联合改进核FCM与智能优化SVR的WSNs链路质量预测

为提高无线传感器网络(WSNs)链路质量预测精度和降低噪声影响,提出了一种联合改进核FCM与智能优化SVR(improved kernel furry c-means and intelligent support vector regression,IKFCM-ISVR)的WSNs链路质量预测方案.首先将基于紧致度和离散度的有效性指数引入核FCM方法,实现样本集聚类个数自动划分;然后采用改进核FCM方法对链路质量样本数据进行处理,获得样本聚类隶属度;在此基础上,构建群居蜘蛛优化SVR预测模型,采用基于"动态折射"学习机制的群集蜘蛛对模型参数进行优化,得到不同聚类最佳SVR参数组合;最后采用IKFCM-ISVR算法对不同实验场景下的WSNs链路数据进行预测评估.仿真结果表明,同其它预测算法相比,该算法预测精度提高了36.8~68.4%.

基于IKFCM与多模态SSO优化SVR的光伏发电短期预测

为提高短期光伏发电功率预测精度和降低气候等因素对预测结果的影响,提出了一种基于IKFCM与多模态SSO优化SVR的光伏发电功率短期预测方案。首先采用改进的KFCM(Improved KFCM, IKFCM)聚类方法对训练样本集进行处理,通过引入紧致离散聚类有效性指数,在提高IKFCM聚类准确率的同时实现了自动划分训练样本集,有效降低了样本数据差异对预测性能的影响。然后构建与训练样本集分类一一对应的SVR预测模型,并采用多模态SSO优化(Multi-mode SSO, MSSO)算法对SVR模型参数进行优化,进而得到不同分类的最优SVR参数组合。最后,运用MSSO优化SVR模型对测试数据进行预测评估。仿真结果表明,该方案实现了不同天气下短期光伏发电功率准确预测,而且同其他预测算法相比预测精度提高了25.2%～37.8%。

考虑时序特征的污染物数据异常检测及恢复

针对气体传感器数据采集过程中可能出现数据失真、数据重复的现象,提出一种基于时间序列滑动窗口的异常检测方法。基于滑动窗口将原始时间序列分割成多个子序列,利用斜率的置信区间距离半径提取子序列时序特征并识别疑似异常序列,再通过时间序列分解与基于密度的噪声应用空间聚类方法(Density-based Spatial Clustering of Applications with Noise,DBSCAN)进一步判定异常值。以某区域挥发性有机物(Volatile Organic Compounds,VOCs)数据作为验证数据集,检测结果表明该算法能够准确识别异常子序列和异常值,精确率、查全率以及平衡F分数(F_(1))分别为93.7%、90.7%和92.18%,验证了提出方法的可用性。同时,针对异常为缺失值的情况,提出了一种基于支持向量机回归(Support Vector Regression,SVR)的恢复模型,经验证决定系数R^(2)为96.53%,优于对比模型。

新的稀疏支持向量回归机算法及实验研究

支持向量回归机是一种解决回归问题的重要方法,其预测速度与支持向量的稀疏性成正比。为了改进支持向量回归机的稀疏性,提出了一种直接稀疏支持向量回归算法DSKR(Direct Sparse Kernel Support Vector Regression),用于构造稀疏性支持向量回归机。DSKR算法对ε-SVR(ε-Support Vector Regression)增加一个非凸约束,通过迭代优化的方式,得到稀疏性好的支持向量回归机。在人工数据集和真实世界数据集上研究DSKR算法的性能,实验结果表明,DSKR算法可以通过调控支持向量的数目,提高支持向量回归机的稀疏性,且具有较好的鲁棒性。

一种支持向量回归的局部邻域稀疏化方法

调整高斯核函数参数可以改变其VC维,通过密度聚类算法发现并分离全局中非线性复杂度不同的局部特征,以支持向量比率为优化指标确定满足局部稀疏条件的核函数,从而达到优化核函数选择以提高整体回归稀疏性的目的。