基于SPA-GA-SVR模型的土壤水分及温度预测

土壤湿度和温度是影响水文循环和气候变化的重要参数,在农业实践活动和生态平衡中起着重要作用。为及时、准确地监测土壤含水量(Soil Moisture Content,SMC)及温度,提出了一种基于高光谱数据的预测方法。实验数据集来自为期5天的实地测量,所获得的高光谱数据包含大量的噪声及冗余信息,因此首先用Savitzky-Golay卷积平滑对光谱数据进行降噪处理,利用连续投影算法(Successive Projection Algorithm,SPA)提取数据特征波长,然后通过遗传算法(Genetic Algorithm,GA)对支持向量机回归(Support Vector Regression,SVR)的超参数权值和偏置进行优化,构建SPA-GASVR混合算法模型对土壤水分和温度进行预测,并与BP神经网络(Back Propagation Neural Network,BPNN)、SPA-BP、SVR、SPA-SVR、GA-SVR这5种模型的预测性能进行比较。实验结果表明:各模型在土壤湿度低于30%的情况下,表现出的预测能力差异并不显著。但整体上,复合模型相比于单一的神经网络或机器学习模型具有明显的优势,且经过连续投影算法优化的模型进一步的提高其预测能力,最终SPA-GA-SVR算法在各项指标上均优于其他模型,土壤水分预测模型的R^(2)=0.981、RMSE=0.473%,土壤温度预测模型R^(2)=0.963、RMSE=0.883℃。实验证明基于高光谱数据,经过SPA和GA优化的SVR模型能实现对土壤湿度和温度精准的预测。该方法具有一定的应用价值和现实意义,可应用于便携式高光谱仪和无人机上,实现对土壤水分和温度的实时监测,为今后的播种及灌溉提供理论参考。

结合回归分析与改进GA-SVR的风机噪声预测

针对风电机组噪声测量过程复杂的状况,研究IEC 61400-11风电机组噪声测量标准,提出用非声学参数对机组噪声的A计权声压级进行预测。分析基于遗传算法的支持向量机回归(GA-SVR)的不足并提出改进措施,结合实际情况平衡了遗传算法(GA)的终止条件,针对样本特性会影响SVR预测精度的问题,提出采用回归分析对样本特性进行处理。应用统计软件SAS完成了基于回归分析的变量筛选,去除了变量间的共线性并实现了降维;再通过异常点诊断,剔除了数据中的强影响点;最后将处理后的样本引入改进的GA-SVR建立预测模型。通过实测的风电场数据,应用回归分析、改进的GA-SVR及两者结合的方法进行了噪声预测,其中结合预测的方法精度最高,其预测结果的相对误差平均值仅为0.775 7%,具有实际可行性。

基于GA-SVR的渗透系数参数反演方法

渗透系数参数反演的本质是优化问题求解,遗传算法是一种基于自然选择和群体遗传机理的新的全局优化求解方法,可以较好地用于求解诸如渗透系数参数反演等复杂非线性组合优化问题。基于结构风险最小化原理的支持向量机具有逼近复杂非线性系统、较强的学习泛化能力,可以用来计算渗透系数参数反演过程中的测点水头值。实验表明,基于遗传算法-支持向量回归机的地下水渗透系统参数反演拟合效果良好,能大大提升区间搜索效率,避免出现局部最优解,其参数识别精度符合实际应用要求。

基于GA-SVR的CO_2驱原油最小混相压力预测模型

为了得到更精确的CO_2驱原油最小混相压力,考虑挥发组分(N_2+CO_2+CH_4+H_2S)含量、中间烃组分(C_(2-6))含量、重质组分(C_7^+)含量、重质组分的相对分子质量、重质组分密度以及温度的影响,建立了基于遗传算法参数寻优的支持向量回归机模型。模型优点在于使数据结构风险最小化,是基于数据精度高和回归函数复杂性适宜的条件下进行全局参数寻优得到最优模型,根据测试样本数据可以给出预测结果,得到更为准确的最小混相压力数值。该模型计算结果平均相对误差为3.44%,与文献中的实验结果、细管实验结果对比,具有较好的准确性。

基于GA-SVR的大学生手机依赖预警系统

针对手机依赖严重影响大学生课堂学习效率的问题,利用GA优化SVR的惩罚因子C、不敏感损失参数ε和核函数参数γ,设计了一种大学生手机依赖预警系统.系统通过手机APP发布和回收手机依赖调查问卷,避免了问卷的发放、收集和数据录入分析等繁琐的工作.系统通过问卷数据建立的GA-SVR预警模型,可以较为准确的预测出学生的综测成绩进而给出预警信息.系统的统计分析功能可以实现任意时段预警信息的统计分析,便于教学管理者和教师掌握学生整体状态并采取应对措施.实际运行结果表明,系统可以自动的进行手机依赖的预警和统计分析,系统分析结果可信、可靠.

