下收敛速度较慢。文中提出通过引入具有"先验知识"的神经网络,对逐次超松弛迭代法中的松弛因子进行控制,以提高逐次超松弛迭代法的收敛速度。实验结果表明,该模型实现的逐次超松弛迭代法能够提高其收敛速度。在手写体汉字的识别实验中,该改进算法可以减少支持向量机的训练时间。

考虑主环境因素的GWO-SVR风电功率超短期预测

随着我国风电产业的高速发展,风电功率预测的作用也愈显突出。提高风电功率超短期预测的稳定度、速度和精度,是更加合理地利用风电的关键技术之一。在深入分析影响风机出力主要环境因素的基础上,对真实风电场的环境监测历史数据进行了降维处理,以风速、风向、温度及湿度四个主环境因素作为GWO-SVR预测模型的训练和测试集,进行预测分析。不同预测模型的对比表明,降维处理可有效降低模型的复杂程度,降低无用数据对预测结果的影响,预测结果的稳定性、速度及精度均有提高。

基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。

基于改进SVR算法的灌浆功率阈值预测方法研究

灌浆过程中将灌浆功率控制于阈值范围之内,有利于保证灌浆安全和质量.目前施工现场多根据有限个原位点的灌浆生产性试验,结合专家经验确定灌浆功率阈值.为实现灌浆功率阈值的科学预测,本研究在三维精细裂隙网络模拟和支持向量回归(SVR)算法两方面提出了改进技术.前者采用改进的拉丁超立方抽样(ILHS)方法模拟出与实际分布拟合度更高的裂隙参数,从而可构建与岩体实际地质情况一致性更高的三维精细裂隙网络模型,基于建立的裂隙模型和灌浆实时监控与分析系统采集地质参数和施工参数来构建灌浆功率阈值预测模型的输入参数集,具体包括:裂隙数量、裂隙平均迹长、裂隙平均倾向、裂隙平均倾角、灌前透水率、孔序、孔深和设计压力.后者采用改进蝗虫优化算法(IGOA)对SVR算法进行改进,实现对惩罚因子C、核参数g以及不敏感损失系数ε的优化计算,其中IGOA中通过引入混沌理论、动态权重和Lévy飞行以弥补算法易陷入局部最优的不足,提高算法的搜索能力.基于IGOA-SVR算法构建了灌浆功率阈值预测模型,可实现各灌浆孔孔段的灌浆功率阈值高精度预测.将所提出的算法和预测模型应用于西南某水电站灌浆工程灌浆功率阈值的预测分析,通过与4种常用的预测模型进行对比,表明其比现有常用模型具有更高的精度.

支持向量回归超参数的混沌文化优化选择方法

支持向量回归超参数的选择会影响模型性能,常用的梯度下降选择方法要求核函数或估计函数近似可微,且对迭代初值具有较强依赖性.对此,给出一种两阶段参数优化选择方法.第1阶段根据问题实际需求,确定超参数的变化区域;第2阶段在确定的参数变化范围内,采用自适应混沌文化算法,寻找具有最优性能的超参数组合.面向Mackey-Glass时间序列预测的仿真结果表明,该参数选择方法对函数结构不具有依赖性,所得超参数对应的SVR模型具有较好的泛化性能.

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.

基于改进PSO算法优化LS-SVR的话务量预测

为了更准确的预测话务量,提出了一种以粒子群优化算法为基础的,通过多样性度量指标控制种群特征的改进粒子群优化算法(MPSO),用于最小二乘支持向量回归机(LS-SVR)超参数的寻优,分析影响话务量的相关因素,选取合适的样本,利用优化后的LS-SVR模型对移动话务量进行预测。与标准LS-SVR预测算法和PSO优化后的LS-SVM算法进行比较,实验结果表明,本文的预测方法具有更好的收敛性和更高的预测精度。

基于WOA和DPR的高光谱遥感影像分类算法

为保留原始波段特征的同时选择最有效的特征子集以得到理想的分类效果,提出一种鲸鱼优化算法和不连续保持松弛策略的组合优化算法.该算法首先以最大熵为适应度函数,对经过波段子空间划分的高光谱遥感影像使用鲸鱼优化算法进行最优波段子集的选择,将最优子集采用不连续保持松弛策略进行平滑.为验证该组合优化方法的有效性,使用高光谱遥感分类中经典的Indian Pines数据集和Pavia U数据集,进行分类精度评价.实验结果表明组合优化算法与其他传统分类方法相比具有更高的分类精度.

基于CEEMD和GWO的超短期风速预测

风电场风速预测对电力系统的合理调度、安全运行等方面有重大的影响。针对风速时间序列的非线性特征造成其预测精度不佳的问题,采用基于互补型集成经验模态分解和灰狼优化算法优化支持向量回归机的超短期风速组合预测模型来解决。首先利用该模型对非平稳的风速时间序列进行CEEMD分解,分解为一系列的相对平稳分量。然后对各个分量利用灰狼算法优化SVR进行预测。最后,将每一个分量的预测结果集成输出作为最终的风速预测结果。结果表明,该预测模型比其他智能算法基准模型预测精度高,且在风速预测中具有优越性。

基于CEEMD-SBO-LSSVR的超短期风电功率组合预测

为提高风电功率预测的精度,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、缎蓝园丁鸟优化算法(satinbower birdoptimizationalgorithm,SBO)及最小二乘支持向量回归(least squares support vector regression,LSSVR)模型的超短期风电功率组合预测方法。针对风电序列的随机波动性,采用CEEMD对风电功率序列进行分解,将分解得到的不同特征尺度的各分量作为LSSVR模型的训练输入量。引入SBO算法对LSSVR的正则化参数与核函数宽度进行优化,建立各分量的预测模型,将各分量的预测输出值叠加得到最终的风电功率预测值。所提CEEMD-SBO-LSSVR组合预测方法不仅有效降低了预测的复杂度,而且保证原始风电序列经模态分解处理后具有小的重构误差。仿真结果表明,与其他预测模型相比,所提方法具有较高的超短期风电功率预测精度。

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.