期刊导航
期刊开放获取
河南省图书馆
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
4
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式:
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于小波重构的动态过程LSSVM-BPNN在线智能监控模型
被引量:
8
1
作者
周昊飞
刘玉敏
《系统管理学报》
CSSCI
CSCD
北大核心
2018年第2期291-298,共8页
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...
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。
展开更多
关键词
小波重构
质量模式
动态过程
lssvm-bpnn
形状特征
提升小波变换
在线智能
监控模型
下载PDF
职称材料
LSSVM、BPNN同时测定苯酚苯二酚异构体研究
2
作者
星炯浩
张运陶
《西华师范大学学报(自然科学版)》
2006年第2期217-220,共4页
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...
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.
展开更多
关键词
最小二乘支持向量机
BP神经网络
分光光度同时测定
苯酚
间苯二酚
对苯二酚
下载PDF
职称材料
PSO-LSSVM的电力负荷预测研究
被引量:
1
3
作者
朱玲明
王志坤
《科技广场》
2014年第2期11-15,共5页
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...
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。
展开更多
关键词
电力负荷预测
粒子群算法
最小二乘支持向量机
BP神经网络
下载PDF
职称材料
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
被引量:
15
4
作者
时浩
肖海平
刘彦鹏
《发电技术》
2022年第1期139-146,共8页
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,BP...
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。
展开更多
关键词
BP神经网络(BPNN)
最小二乘支持向量机(LSSVM)
灰熔点
灰成分
结渣评判指标
下载PDF
职称材料
题名
基于小波重构的动态过程LSSVM-BPNN在线智能监控模型
被引量:
8
1
作者
周昊飞
刘玉敏
机构
郑州航空工业管理学院管理工程学院
郑州大学商学院
出处
《系统管理学报》
CSSCI
CSCD
北大核心
2018年第2期291-298,共8页
基金
国家自然科学基金资助项目(71672182
U1604262)
河南省高校科技创新人才资助项目(15HASTIT011)
文摘
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。
关键词
小波重构
质量模式
动态过程
lssvm-bpnn
形状特征
提升小波变换
在线智能
监控模型
Keywords
process monitoring
lifting wavelet reconstruction
mean feature
shape feature
least square support vector machine (LSSVM)
back propagation neural network (BPNN)
分类号
TP391.4 [自动化与计算机技术—计算机应用技术]
TH165 [机械工程—机械制造及自动化]
下载PDF
职称材料
题名
LSSVM、BPNN同时测定苯酚苯二酚异构体研究
2
作者
星炯浩
张运陶
机构
西华师范大学应用化学研究所
出处
《西华师范大学学报(自然科学版)》
2006年第2期217-220,共4页
文摘
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.
关键词
最小二乘支持向量机
BP神经网络
分光光度同时测定
苯酚
间苯二酚
对苯二酚
Keywords
LSSVM
BPNN
simultaneous spectrophotometric determination
m - , p - dihydroxybenzene.
分类号
TP-399 [自动化与计算机技术]
下载PDF
职称材料
题名
PSO-LSSVM的电力负荷预测研究
被引量:
1
3
作者
朱玲明
王志坤
机构
湖南航天管理局
中国航天科工集团
出处
《科技广场》
2014年第2期11-15,共5页
文摘
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。
关键词
电力负荷预测
粒子群算法
最小二乘支持向量机
BP神经网络
Keywords
Power Load Forecasting
PSO
LSSVM
BPNN
分类号
TM715 [电气工程—电力系统及自动化]
下载PDF
职称材料
题名
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
被引量:
15
4
作者
时浩
肖海平
刘彦鹏
机构
华北电力大学能源动力与机械工程学院
中国大唐集团科学技术研究院有限公司火力发电技术研究院
出处
《发电技术》
2022年第1期139-146,共8页
基金
国家自然科学基金项目(51206047)。
文摘
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。
关键词
BP神经网络(BPNN)
最小二乘支持向量机(LSSVM)
灰熔点
灰成分
结渣评判指标
Keywords
BP neural network(BPNN)
least squares support vector machine(LSSVM)
ash fusion point
ash composition
slagging evaluation index
分类号
TK223 [动力工程及工程热物理—动力机械及工程]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于小波重构的动态过程LSSVM-BPNN在线智能监控模型
周昊飞
刘玉敏
《系统管理学报》
CSSCI
CSCD
北大核心
2018
8
下载PDF
职称材料
2
LSSVM、BPNN同时测定苯酚苯二酚异构体研究
星炯浩
张运陶
《西华师范大学学报(自然科学版)》
2006
0
下载PDF
职称材料
3
PSO-LSSVM的电力负荷预测研究
朱玲明
王志坤
《科技广场》
2014
1
下载PDF
职称材料
4
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
时浩
肖海平
刘彦鹏
《发电技术》
2022
15
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部