基于改进ABC的LSSVM氧化还原电位预测研究

针对氧化还原电位对于生物氧化提金预处理过程的控制和优化具有重要作用,提出了一种基于改进的ABC算法优化最小二乘支持向量机的预测方法;该算法是在标准人工蜂群算法的基础上,通过引入欧氏距离,使得在一定邻域内观察蜂采用不同于雇佣蜂的搜索策略;采用改进的ABC算法优化最小二乘支持向量机的参数,取得最优解并赋予最小二乘支持向量机进行预测;以新疆某金矿的生产数据进行仿真研究,结果表明:基于改进的ABC算法优化的最小二乘支持向量机具有较高的预测精度,该方法能使模型取得较好的预测效果。     

基于无偏置项LSSVM的稳健在线过程建模方法

针对直接利用最小二乘支持向量机(LSSVM)对动态过程在线建模时预测精度易受过程输出测量值上的粗大误差和噪声影响的问题,在分析样本序列结构特征和噪声作用特征基础上,提出一种基于无偏置项LSSVM的稳健在线过程建模方法。该方法在每一预测周期中根据预测误差与设定阈值之间的关系来识别和恢复异常测量值、识别和修正含噪声测量值,从而降低样本中的噪声,使得出的LSSVM较好地跟踪过程的动态特性。这种在线过程建模方法具有稳健性,能减少输出值上粗大误差和高斯白噪声对LSSVM预测精度的影响,提高预测精度。数字仿真显示该方法的有效性和优越性。     

基于松鼠觅食算法优化LSSVM的泥石流预测

针对山区村镇泥石流影响因素多元复杂、LSSVM算法参数随机导致的精度不佳及陷入局部最优问题,采用核主成分分析KPCA降维、SSA算法参数寻优的方法建立LSSVM泥石流灾害预测模型。以山阳县中村镇泥石流为例,分析泥石流全域地形地貌成灾因子,对数据预处理清洗规范,利用KPCA主成分贡献率选取出6个成灾因子作为LSSVM算法的输入数据,泥石流发生概率为输出,建立泥石流预报模型,并用SSA算法进行模型参数的优化。将SSA寻优后的LSSVM预测结果与GA、GC参数寻优模型预测结果比对,结果表明SSA-LSSVM准确率达到93.2%,相比其他模型提高[4.8%-1.4%],且SSA算法优化的LSSVM模型的MAE、MSE和RMSE最小且接近于零,同时从泥石流发生的预报等级维度进行结果比对分析,结果进一步说明模型预测的精度及稳健性。本研究说明SSA-LSSVM算法可用于泥石流灾害发生概率的预测,为此类灾害预测提供了科学依据。     

热处理炉钢板温度的自适应混沌粒子群算法–最小二乘支持向量机优化预报算法

针对传统传热模型参数调整较复杂和模型精度较低的问题,构建了一种基于改进粒子群算法优化最小二乘支持向量机（least squares SVM,LSSVM）的钢板温度预报模型.首先,对基本粒子群算法进行分析,提出自适应混沌粒子群算法（adaptive chaos PSO,ACPSO）,并通过性能指标定量评价验证算法的有效性、鲁棒性和寻优效率.其次,采用LSSVM建立钢板温度预报模型,并选用径向基函数作为核函数,用ACPSO算法优化该模型参数.最后,结合现场数据进行仿真研究和工程应用,结果表明基于该算法建立的钢板温度预报模型具有较高的预报精度,达到智能调优的目的.     

基于GEP的最小二乘支持向量机模型参数选择

针对最小二乘支持向量机的多参数寻优问题,提出了一种基于基因表达式编程的最小二乘支持向量机参数优选方法.该算法将最小二乘支持向量机参数(C,σ)样本作为GEP的基因,按其变异算子随着进化代数和染色体所含基因数目动态变化的机制执行,其收敛速度和精确度大大提高.并与基于粒子群算法和遗传算法参数优选方法比较,通过标准测试函数验证了该算法的拟合误差最低.最后用其建立氧化铝生产蒸发过程参数预测模型,应用工业生产数据进行验证,实验结果表明该方法有效且获得了满意的效果.     

蚁群算法在需水预测模型参数优化中的应用

为了解决投影寻踪（PP）需水预测模型的高维、非正态、非线性参数优化问题,提高需水预测的精度,尝试用基于网格划分的自适应连续域蚁群算法(ACA)在不同拟合和预测时长内对模型参数进行优化组合,并运用该模型进行年需水量预测。基于改进蚁群算法的投影寻踪需水预测模型参数优化进行了实例仿真。对基于改进蚁群算法的预测精度与基于人工免疫算法（AIA）和BP神经网络的模型(BPANN)参数优化结果分别进行了比较,实验结果表明：1）这三种算法的拟合精度相对误差绝对值分别小于2%、10%和10%;2）预测精度相对误差绝对值分别小于6%、11%和12%;3）改进蚁群算法能收敛到全局最优解,收敛速度较快。因此,改进蚁群算法的投影寻踪需水预测结果明显优于人工免疫算法和BP神经网络。该方法可推广到其他类似的高维非线性问题上。     

