基于灰色支持向量机的液压泵寿命预测方法

针对单方法所建液压泵寿命预测模型精度较低的缺陷,提出基于灰色理论和支持向量机的组合预测模型的液压泵寿命预测方法.该方法通过灰色累加生成操作对原始序列进行数据处理,以增强数据的规律性;运用最小最终误差预测准则确定嵌入维数,选择模型的参数;采用支持向量机进行预测,利用灰色累减生成操作还原数据,得到预测结果.选取液压油的光谱分析数据作为液压泵的寿命特征信息,采用该模型对液压泵进行寿命预测,并与灰色模型、单一支持向量机模型进行预测性能对比.结果表明,灰色支持向量机预测性能最优,精度达到99.37％,为液压泵性能评估和寿命预测提供一种更为有效的方法.     

基于SVM模型的中国电力需求预测

影响电力需求的因素很多,单一预测方法很难满足不同情况的预测需要,而现有组合预测模型又主要基于经验风险最小,预测精度受组合模型的限制。本文提出一种基于支持向量机的电力负荷组合预测模型,该模型利用结构风险最小化原则代替传统的经验风险最小化,充分挖掘原始数据和单一预测模型的信息,以单一模型的预测数据为预测样本,选择多项式函数支持向量机进行组合预测。实际算例表明,支持向量机法克服了传统神经网络算法的局部最优、收敛难以控制等缺点,具有良好的可行性和有效性。     

制动器摩擦衬片磨损量的等维灰色预测

为评估制动器摩擦性能和工作可靠性,采用灰色系统理论分别建立了摩擦衬片磨损量预测的灰色GM(1,1)模型及等维灰色GM(1,1)模型(包括等维灰数递补GM(1,1)模型和等维新息GM(1,1)模型).计算结果表明,灰色预测模型的计算值与实际测定值之间非常接近,而等维灰色预测模型较单一GM(1,1)模型在多步预测时具有较高的精度;等维新息GM(1,1)模型较等维灰数递补GM(1,1)模型具有更高的预测精度,其具有动态性,可对摩擦制动器的工作状态实施在线实时监控.     

基于粒子群优化的最小二乘支持向量机在时间序列预测中的应用

为提高基于最小二乘支持向量机（LSSVM）的时间序列预测方法的泛化能力与预测精度,研究了一种基于粒子群优化（PSO）的LSSVM。该方法以交叉验证误差为评价准则,利用PSO对多个具有不同超参数的LSSVM进行基于迭代进化的优化选择,并以交叉验证误差最小的LSSVM作为最终优化后的LSSVM。时间序列预测实例表明,经PSO优化后的LSSVM的预测精度高于未经优化的LSSVM与传统时间序列预测方法的预测精度。     

基于历史误差模型和局域临域校正的预测融合算法

针对预测模型的精度随机性较大,一些数据存在残缺和不确定性,需要融合多模型的组合体来减少预测误差的问题,提出了使用改进模糊RBF神经网络(FRNN)的误差模型的“局域临域校正”的组合体预测融合方法:通过预处理的FRNN误差模型来表征每个预测模型的实时性能,在预测时,利用误差模型,使用基于权值和偏好的融合作为预测模型组合体的聚合方法,将多个预测模型在线融合并给出最终预测结果.该方法将较大的权重赋予局部性能较优的预测模型,同时消除预测偏好的影响,并在预测前预处理所需误差模型.应用结果表明,构建的预测模型其预测精度相比单一预测模型有明显优势,且具有良好的在线预测实时性,具有推广和应用的价值.     

基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测

针对Cr12MoV刀具磨损量预测问题,提出了一种新的粗糙集和最小二乘支持向量机(LSSVM)相结合的预测方法。将声发射信号提取的能量值和切削要素作为预测模型的输入参数,为了降低运算的复杂性,提出采用粗糙集理论对多维输入参数进行降维处理的方法;为提高预测准确性和精度,利用蚁群算法对LSSVM的参数进行优化,建立基于粗糙集和ACO-LSSVM的Cr12MoV刀具磨损量预测模型。仿真结果表明,所建立的Cr12Mo V刀具磨损量预测模型合理有效,具有较强的推广能力和较高的预测精度。     

