基于RVM-GRNN组合模型的天然气负荷预测研究

为了提高天然气负荷预测精度,针对不同时间段的天然气负荷周期性及非线性特点,提出一种相关向量机模型(RVM)和广义回归神经网络模型(GRNN)组合的优化模型。采用RVM对天然气负荷数据值数据进行初步建模,并用GRNN对RVM模型的残差进行非线性建模。将RVM模型、GRNN模型及RVM-GRNN组合模型对集中供热和非供热阶段的天然气负荷值分别进行预测,将组合模型分别与单一模型预测结果进行比较,并通过实际案例加以验证。实验结果表明,组合模型预测精度高于单一模型预测精度,在非供热阶段和集中供热阶段,组合模型的MAE、MSE、MAPE均小于单一模型,分别为0.1558、0.0472、0.0416和0.9597、1.6603、0.0279。除与自身单一模型进行比较外,将组合模型预测传统负荷预测模型进行比较,结果显示组合模型预测结果均优于传统预测模型。由此得出,RVMGRNN组合模型能够捕捉天然气负荷值变化规律,满足天然气负荷预测要求,可为天然气输送及管网铺设提供依据。

基于天牛须优化算法的相关向量机边坡稳定性分析

为了快速、准确地预测边坡稳定性,及时控制边坡危害,提出了一种基于天牛须(beetle antennae search,BAS)优化算法的相关向量机(relevance vector machine,RVM)边坡稳定性分析模型。基于RVM模型,建立了边坡影响因素与稳定性的非线性映射关系;采用BAS算法对RVM模型参数进行优化,提出了基于BAS算法的RVM边坡稳定性分析优化模型;并将该模型应用于京新高速公路的边坡稳定性分析。分析结果表明:与实际值相比,基于BAS-RVM模型的最大绝对值相对误差为3.90%;在相同学习样本下,与RVM模型、支持向量机(support vector machine,SVM)模型和径向基函数(radical basis function,RBF)模型的预测值相比,BAS-RVM模型预测结果的可信度和拟合度更好、精度更高,其平均绝对值误差(mean absolute error,EMA)、均方根误差(root mean square error,ERMS)、相对均方误差(relative root mean square error,ERRMS)远低于其他3种模型。

基于RVM与ARMA误差校正的短期风速预测

为提高风速预测的准确性,提出了基于相关向量机(RVM)与自回归滑动平均(ARMA)误差校正的风电场短期风速预测算法。该算法首先在RVM的基础上,建立了影响因素与未来24小时风速的非线性模型,并采用遗传算法(GA)进行优化,从而保证了模型参数最优。然后,针对已建立的RVM预测模型的误差序列,采用ARMA模型对其进行拟合,最后用ARMA模型的误差预测值校正已有的风速预测值。本文对江苏某风电场的风速进行预测,算例结果表明该方法是合理有效的。

基于KPCA-RVM的土石坝沉降预测模型研究

【目的】针对土石坝坝体沉降存在多变量、强耦合、强干扰的复杂问题,建立基于KPCA-RVM的土石坝沉降预测模型。【方法】利用核主元分析(KPCA)对输入向量进行降维处理,以减少因子个数,随后利用相关向量机(RVM)模型对土石坝沉降进行预测,并以平均相对误差为指标对预测精度进行评价。【结果】实例应用表明,KPCA-RVM模型将输入向量由14个降低到7个,预测结果的平均相对误差仅为0.9%,预测效果得到明显提升。【结论】利用KPCARVM模型对土石坝进行沉降预测,不仅可以减少输入向量个数,而且可以提高预测精度,可在实际工程中推广应用。

基于Fast-RVM的在线软测量预测模型

生化需氧量(biochemical oxygen demand,BOD)是评价水质好坏和污水处理效果的关键指标之一。由于污水生化处理过程复杂,在线仪表维护困难,生化需氧量无法得到快速精确地测量。针对这一问题,提出了一种基于Fast-RVM的在线软测量回归模型来实时在线预测出水指标BOD。该模型采用基于贝叶斯框架的相关向量机来在线预测输出指标,并且引入快速边际似然算法来加快模型的更新速度。通过污水数据的仿真实验,结果表明该在线模型的预测精度高于离线模型,泛化能力强,模型在线更新的快速性尤为突出,能较好地实现污水处理中出水水质的实时在线预测。

一种基于EMD和RVM的自相似网络流量预测模型

针对自相似网络流量提出了一种基于EMD(经验模态分解)和RVM(相关向量机)的自相似时间序列预测模型。该模型利用EMD将滑动窗口内的小时间尺度网络流量序列分解为多个IMF(固有模态函数)分量,以去除流量序列长相关性;然后采用RVM对其中的高频分量进行拟合,而对低频分量则使用ARMA构建预测模型;最后合成各分量的预测结果。实验表明,该模型能准确地预测流量时间序列的幅值及其趋势,与同类型预测方法相比,其预测性能更好。

