基于SVM-LSTM-ATTE组合模型的高校录取分数线预测

高校录取分数线预测受到许多动态因素影响,传统的SVM算法在预测高校录取分数线方面存在难以衡量输入特征序列对目标特征的影响程度,而注意力机制可以动态分配权重给重要特征,且基于注意力机制的长短期记忆网络(LSTM-ATTE),在高校录取分数线方面有显著成效。综合考虑多种因素,利用SVM可以把高维空间中的非线性问题转化为线性问题,以及LSTM-ATTE能解决时间序列数据长期依赖的问题,提出将SVM模型与LSTM-ATTE方法相结合的组合模型,来构建高校录取分数线预测模型,并通过网格搜索寻找组成LSTM-ATTE最优参数组合。实验证明,本文提出的组合模型在误差范围为3分的情况下,相比于其他模型准确率最高提升了13%。

基于电网调度运行的智能防误方法研究

针对电网调度过程中,相关节点数据异常监测和防误不及时的问题,设计一个基于电网调度运行的智能防误系统。系统通过嵌入式技术,将精确字符集(BM)算法融入电网调度数据监测中,通过优化监测数据达到精确数据的目的;对于超过设定值的异常数据,利用支持向量机(SVM)—主成分分析(PCA)算法进行防误校核,实现电网调度智能防误。实验结果表明,该系统能通过故障线路电流出现明显的波动,更准确地诊断出故障元件;电网调度防误准确率稳定在96%左右,最高达97%,且变化趋势不大。

基于支持向量机的区域电网光伏发电量预测研究

光伏发电量预测通常依赖于历史数据,数据的采集和质量存在差异,不同数据源可能存在误差,这会导致预测结果的不准确,因此提出基于支持向量机的区域电网光伏发电量预测研究。首先预处理光伏发电量数据,通过数据链的平滑划分,再对光伏单位进行归一化处理,进而对不符合常规的发电站数据进行检测,填补数据空缺后导入支持向量机的预测模型,最后在模型优化中实现区域电网光伏发电量的预测。实验中实验组的预测精度为92.37%,基于改进萤火虫算法的预测方法的预测精度为85.43%,基于灰色关联与麻雀优化算法的预测方法的预测精度为74.66%。实验结果表示所研究的方法能对光伏发电量进行较精确的预测,可投入使用。

基于SVM的智能电网继电保护方法研究

智能电网的发展对继电保护技术提出新的挑战,要求更高的准确性和响应速度。而传统继电保护方法在处理复杂电网故障时面临限制,迫切需要新的技术解决方案。因此,文章以支持向量机(Support Vector Machine,SVM)为基础,探索一种新的智能电网继电保护方法。研究构建一个新的基于SVM的继电保护故障诊断模型,相比于传统SVM网络模型,该模型能够更准确地识别故障类型。通过进行模拟实验,验证该模型在继电保护中的有效性,旨在进一步提高智能电网在面对复杂故障情况时的响应速度和准确性。

被动声学液体管道微泄漏内检测方法研究

针对液体管道微泄漏(小于1 L/min)难以检测和识别的问题,建立基于被动声学的液体管道微泄漏内检测方法,研究管道微泄漏的声学机理,并搭建实验平台。采用管道内置高灵敏度声学传感器的方式,进行不同泄漏孔径和和泄漏内压下微泄漏声学实验,微泄漏声信号幅值随泄漏孔径和泄漏内压呈正相关变化。利用改进EMD(IEMD)-小波阈值降噪算法对微泄漏声信号进行降噪处理,以减少噪声对真实泄漏信号的影响。提取并定义不同信号处理领域(时域、频域)的特征参数,如均值、标准差、均方根、峰峰值等,以表示微泄漏的复杂性。将特征参数作为下一步管道泄漏识别的数据库,并将数据分为实验组和验证组。采用网格参数寻优支持向量机(SVM)构建自动分类模型对管道微泄漏进行识别,降低人工误判概率。研究结果表明:管道微泄漏识别准确率达到97.87%,可以实现对管道微泄漏的准确识别。研究结果可为声学内检测器的研发提供理论基础。

基于相似日聚类的超短期光伏功率组合预测模型

针对功率预测模型受光伏功率波动性影响导致预测精度低的问题,提出一种基于相似日聚类的光伏功率预测组合模型。首先,采取k-means聚类算法将原始功率数据按不同天气类型划分为晴天、雨天和多云3种相似日样本集,并利用变分模态分解(VMD)对相似日样本进行分解;其次,采用卷积神经网络优化支持向量机(CNN-SVM)和双向长短时记忆(BiLSTM)神经网络2个单模型分别对分解后的功率数据进行预测叠加并将预测结果进行加权组合,利用网格搜索(GS)算法寻找最优组合权重,提升组合预测模型性能;最后,以澳大利亚某光伏电站1年实测数据为例,验证所提出光伏功率预测模型的有效性。实验结果表明:无论何种天气类型,所提出模型均能很好地对光伏功率实现预测,具有较强的适应性。