基于SAGA-SVR的马铃薯贮藏库温度预测方法

马铃薯贮藏库温度受室外温度、室内马铃薯呼吸释放温度、通风降温等因素的影响难以准确预测,提出了一种改进遗传算法(Genetic Algorithm,GA)优化支持向量回归机(Support Vector Regression,SVR)的马铃薯贮藏库温度预测方法。该方法针对支持向量回归机参数难以选择、容易陷入局部极小的缺点,引入了具有并行性、全局搜索能力强的GA算法,结合局部搜索能力强的模拟退火算法(Simulated Annealing,SA),实现支持向量回归机的自动寻优。以新疆某农产品加工公司马铃薯贮藏库实测温度数据为样本,建立SAGA-SVR马铃薯贮藏库温度预测模型,进行贮藏库温度准确的预测。仿真结果表明,与GA-SVR、反向传播(Back Propagation,BP)温度预测模型的预测结果相比较,SAGASVR预测结果优于GA-SVR、BP预测结果,具有良好的预测效果。该预测方法较好地解决了系统非线性、小样本等问题,为类似应用场合地温度预测提供参考。

基于机器学习的集中供热负荷预测模型研究

为保证用户的用热需求,提高能源利用率,精准预测供热负荷,将用户投诉率、室外气象条件以及历史负荷作为输入特征,利用BP神经网络、遗传算法优化BP神经网络(GA-BP)、支持向量回归机(SVR)和长短期记忆网络(LSTM)分别建立了4种供热负荷预测模型,对未来一段时间的供热负荷进行逐时预测,并以实际供热数据进行训练和验证。研究结果表明:相较于其他3种预测模型,GA-BP的预测精度最高,拟合优度R 2可达0.994,平均绝对百分比误差最小为1.20%,可应用于实际供热负荷预测与调控。

基于CGA-SVR的电主轴磨损故障诊断方法研究

电主轴是数控机床的一个重要功能部件,其优劣直接影响着工件质量,对电主轴进行故障诊断可以提高可靠性、降低生产成本。因此采用混沌遗传算法(CGA)优化的支持向量机回归模型(SVR)进行电主轴故障诊断。此方法利用主成分分析(PCA)对电主轴磨损故障振动信号的时、频域特征向量进行降维,将降维后的特征向量输入到经过CGA参数优化的SVR模型中并进行训练和测试。结果表明,使用该模型对电主轴进行故障诊断,其训练和测试的准确率分别达到了99.272%和95.249%,可以实现对电主轴磨损故障进行准确诊断。

Performance Prediction of Carbon Fiber Protofilament Based on SAGA-SVR

The existing optimized performance prediction of carbon fiber protofilament process model is still unable to meet the production needs. A way of performance prediction on carbon fiber protofilament was presented based on support vector regression( SVR) which was optimized by an optimization algorithm combining simulated annealing algorithm and genetic algorithm( SAGA-SVR). To verify the accuracy of the model,the carbon fiber protofilament production test data were analyzed and compared with BP neural network( BPNN). The results show that SAGA-SVR can predict the performance parameters of the carbon fiber protofilament accurately.