基于优化的组合协方差高斯过程的表面粗糙度预测

加工过程中产生的表面质量(如粗糙度)的数据序列包含多种特征,为能捕捉更多的数据特征,提高表面粗糙度的预测精度,提出采用组合协方差的高斯过程回归(CGPR)模型预测表面粗糙度,来捕捉数据特征中的线性特征和非线性特征;为获得CGPR模型的最佳超参数组合,采用人工蜂群(ABC)优化算法对超参数寻优,形成人工蜂群—组合协方差的高斯过程回归(ABC-CGPR)模型。通过45钢的车削试验,基于不同切削用量和刀具结构,建立了各类不同组合协方差的ABC-CGPR预测模型和单一协方差的ABC-GPR预测模型,并对比其预测性能,结果展示CGPR预测模型相比单一的GPR预测模型具有更高的预测精度,其中线性协方差函数与Matern协方差函数组合的预测精度最高,为实际加工中选取满意的预测模型提供了有效的指导。     

基于实验数据训练的切削力组合预测模型

为提高切削力预测模型的准确性和稳定性,采用最优权值组合预测模型,以实验数据训练为基础,将人工神经网络模型、高斯过程回归模型及切削力经验公式这3个单一预测模型进行组合,对机械加工过程中的切削力进行预测。应用3种误差分析方法(均方根误差、平均绝对百分比误差及平均绝对误差)对组合预测模型进行评价,以此验证组合模型的稳定性和准确性。结果表明,相比于单一预测模型,组合算术平均模型所得结果与实验数据吻合良好,具有较高的精度和稳定性,对于切削力的预测具有参考价值。     

基于组合模型的滚动轴承故障预测研究

针对轴承故障预测可使用的样本数据少、特征参数信息贫乏且呈现非线性、不确定性等特点,提出一种基于改进灰色GM(1,1)和遗传算法优化的BP神经网络的组合预测模型。首先,根据各单一模型在当前时段的预测误差,通过最小二乘法确定出在未来时段中两种单一模型的权重,然后将预测结果进行加权求和,得到最终的组合模型预测值。该模型既能实现灰色GM(1,1)模型处理小样本的轴承振动数据预测的目标,也能发挥BP神经网络解决非线性拟合问题的优势。最后,将组合模型与各单一模型进行实例数据分析,结果表明组合模型的预测精度为96.63%,比上述子模型的预测结果分别提高了7.84%和6.13%。     

基于数学形态学和IFOA-SVR的滚动轴承可靠度预测方法

为了保证滚动轴承运行状态可靠度的预测精度同时增加预测步长,提出一种数学形态学分形维数结合改进果蝇优化算法-支持向量回归(Improved fruit fly optimization algorithm-support vector regression,IFOA-SVR)的滚动轴承可靠度预测方法。提取振动信号的包络信号,计算该包络信号的数学形态学分形维数,将其作为滚动轴承性能退化状态特征。利用IFOA对SVR中的参数C、g以及ε同时进行寻优,建立IFOA-SVR预测模型。利用极大似然估计结合IFOA建立威布尔比例故障率模型(Weibull proportional hazard model,WPHM),进而得到可靠度模型。将退化状态特征作为IFOA-SVR预测模型的输入,采用长期迭代预测法获取特征预测结果,并将该结果嵌入到可靠度模型中,从而预测出轴承运行状态的可靠度。试验结果表明,利用所提方法对滚动轴承可靠度进行预测,能在保证预测精度的前提下增加预测步长。     

基于混沌理论和神经网络的瓦斯浓度预测研究

针对瓦斯浓度的非线性和混沌时间序列可预测的特点,根据Takens理论重构瓦斯浓度相空间,分别采用互信息最法计算时间延迟τ,G—P算法计算嵌入维数m,并采用BP神经网络对混沌时间序列进行预测,最后通过煤矿瓦斯浓度预测的实例说明预测结果,从而成功实现了对瓦斯浓度的预测。     

混沌预测模型改进及在电力日负荷预测中的应用

针对电力日负荷预测中基于最大Lyapunov指数的传统混沌预测模型的缺陷,提出以下改进思想:采用微分熵法同时确定嵌入维数和延迟时间,改善相空间重构质量的同时,有效减少计算量;引入夹角参数,在与中心点距离最短的点中,筛选夹角最小的点作为最终邻近点;基于相似性原理,引入取舍规则,使得计算结果唯一确定。本文方法解决了传统预测模型计算量大、运算速度慢、预测精度不高以及正负号选取等问题。通过对典型混沌系统数值验证和某地区实际电力负荷系统的预测分析证明了本文方法的可靠性和高效性,为电力日负荷预测提供了一种新的有效途径。     

混沌理论对国际原油价格的研究

自从2008金融危机以后,石油的价格在经历了从147.25美元/桶到33.20美元/桶的涨跌后,现在维持在100美元/桶左右。有研究表明,石油市场是具有混沌特性的复杂非线性系统。论文先采用互信息法求取延迟时间,CAO方法求嵌入维数,以此为基础对石油价格时间序列进行相空间重构,并通过计算最大Lyapunov指数判定其存在混沌吸引子,并对其建立基于最大Lyapunov指数混沌预测模型。     

CO_2激光微加工实验台定位精度预测模型研究

为了提高CO2激光微加工实验台定位精度,提出基于LSSVM的直线电机定位精度误差回归建模和预测方法.采用径向基核函数的LSSVM对不同速度和加速度下的直线电机伺服系统定位误差进行了预测.研究结果表明,采用径向基核函数的LSSVM能提高预测精度,取得较好的预测结果.     