基于RWT-SVM的台区配电网日前负荷预测研究

日前负荷预测对于制定合理的调度计划,保证电力系统安全可靠具有重要意义.电力负荷时间序列通常存在随机误差,而基于智能算法的预测模型为了充分提取负荷信息,结构复杂、计算量大.为此,本文利用台区配电网的历史电力负荷时间序列,提出一种基于重复小波变换-支持向量机(RWT-SVM)混合模型的日前电力负荷预测方法.该方法利用小波变换技术将台区配电网电力负荷时间序列分解为多个子序列;利用平均绝对误差(MAE)计算每个子序列的预报误差贡献度;对MAE最大的序列进一步分解,从而提升模型的预测能力,得到精度更高的预测结果.仿真结果表明,RWT-SVM混合模型的预测精度高于三种对比方法.

基于随机森林的帕金森疾病诊断模型构建研究

近些年来,根据帕金森疾病(PD)患者的语音数据对该疾病做出诊断成为一种行之有效的疾病诊断方法。首先,针对语音数据集中存在非均衡数据和噪声样本的问题使用SVM SMOTE过采样技术,利用支持向量机分类器寻找支持向量并在此基础上合成新的样本以达到均衡数据集的目的;为了减少数据维度,降低学习难度,运用信息增益特征选择对所有特征属性计算数值并划分数据集以此来获得信息增益,根据信息增益的大小排序选取得到八个特征作为最优特征组合;最后,构建随机森林帕金森疾病诊断模型,并采用网格搜索和交叉验证相结合的方式进行参数调优,进一步优化模型,实现诊断模型准确率的进一步提高。实验结果表明,优化后模型的准确率、灵敏度和特异度均有提升,为别为96.59%、94.81%和95.49%,且准确率均高于支持向量机、最邻近节点算法、朴素贝叶斯和决策树等决策模型。

基于FastICA-SVM的光伏并网逆变器故障诊断

为解决电力电子器件在发生开路故障时,光伏并网发电系统中的逆变器虽能工作,但存在故障隐患的问题,提出一种基于快速独立成分分析(Fast Independent Component Analysis,FastICA)算法和支持向量机(Support Vector Machine,SVM)相结合的故障诊断方法。首先,采用FastICA对三相电流进行独立成分分离,当得到正弦半波和近似正弦波两个独立成分时,判定逆变器发生单管开路故障;其次,求取旋转电流I_(d)时的频域特征值,将其作为SVM模型的输入值;最后,以不同内积核函数构建SVM,将提取的特征值作为SVM的输入值,逆变器工作状态编码作为SVM的预测输出值,以此进行SVM模型训练。实验结果表明:FastICA能够实现逆变器单管开路故障判定;由二次内积核函数构建的SVM模型故障定位准确率最高,可达97%以上,证明了所提方法的有效性。

基于网格搜索和支持向量机的灰熔点预测

为了预测混煤的灰熔点,采用支持向量机建立煤灰软化温度模型,模型将煤的灰成分作为输入量,煤的软化温度作为输出量,利用网格搜索寻优方法对支持向量机(SVM)模型的参数进行了优化,在设定的不同精度下分别获得模型的最优参数,利用优化后的模型对单煤和混煤的灰熔点进行了预测,并将不同精度下的预测结果与实验结果进行对比.煤灰软化温度模型设定精度为0.01时,单煤样本预测相对误差最小,其最大相对误差和平均相对误差分别为3.00%和0.48%;运用此模型对混煤预测的最大相对误差和平均相对误差分别为1.74%和0.62%.预测结果表明,经网格搜索优化后的支持向量机模型对煤灰熔点预测较精确.

基于改进网格搜索法的支持向量机在气体定量分析中的应用

针对气体定量分析中,支持向量机建模的参数难以确定以及现有的方法历时长等问题,提出了一种改进的网格搜索法,用于建立基于红外光谱的CO2气体定量分析模型。通过对汽车尾气中CO2气体的初始数据进行优化,再将优化的核函数代入支持向量机进行浓度的回归分析。对浓度范围在0.025%~20%的20组不同浓度的CO2气体进行定量分析,并与PSO算法作对比。实验表明,采用改进的网格搜索法获得的最佳参数c=0.25,g=2.828 4,PSO获得的最佳参数c=18.302 1,g=0.01,所用时间比PSO算法节省约5倍。预测结果误差在5%以内,符合国家对尾气排放的相关标准。

一种基于网格的最近邻SVM新算法

支持向量机(SVM)算法往往由于分类面过分复杂或过学习而导致其泛化能力降低,现有的最近邻(NN-SVM)或K近邻(K-NN-SVM)方法解决了这类样本问题,但算法时间复杂度高,处理海量样本的能力有限。在NN-SVM算法的基础上引入了网格概念,提出了G-NN-SVM算法,该算法先对空间进行分块,然后在空间块内计算样本距离,找出最近邻,并结合分块序列最小优化算法(SMO)进行了算法实现。实验表明,该方法降低了计算复杂度,它在保持分类精度的同时,提高了训练和分类的速度,并具有较强的泛化能力,从而提高了原NN-SVM算法的海量数据处理能力。