GMM与RVM融合的话者辨识方法

相关向量机(RVM)分类法使用概率输出克服了支持向量机(SVM)识别速率低的缺点,并且具有更好的稀疏性。但在与文本无关的话者辨别中,大量训练样本数据体现了RVM在模型训练时计算量与内存需求过大的缺点。针对以上特点,提出基于GMM统计特征参数与RVM融合的与文本无关的语者辨别系统,既有效地提取话者特征信息,解决大样本数据下的RVM训练问题,又结合统计模型鲁棒性高和分辨模型辨别效果好的优点。实验结果证明,该系统比基本的GMM系统具有更优的错误辨别率,比GMM/SVM系统具有更高的稀疏性。

一种RVM模糊模型辨识方法及在故障预报中的应用

对复杂、病态、非线性动态系统进行故障预报的重点和难点是建立系统故障状况的数学模型,通常难以建立精确的数学模型,相比之下构建其模糊模型是一个有效途径.本文研究了相关向量机(Relevance vector machine,RVM)与模糊推理系统(Fuzzy inference system,FIS)之间的内在联系,证明了基于RVM的FIS具有一致逼近性,并提出了一种基于RVM和梯度下降(Gradient descent,GD)算法的模糊模型辨识方法.基于所给出的模糊模型辨识方法提出了一种新的故障预报算法.仿真结果表明所建立的模糊模型不仅结构更加简单,而且能达到更高的预测精度,所提出的故障预报算法能准确地预报系统故障.

逐步RVM-Markov模型在大坝变形预测中的应用

相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实际应用中,RVM模型的泛化能力与SVM相当,向量数量却远小于SVM模型,计算过程得到简化,Mrakov链对残差进行修正后又提高了预测精度.将上述组合模型用于大坝变形实例分析,获得了较好的回归预测效果.

改进多分类决策策略的RVM及其在液压泵故障诊断中的应用

针对传统多分类相关向量机(relevance vector machine,RVM)采用"最大票数赢(MVW)"决策策略的不足,为了提升相关向量机的多分类能力,首先改进了RVM的多分类决策策略,并利用具有Lévy飞行特征的果蝇算法(LFOA)对RVM核参数进行寻优,建立了LFOA-RVM分类模型。在适应度函数的评判下,果蝇种群经过多次迭代对指定范围内的核参数进行全局搜索寻优,完成模型建立。四组UCI标准数据集的MATLAB仿真实验结果表明,改进后的多分类决策策略和优化方法有效、可靠,能够提升RVM的分类能力;进一步将此模型应用于液压泵故障诊断,同样取得了较好的分类效果,验证了分类模型的有效性。

基于网络监控技术的变电站运行异常状态自动告警方法

自动告警是变电站自动化监测系统的关键功能,但现有方法的漏报率和虚警率较高,难以实现精准告警。为此,提出了一种基于网络监控技术的变电站运行异常状态自动告警方法。通过多簇划分将变电站分为多个异构监控区域,利用无线网络传输异常变量数据,并采用RVM算法进行数据分类和异常特征提取,最后通过可靠性模型识别异常状态并发出告警。实验结果显示,该方法的漏报率和虚警率均低于1%,在变电站自动化监测领域展现出广阔的应用前景。

基于EMD-RVM-Arima的大坝变形预测模型及其应用

由于大坝变形监测数据为非平稳、非线性的时间序列,因此采用经验模态分解法(EMD)、相关向量机理论(RVM)以及Arima误差修正模型对大坝变形监测数据进行分析预测。首先利用EMD分解法对原始时间序列进行分解和重构,使原始序列平稳化,得到若干本征模态函数(IMF)以及残差序列,再以RVM预测模型对上述结果进行分析预测,最后利用Arima误差修正模型对预测残差进行误差修正,从而建立了以RVM为基础预测模型的EMD-RVM-Arima大坝变形预测模型。以某双曲拱坝为例,采用该模型对其变形监测数据进行分析预测,得到的平均残差为2. 89 mm,同时计算出SVM、RVM法的平均残差为11. 62 mm、9. 30 mm。可以看出,EMD-RVM-Arima模型大大提高了预测精度,该模型在大坝变形预测中具有可行性。

基于RVM的大坝变形监测时间序列非线性预警模型

建立合理的大坝变形预警模型对于大坝安全稳定运行意义重大。为提高预测精度,建立以相关向量机(RVM)为理论基础的时间序列非线性预警模型,采用一种精度较高的时间序列短期预测(自回归移动平均ARMA)模型修正RVM预测模型的误差序列,同时采用一种改进的粒子群算法(PSO)寻优核函数。实例验证结果表明,修正后的模型预测结果精度明显提高,可为类似工程提供参考。

基于Shannon-RVM模型的科研项目评审排序方法

对科研项目进行合理排序,是科研项目评审和筛选的前提,是科研管理的重要内容。现有的研究均是基于专家打分进行的,因为专家打分的主观性,排序结果往往失于准确。本文基于信息熵理论和专家有序投票模型,提出一种多专家多科研项目的排序方法。该方法的数据基础(即专家排序)更为合理,因而能得出更为客观的排序结果。实例研究证实了本方法的合理性。