基于分形与支持向量回归的动力装置运行状态预测模型

分析了动力装置运行状态特点和预测要求,依据分形和支持向量回归理论,建立了基于分形与支持向量回归的状态趋势预测模型。其中,以振动烈度作为描述机组状态的特征数据来构建时间序列,对其进行相空间重构,根据最小嵌入维数来确定支持向量机输入节点数,采用支持向量回归算法对机组状态趋势进行预测。应用案例研究和实验对比分析的结果表明,研究的状态预测模型单步预测的平均相对误差为1.7881%, 30步预测的平均相对误差为3.3983%,预测模型能较好地满足动力装置状态趋势预测要求。     

灰色残差模型在城市工业需水量预测中的运用

建立灰色残差模型是为了解决灰色模型无法达到预测精度问题,其原理依赖于灰色模型,不同之处是以残差数列建立灰色模型对该模型进行修正以满足预测精度。建立了灰色预测模型和残差预测模型,经精度检验得出灰色残差模型预测精度等级使用灰色残差模型预测出的南通市未来8年内的工业需水量具有可信度,分析比较得出结论：灰色残差模型适用性较灰色模型好,更有助于城市水资源综合规划和供水计划的制定。     

基于粒子群算法的自回归加权马尔可夫链的负荷预测

针对城市居民人均年用电量序列具有波动性、随机性和相依性的特点,建立了基于粒子群优化算法的自回归加权马尔可夫链的负荷预测模型(PSO-AR-W-MC)。首先利用粒子群算法和AIC准则确定出自回归AR模型的系数和阶数,并对负荷变化趋势进行预测。利用平行曲线法划分该模型得到的残差序列,建立马尔可夫链的状态区间,以此求出状态转移概率矩阵,利用归一化后的自相关系数对其进行改进,确定出预测数据所属状态区间。根据状态区间对预测值进行第二次拟合。实例分析表明该算法具有较高的精确度和可靠性,应用前景广阔。     

基于模糊信息粒化和CPSO-LS-SVM的城市轨道交通客流量组合预测

为了获得城市轨道交通客流量的变化趋势和更好地掌握客流量的波动范围,本文提出了一种基于模糊信息粒化和混沌粒子群算法(CPSO)优化最小二乘支持向量机(LS-SVM)的客流量波动范围组合预测模型.针对客流量的非线性和波动性,采用模糊信息粒化,将客流量数据根据需要按窗口提取有效信息,利用CPSO较强的全局搜索能力对LS-SVM预测模型的参数进行最优选取.最后运用组合模型预测2014年广州市地铁3号线体育西路站早高峰客流量波动范围,并与其他模型进行对比分析.仿真结果表明,本文组合预测模型能有效地跟踪客流量变化趋势,为预测未来一段时间内的短期客流量波动范围趋势提供了一种行之有效的方法.     

丰满水库汛期径流预报方法初探

本文利用丰满水库1959~2005年水位资料,流域降水资料,丰满水库放流资料,探讨了水库水位变化与流域降水的关系。利用统计学方法找出时空相关因子,建立数学模型,并对方程做对比检验。得出结论：采用独立站点的空间分布因子和综合站点的降水时间分布因子建立的方程模式,较为适合丰满汛期径流水位预报,径流水位预报的准确率有所提高。     

航空发动机油样光谱分析的PSO-LSSVM组合预测方法

油样光谱分析是航空发动机磨损状态监测与故障诊断的重要技术,基于光谱数据的航空发动机状态预测有利于发现航空发动机的早期磨损故障。根据光谱数据特征,选取AR模型、BP神经网络模型以及GM(1,1)预测模型作为基础模型,建立了基于最小二乘支持向量机的组合预测模型,同时,用粒子群算法对LSSVM的正则化参数以及核函数参数进行了优化。最后利用两组实际的航空发动机光谱分析数据对模型进行了验证,与基础模型的对比结果充分表明,提出的带粒子群优化的最小二乘支持向量机(the Least Squares Support Vector Machines with Particle SwarmOptimization-PSO-LSSVM)的非线性变权重组合预测模型具有更好的预测精度。