改进PSO优化参数的LSSVM燃煤锅炉Nox排放预测

为了提高燃煤锅炉NOX排放浓度预测的准确度,更好地进行氮氧化物的污染监测,提出了一种结合最小二乘支持向量机(Least squares support vector machines,LSSVM)和改进的粒子群优化算法(Particle swarm optimization,PSO)的预测方法。依据LSSVM预测原理及其参数选择的不确定性,采用一种改进的PSO优化算法对模型参数进行寻优,建立锅炉燃烧NOX排放特性模型,并与另两种方法结果进行比较。结果表明:LSSVM是一种有效的建模方法,有较高的拟合度;改进的PSO与LSSVM结合可改善模型的预测精度和泛化能力,在NOX排放浓度预测方面明显优于其他两种参数优化算法,对NOX排放预测有指导意义。     

PLS-LSSVM模型在锌净化中的应用

在锌净化除钴过程中,生产数据存在噪声且变量间具有多重相关性,从而难以准确预测钴离子浓度。为此,采用偏最小二乘方法去除数据中的噪声,降低各参数间的多重相关性。通过为不同时期的样本数据赋予不同的权值,提高了最小二乘支持向量机(LSSVM)模型预测的准确性。利用改进的粒子群优化算法优化选择LSSVM模型的惩罚因子和核函数参数,以避免人为选择参数的盲目性。仿真结果表明,PLS- LSSVM模型的预测精度高于偏最小二乘回归和LSSVM。     

基于双自适应AIS-PSO的瓦斯浓度软测量模型

为解决煤矿单传感器瓦斯浓度预测精度不足的问题,将自适应人工免疫系统(AIS)与自适应粒子群(PSO)相结合,建立多参数并行双自适应AIS-PSO算法的瓦斯浓度软测量模型。通过分析煤矿井下环境参数对瓦斯浓度监测的影响,将矿井下温度及风速等环境参数作为软测量模型输入,上隅角瓦斯浓度作为模型输出。利用并行双自适应AIS-PSO算法对最小二乘支持向量机(LS-SVM)的核参数σ和正则化参数γ进行寻优,并与PSO-LSSVM、LS-SVM结果进行对比。结果表明:PSO-LSSVM平均相对误差为5.5083%,LS-SVM平均相对误差为8.6883%,并行双自适应AIS-PSO软测量模型的平均相对误差为2.0165%,最小相对误差为1.194%,与另两种方法相比具有较高的预测精度和泛化能力。     

主成分和BP神经网络在粮食产量预测中的组合应用

粮食产量的变动受到多种因素的共同影响,各因素之间往往具有十分复杂的非线性关系,传统的预测方法大多无法反映这种变化规律而影响了预测的准确性.BP神经网络模型具有很好的非线性逼近能力,对中国粮食产量能实现比较准确的预测;主成分分析可以对具有模糊关联的变量数据进行降维,其与BP神经网络的组合能优化模型的网络结构,提高预测精度.实证结果表明,组合模型预测结果的精度提高了3%,网络训练的收敛速度和效率也得到不同程度的改善.     

基于LSSVM的超短期负荷区间预测

智能电网的快速发展给电网运行带来了新的挑战,为适应智能电网快速响应的要求,实现对电力负荷未来运行趋势的快速估计,本文提出一种基于LSSVM模型的超短期电力负荷区间预测方法,所提方法在点预测的基础上,通过对样本数据的整体噪声方差进行估算来预测区间,计算量小且大大减少了预测耗时.在模型参数选取问题上,首先使用Gamma Test噪声估计的参数确定方法确定最优的训练样本量和嵌入维数,然后采用网格搜索的方法选择最优超参数,使LSSVM模型在训练样本上的拟合误差逼近估计出的最小噪声.为验证本文所提方法的有效性,使用某电网的调度负荷数据进行了仿真实验,其结果表明该方法不仅能够体现LSSVM简单快速的特点,还通过对模型参数的优化使预测区间的准确性得到了保证.     

摄像机标定方法的建模与仿真研究

研究摄像机定位优化控制问题,摄像机镜头存在多种非线性畸变,对标定路径和图像质量产生一定的影响,难以采用精确数学模型来描述,针对传统方法的摄像机标定准确率低。为了提高摄像机的标定准确率,利用LSSVM较好的处理非线性预测能力,建立一种PSO-LSSVM的摄像机标定模型。将摄像头采集到的图像坐标作为输入,将世界坐标作为输出,通过采用LSSVM精确逼近输入与输出的复杂非线性关系,采用PSO寻找LSSVM最优参数,提高标定准确率。通过标定模型进行对比实验,实验结果表明,PSO-LSSVM不仅加快标定速度,且提高了摄像机标定的准确率。     