基于网格搜索的支持向量机核函数参数的确定

为提高支持向量机的分类准确率,研究了支持向量机核函数的参数确定问题,得到了1种确定支持向量机核函数的参数的有效途径。利用网格搜索法可使各组核函数参数相互解耦,从而便于并行计算,提高了运行效率。将此方法用于测井岩性分类器的训练得到了较理想的仿真结果。

永磁球形电机的支持向量机模型的参数寻优

提出一种新的永磁球形电机的数学模型建立方法——支持向量机(SVM)模型,分别采用网格参数寻优、遗传算法(GA)参数寻优、粒子群(PSO)寻优算法来计算SVM模型的参数,分析比较三种算法得到的参数,确定最适合永磁球形电机SVM回归模型的参数寻优算法。

基于支持向量机多分类的室内定位系统

为解决室内实时定位中定位精度不高、显示效果来回跳动的问题,提出了一种基于支持向量机(SVM)多分类的室内定位算法。针对传统基于采样点的匹配算法处理非线性问题的不足以及实时定位时信号采集时间较短、变化幅度较大等问题引入网格定位的概念,将定位匹配设计成多分类问题,利用SVM得到目标最有可能所属的K个网格;利用实时定位中前、后两个位置的相关性剔除这K个网格中可能性较小的网格,最终所属网格坐标加权后得到估算位置坐标,并利用卡尔曼滤波算法对估算位置坐标进行滤波处理。实验结果表明,算法的定位精度与传统SVM的精度相比有明显的提高。

局部切空间排列和支持向量机的故障诊断模型

提出了一种非线性流形学习和支持向量机的故障诊断模型。基于机电系统振动信号时域与频域的20个特征参数构建高维特征空间,利用局部切空间排列的非线性流形学习算法提取出隐藏其中的低维流形,网格搜索算法进行维数和邻域点参数的优化,实现高维相空间中局部邻域参数的自适应选取,获得机电系统的故障特征。利用K折交叉验证和一对一法构造支持向量机多类故障分类器,采用径向基核函数支持向量机进行机电系统的故障诊断。应用于转子试验台的3种故障状态的识别并与其他故障诊断方法进行分析比较,结果表明基于局部切空间排列和支持向量机的机电系统故障诊断模型诊断精度可达到96.6667%,可以有效提取故障的敏感特征并解决机电系统故障样本缺乏的问题。

一种基于SVM的改进车牌识别算法

提出了一种基于支持向量机(SVM)的改进车牌识别方法。对细化处理后的字符采用网格、水平投影与垂直投影密度的特征提取方法,保证了字符整体与局部特征,同时也使特征向量集的维数充分低。结合3种特征提取方法得到的特征向量集,采用SVM进行车牌号码识别。对于易混淆字符,提出了根据各自的特征进行2次识别的算法,该算法有效解决了易混淆字符误识别的问题。实验结果表明,该算法鲁棒性好、抗干扰能力强、识别率达到了98.58%。

基于综合自适应滤波器的在线短期负荷预测

准确地实现小时负荷预测是实施优化控制和动态安全分析的前提。采用嵌入维最小二乘支持向量机(ELS-SVM)的方法进行建模和预测,对影响负荷的因素进行模糊化处理。采用了粒子群(PSO)优化算法解决ELS-SVM学习过程中多参数难以调整的问题。提出分段小批量学习和更新的在线学习方法,既降低了运算量又能有效地避免积累误差,从而提高预测精度。实验结果表明,该方法有效地将预测精度从2.1%提高到了1.29%。

基于网格搜索-支持向量机的采场顶板稳定性预测

为准确、快速地预测采场顶板稳定性(SRS),建立基于支持向量机(SVM)理论的SRS评价法。考虑煤-岩石介质与环境条件和工程因素,研究岩石单轴抗压强度、岩石质量指标(RQD)、煤体抗压强度、顶板水文状况和工作面月推进速度对SRS的影响。建立SRS识别的SVM模型。为提高预测模型的泛化能力和预测精度,利用网格搜索法(GSM)及10折交叉确认寻优方法对SVM模型的参数进行优化。用该模型对5组待判工程实例进行判别。研究结果表明,模型训练样本10折交叉确认准确率达91.3%,对测试样本识别正确率为80%,识别结果与实际较吻合。

基于最小二乘支持向量机的风电场短期风速预测

提出了一种基于最小二乘支持向量机的风电场风速预测方法。以历史风速数据、气压、温度作为输入,对风速和环境条件进行训练,建立预测模型,并且运用网格搜索法确定模型参数。算例结果表明,使用上述方法预测的风速与真实值基本一致。将本文提出方法与BP(back propagation)神经网络法的预测结果进行对比,表明前者具有更高的精度和更强的鲁棒性,因此是一种比较有价值的风速预测方法。