基于RVM的装配式建筑吊装作业安全预警模型

为提高装配式建筑施工安全水平,准确判断吊装作业安全状况,建立基于相关向量机（RVM）的预警模型。根据装配式建筑吊装作业特点,对比传统施工模式,分析致使吊装事故发生的主要因素,按人-机-料-法-环（4M1E）5要素确定预警指标体系,并通过粗糙集（RS）属性约简算法确定模型安全预警因子;选用混合核函数构建RVM预警模型,并通过改进粒子群算法（IPSO）寻优确定核参数,给出计算方法及模型流程;以华中地区5个项目的相关数据完成模型学习训练和预警仿真。结果表明：用该模型所得结果与实际情况基本一致,判定正确率为94%、平均相对误差为3.667%,预警分析效果良好,较其他3种机器学习方法泛化拟合能力更强、效率更高。

基于EEMD-RVM的土石坝渗流量时间序列预测模型

为避免常规时间序列模型因不考虑非线性环境量而出现过拟合及预测精度不高的现象,建立了基于EEMD-RVM的土石坝渗流量时间序列预测模型。该模型采用集成经验模态分解法(EEMD)对量水堰渗流量监测值进行分解,生成多组平稳本征模态函数(IMF)及剩余分量R,然后采用相关向量机(RVM)对若干组IMF序列和R进行训练拟合及预测,最后将IMF序列和R进行等权求和得到渗流量预测值;讨论了该模型训练集的样本数及时长、预测集个数的选择和突跳点的处理等相关情况。工程算例验证结果表明,EEMD-RVM模型拟合预测精度高,且预测精度明显高于RVM模型以及GA-BP模型,验证了该模型的可行性。

基于RVM和WPHM的滚动轴承剩余寿命预测

针对在直接预测传统滚动轴承剩余寿命中呈现出精度不高及预测结果无法体现个体差异性的问题,提出一种基于相关向量机(RVM)和威布尔比例故障率模型(WPHM)的滚动轴承剩余寿命预测方法,采用Cincinnati大学滚动轴承全寿命实验数据进行仿真实验,计算结果表明提出的预测方法能实现对滚动轴承剩余寿命的预测,预测趋势与实际情况相符程度高,有较好的预测结果,具有一定的应用价值.

龙马溪组页岩数字岩心LSM-RVM数值建模方法研究及TOC含量影响分析

页岩气储层中含有大量有机碳(TOC),其丰度与成熟度对页岩力学特性有重要影响.建立包含TOC的精细数值模型,将有助于探索页岩微结构与矿物组分含量对等效弹性模量的作用程度,是"甜点区"预测的重要理论基础.本文提出了一种离散数值建模方法,基于高精度成像技术,采用晶格弹簧-随机孔隙耦合模型(LSM-RVM)模拟包含多种矿物组分及不同成熟度干酪根的数字岩心,分析TOC成熟度及含量对弹性参数的影响.在该模型中,参数设置(数值阻尼与加载应变速率)至关重要,选取不当会对计算精度造成一定影响.研究结果表明,LSM-RVM能够生成符合TOC及多种矿物实际分布特征的数值模型,是一种精细数值建模方法.

联合HMM-UBM与RVM的声纹密码识别算法

针对声纹密码识别中声纹文本信息利用率低和噪音干扰的问题,提出隐马尔科夫模型-通用背景模型(HMM-UBM)融合相关向量机(RVM)的声纹识别算法。利用HMM-UBM对语音信号进行时序建模,使用RVM学习得到每位注册话者语音的分类信息。通过对待识别话者建立HM M模型,并将RVM作为分类器进行判决决策得到分类结果。实验结果表明,与GMM-UBM算法和GMM-SVM算法相比,在无噪声环境下,该算法错误接收概率降低7%～9%,识别正确率提高4%～5%,在低信噪比环境下,其识别正确率提高5%～12%。

基于KPCA-CSO-RVM模型的工艺管道腐蚀速率预测

针对石油化工企业内工艺管道的腐蚀问题,提出一种基于核主成分分析(KPCA)算法、鸡群优化(CSO)算法、相关向量机(RVM)算法组合模型的工艺管道腐蚀速率预测方法,即KPCA-CSO-RVM组合模型。该方法首先对KPCA算法、CSO算法、RVM算法进行理论介绍,提出算法的组合方法;然后使用KPCA算法对工艺管道腐蚀速率的影响因素进行优选,使用CSO算法对RVM算法中的参数进行优选;最后采用某石油化工企业工艺管道腐蚀速率及其相关影响因素数据对KPCA-CSO-RVM组合模型进行训练,对部分工艺管道腐蚀速率进行预测,并通过计算预测误差来验证KPCA-CSO-RVM组合模型的预测效果。结果表明:基于KPCA-CSO-RVM组合模型的工艺管道腐蚀速率预测结果的最大预测误差不超过4%,平均相对误差仅为2.03%,均方根误差为0.0035,其预测效果优于其他预测模型,证明KPCA-CSO-RVM组合模型在工艺管道腐蚀速率预测方面具有可行性和先进性。