基于GA-SVR的挤压机能耗异常检测模型研究

挤压机作为铝型材生产的关键设备,其稳定性和可靠性是保障铝型材正常生产的前提。传统的设备异常检测方法属于侵入式检测,需要依靠外围仪器嵌入生产设备进行分析,检测成本高、自适应能力差。而能耗异常检测作为一种新颖的非侵入式检测手段,能够有效反映设备的运行工况,及时发现挤压过程的异常情况。为此将支持向量回归(SVR)与遗传算法(GA)相结合,提出一种基于GA-SVR的挤压机能耗异常检测模型。首先,根据挤压生产特点分析影响挤压能耗的关键因素,建立关键能耗因素为输入、电耗为输出的GA-SVR能耗预测模型。其次,考虑异常点的不确定性,基于GA-SVR模型构建单产能耗的置信区间并将其作为能耗异常区间。最后,以SY-1000Ton型挤压机为对象进行数值实验,验证所提模型的有效性。实验结果表明:置信度达到97%以上时所提模型检测能够准确地检测到挤压异常,这对保证挤压机稳定生产具有重要意义。

基于NSGAⅡ-SVR的大型箱涵施工进度方案优选

水利工程项目施工方案的确定是整个项目建设期间最重要的决策之一,对工程进度和成本有重要影响。通过考虑主要施工机械和班组配置对工期和成本的影响,建立SVR模型实现不同施工方案与对应工期及成本数据的模拟,在此基础上采用多目标遗传算法实现施工方案的优选,并以南水北调某输水箱涵工程为例,建立同时考虑工期和成本的优化模型,实现了工程施工方案的优选,验证了模型和方法的适用性和准确性。

单裂隙分布对复合岩样力学性质和扩展破坏的影响

在富存复杂裂隙的层理岩体中,裂隙分布对其力学性质及损伤破坏具有显著影响。以由类砂岩和类大理岩组成的复合裂隙岩样为例,采用单轴压缩试验和DIC技术,分析裂隙位置和裂隙倾角对岩样力学性质和破坏的影响。结果表明,岩样的力学性质随裂隙位置依次从大理岩、交界面到砂岩的改变及裂隙倾角的增加呈增加趋势。裂隙位置对岩样破坏影响为当裂隙在大理岩中时,初始裂纹易为砂岩中的远场裂纹,表面剥落在砂岩和大理岩中均有发生,但砂岩处破坏更明显,易发生“H形破坏”;当裂隙在交界面和砂岩时,易为砂岩处裂尖产生的翼裂纹、反翼裂纹,剥落现象只发生在砂岩处,分别易发生“1γ形破坏”和“y形破坏”;同时,初始裂纹产生对应的应力应变水平σ、ε随裂隙位置由砂岩、交界面到大理岩的改变依次提高。裂隙倾角对岩样破坏影响为α=90°时裂尖不易起裂,α=45°时裂尖易起裂;在相同裂隙倾角下,裂隙位置相同时α=90°的σ、ε最大,α=0°、45°时最小;α=0°时均发生“H形破坏”,α=90°时均发生“y形破坏”。研究结果对实际工程建设和设计具有指导性意义。

四角切圆燃煤锅炉低NO_x燃烧优化研究

借助锅炉燃烧特性试验数据,建立了基于支持向量回归的四角切圆燃煤锅炉NOx排放模型。经过训练和校验,并与神经网络模型进行对比,结果表明:SVR模型更加适合于实炉热态测试工况较少的小样本学习,而且其精度能够满足工程的实际要求,能够较为准确的对不同工况下的电站锅炉NOx排放特性进行预测。在获得该模型的基础上,结合全局寻优的遗传算法,以锅炉的运行调节参数为优化目标函数的自变量,对NOx排放进行寻优,并获得了具体工况下的最佳操作参数。

自适应GA-SVM参数选择算法研究

支持向量机是一种非常有前景的学习机器,它的回归算法已经成功地用于解决非线性函数的逼近问题.但是,SVM参数的选择大多数是凭经验选取,这种方法依赖于使用者的水平,这样不仅不能获得最佳的函数逼近效果,而且采用人工的方法选择SVM参数比较浪费时间,这在很大程度上限制了它的应用.为了能够自动地获得最佳的SVM参数,提出了基于自适应遗传算法的SVM参数选取方法.该方法根据适应度值自动调整交叉概率和变异概率,减少了遗传算法的收敛时间并且提高了遗传算法的精度,从而确保了SVM参数选择的准确性.将该方法应用于船用锅炉汽包水位系统建模,仿真结果表明由该方法所得的SVM具有较简单的结构和较好的泛化能力,仿真精度高,具有一定的理论推广意义.

