基于ν-支持向量机的事故工况下反应堆功率预测

针对事故工况下堆芯功率变化的特点和神经网络(ANNs)易陷极小值、收敛速度慢等问题,提出一种基于ν-支持向量回归机(ν-SVR)的事故工况下堆芯功率预测方法。该方法运用k重交叉验证(k-CV)完成对ν-SVR参数的优化,然后在此基础上设计2种不同的ν-SVR预测器并将其用于弹棒事故(REA)和落棒事故(RDA)工况下的堆芯功率预测。研究表明,与ANNs相比,该方法具有更高的预测精度和更短的响应时间。

蚁群优化最小二乘支持向量机在测量数据拟合中的应用

针对传统数据拟合方法存在依赖用户经验,需预先确定估计拟合函数等缺点,提出一种基于蚁群优化最小二乘支持向量回归机(ACO-LSSVR)的数据拟合方法。该方法采用蚁群优化(ACO)对最小二乘支持向量回归机(LSSVR)的参数进行优化,获取最优参数,从而建立数据拟合模型。将该方法与传统回归拟合方法用于核工程的2个测量数据拟合实例中,得到堆芯功率曲线和熔融液滴在冷却剂中运动特性曲线,将2条曲线的拟合结果进行了比较。结果表明,ACO-LSSVR具有较高的拟合精度且无需对数据分段确定拟合函数。