最小二乘支持向量机与Kalman滤波耦合的瓦斯涌出量动态预测模型

针对瓦斯涌出量的多影响因素预测问题,提出一种最小二乘支持向量机(LS-SVM)回归算法与卡尔曼滤波耦合的动态预测方法.该方法依据预测残差方差比检验策略确定自适应的动态训练样本集以取代固定的训练样本集.LS-SVM辨识网络对瓦斯涌出量的相关因素进行非线性映射并提取出最佳维数的状态向量以建立基于卡尔曼滤波最优估计的瓦斯涌出量预测模型.利用矿井监测到的各项历史数据进行实验.结果表明,该模型的预测平均相对误差为2.17%,平均相对变动值ARV为0.008873,相比单一的神经网络或支持向量机预测模型,具有更高的预测精度与更强的泛化能力.     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

基于AFSA-LSSVM的短时交通流量预测

为了提高短时交通流量的预测精度,针对最小二乘支持向量机（LSSVM）参数优化难题,提出一种人工鱼群算法（AFSA）和LSSVM相结合的短时交流量预测模型（AFSA-LSSVM）,通过采用AFSA优化LSSVM参数,并采用具体短时交通流量数据进行仿真实验。仿真结果表明,相对于参比模型,AFSA-LSSVM可以获得更优的LSSVM参数,能够更加准确地描述短时交通流量变化趋势,提高了短时交通量的预测精度,为非线性短时交通流量预测提供了一种新的研究思路。     

支持向量机在衰落信道预测中的应用

研究信道通信优化控制问题,针对传统衰落信道预测算法中的不足,提出一种改进LSSVM的衰落信道预测。首先通过相空间重构对衰落信道系数序列进行重构,然后采用LSSVM对训练样本集进行学习,并通过自适应遗传算法对LSSVM参数进行优化建立最优衰落信道系数预测模型,最后采用测试集对模型的性能进行验证。仿真结果表明,相对于传统LSS-VM模型,改进模型提高了衰落信道系数预测精度,是一种进行衰落信道非线性预测的有效方法。     

复杂网络下的网络流量预测和预警研究

针对复杂网络环境下传统的网络流量预测方法存在预测误差大和精度低的缺点,提出一种基于EMFOA_LSSVM的网络流量预测模型。通过EMD提取网络流量数据的趋势特征和细节特征,构建出预测模型的输入和输出矩阵,运用MFOA_LSSVM实现复杂网络环境下的网络流量预测。实验结果表明,与MFOA_LSSVM,FOA_LSSVM,PSO_LSSVM和LSSVM相比,EMFOA_LSSVM具有更高的预测精度和收敛速度,为网络流量预测和预警提供决策依据。     

强化数据预处理的BLSTNet-CBAM短期电力负荷预测

针对负荷数据复杂性、非平稳性以及负荷预测误差较大等问题,提出一种综合特征构建和模型优化的短期电力负荷预测新方法.首先采用最大信息系数(MIC)分析特征变量的相关性,选取与电力负荷序列相关的特征变量,同时,考虑变分模态分解(VMD)方法容易受主观因素的影响,采用霜冰优化算法(RIME)优化VMD,完成原始电力负荷序列的分解.然后改进长短期时间序列网络(LSTNet)作为预测模型,将其递归层LSTM更新为BiLSTM,并引入卷积块注意力机制(CBAM)进行预测.通过对比实验和消融实验的结果表明:经RIME-VMD优化后,LSTM、GRU、LSTNet模型预测的均方根误差(RMSE)均降低20%以上,显著提高模型预测精度,且能够适应于不同预测模型.所提出的BLSTNet-CBAM模型与LSTM、GRU、LSTNet相比, RMSE分别降低了35.54%、6.78%、1.46%,提高了短期电力负荷预测的准确性.     

基于空间分解的参数优化径向基函数近似模型构造方法

为了进一步提高径向基函数(RBF)近似模型的精度,对其近似精度影响因素进行了深入研究.深入分析了计算机舍入误差对RBF近似精度的影响,指出矩阵条件数和形状参数同为影响RBF模型近似精度的两个重要因素.结合灵敏度分析对设计空间进行了分解,改善了矩阵条件数,增加了设计自由度,在传统基于形状参数优化的RBF近似模型的基础上,提出了基于空间分解的参数优化RBF近似模型构造方法.数值实验结果表明,在两个测试算例中,所提方法较传统基于形状参数优化的RBF近似模型构造方法的均方根误差(RMSE)分别减小了51.3%、58.0%,具有更高的近似精度.     

融合提升小波降噪和LSSVM的网络流量在线预测

针对网络流量数据被噪声污染而无法进行准确建模与预测的问题,将提升小波降噪(LWD)技术和在线最小二乘支持向量机(LSSVM)相结合,提出了一种网络流量的集成式在线预测方法。该方法首先对采集的流量数据进行降噪,然后采用相空间重构理论计算流量的时延、嵌入维数,据此确定训练样本并建立在线预测模型,对网络流量数据进行预测。实验结果表明,该方法能有效滤除流量噪声,实现在线预测,提高预测精度。