基于小波重构的动态过程LSSVM-BPNN在线智能监控模型

为实时监控动态过程的运行状态,提出基于提升小波变换和最小二乘支持向量机(LSSVM)及BP神经网络(BPNN)相结合的在线智能监控模型。采用提升小波变换提取原始数据的重构特征,并分别抽取重构后数据序列的均值、形状特征。利用基于提升小波重构特征的LSSVM判定动态过程是否异常,基于重构后均值特征的BPNN将5种异常模式划分为3个类别。通过基于重构后形状特征的LSSVM对3类异常模式进一步识别。最后,应用该模型对某精密轴加工过程进行在线智能监控。结果表明,与基于离散小波重构的BPNN模型、基于统计和形状特征的支持向量机模型相比,所提模型不仅识别精度高且训练耗时少。

LSSVM、BPNN同时测定苯酚苯二酚异构体研究

研究比较了最小二乘支持向量机(LSSVM)、BP神经网络(BPNN)对苯酚、对苯二酚和间苯二酚混合液的紫外分光光度法同时测定,测定结果各组分平均相对误差LSSVM分别为2.75%、2.43%、1.45%;BPNN分别为2.97%、3.35%、4.72%;LSSVM模型测出量的相对误差的绝对值最大为5.73%,BPNN为16.10%.结果表明LSS-VM用于该混合体系的同时测定数据解析,处理结果的准确性明显优于BPNN方法.

PSO-LSSVM的电力负荷预测研究

对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。

基于BP神经网络和最小二乘支持向量机的灰熔点预测和对比

为了预测燃煤锅炉受热面的结渣情况,以灰成分金属氧化物、煤灰SO_(3)含量以及结渣评判指标为自变量,灰熔点变形温度(deformation temperature,DT)和软化温度(softening temperature,ST)为因变量,建立了BP神经网络(BP neural network,BPNN)和最小二乘支持向量机(least squares support vector machine,LSSVM)的灰熔点预测模型。回归分析和误差分析结果表明:针对样本量多的DT预测过程,2种模型精度接近,预测结果置信度均达到95%,相关系数均约为0.92,平均相对误差均约为3.4%;针对样本量较少的ST预测过程,LSSVM模型预测效果较优,相关系数为0.95052,高于BPNN模型的0.90426,平均相对误差为4.98%,并且大误差点个数少于BPNN模型。因此,LSSVM模型能够更准确预测飞灰的DT和ST。