基于GASA-SVR的矿井瓦斯涌出量预测研究

针对煤矿工作面瓦斯涌出量的多影响因素、非线性、时变性和不确定性等特点,提出了遗传模拟退火算法(GASA)与回归型支持向量机(SVR)的耦合算法(GASA-SVR)用于瓦斯涌出量预测。利用煤层瓦斯含量、深度、厚度、倾角等12个参数作为主要影响因素,经过归一化处理后作为回归型支持向量机训练和测试样本。采用遗传模拟退火算法寻找最优的惩罚参数和核函数参数,同时引入自适应交叉和变异概念,建立瓦斯涌出量的非线性拟合模型,并利用矿井实测历史数据进行试验,结果表明该预测模型比传统的神经网络模型具有更理想的精度和稳定性,可为煤矿瓦斯爆炸的防治提供可靠的理论依据。

基于机器学习的住院患者压力性损伤分析与预测

压力性损伤是护理工作的重点,也是评价护理质量的重要指标,设计合理的评估量表和科学预测是预防的关键措施。基于传统的12个指标,再新增3个风险指标,设计更全面的风险评估量表;据此收集一段时间内住院患者的信息,采用卡方检验分析对损伤有显著影响的指标,将患者分为入院时和院内获得性压力性损伤两类,分析其特征、产生部位和分布科室。基于支持向量机、概率神经网络和广义回归神经网络3种方法建立预测模型,在支持向量机中,采用高斯核函数构建模型,并使用遗传算法优化核函数参数。比较4种场景下3种方法的预测精度,支持向量机的预测准确率最高,达到84.68%,另外2种方法的准确率较低,均为82.78%。

基于遗传-支持向量回归的煤层底板突水量预测研究

针对煤层底板突水问题的小样本、非线性特点,采用支持向量回归算法对突水量进行预测,避免了定性分析的局限性。利用遗传算法全局搜索能力的优势,提出了基于遗传算法的支持向量回归参数寻优方法,并建立煤层底板突水量预测的遗传-支持向量回归模型。该模型首先通过遗传算法对训练样本的学习,得到支持向量回归机的最优参数值,然后运用遗传-支持向量回归模型对测试样本进行突水量预测。测试结果表明:与神经网络,传统支持向量回归机的预测值相比,煤层底板突水量预测的遗传-支持向量回归模型精度高,具有较强的泛化能力。

基于遗传算法优化支持向量机的大坝安全性态预测模型

为提高支持向量机对大坝安全性态的预测效果,提出基于遗传算法优化的GA-SVM大坝安全性态预测模型,以k-CV验证误差最小作为优化目标,引入遗传算法对支持向量机的惩罚参数c和核函数参数g进行寻优。模型以影响因子作为输入,以效应量作为输出,采用训练样本对支持向量机进行训练,并使用训练好的模型预测效应量。根据概率统计理论中的3σ准则,建立大坝安全性态三级指标和判别准则。以某大型水库大坝为例,建立该大坝的GA-SVM模型,并与SVM模型和逐步回归模型进行了对比验证。预测结果表明,GA-SVM模型渗压预测值与实测值最接近,预测精度较SVM模型和逐步回归模型提高了约3倍。

SVR优化算法及其在蓄电池容量预测中的应用

提出一种优化的支持向量机回归算法(SVR)并应用于阀控密封铅酸蓄电池(VRLA)的容量预测。选定径向基函数作为支持向量机回归算法的核函数,分别使用遗传算法和遗传退火算法对核参数进行寻优,在此基础上建立了蓄电池容量预测模型.比较了在遗传算法和遗传退火算法两种参数优化方法下支持向量机回归算法对VRLA容量预测的精准度。仿真结果表明,基于遗传退火算法寻优的支持向量机回归算法用于VRLA容量预测的性能优于单一的遗传寻优算法。

基于遗传算法优化支持向量回归机参数的供热负荷预测

为了进一步提高供热负荷的预测精度,通过分析影响支持向量回归机(SVR)性能表现的参数,提出了基于遗传算法优化的SVR供热负荷预测模型。该方法利用交叉验证思想在模型性能评估和选择方面的优势,结合遗传算法的全局寻优能力,实现了参数的自动优选,并用由此得到的最佳模型进行供热负荷预测。应用某热源的实测数据进行了仿真实验,与其他算法的比较表明,该方法相对误差绝对值的平均值为4.33%,比传统SVR降低了10.77%,比小波神经网络降低了5.28%。