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。     

基于人工蜂群优化的支持向量机模型在Web服务QoS预测中的应用

在开放的网络环境下,Web服务的服务质量QoS具有很强的动态性。为了提高服务QoS的准确性,为服务选择、服务组合提供可靠的QoS信息,在考虑Web服务所处的网络环境和所要处理任务的特征对服务QoS影响的前提下,提出一种基于人工蜂群优化的支持向量机QoS动态预测方法。该方法首先对人工蜂群算法进行改进,提出了面向观察蜂的免疫选择机制和面向侦查蜂的改进逃逸机制;然后,采用改进的人工蜂群算法对支持向量机的参数进行优化;最后采用优化的支持向量机预测Web服务处理具体任务时的QoS。实验结果表明,该提出的QoS预测方法具有较好的预测速度和精度。     

基于PSOABC-SVM的软件可靠性预测模型

软件可靠性预测是指在软件开发初期对软件中各模块出错的可能性进行预测,对提高软件的可信性具有重要意义。提出了一种基于粒子群与人工蜂群优化支持向量机的软件可靠性预测模型,将粒子群优化算法与人工蜂群算法相结合的混合算法引入到支持向量机的参数选择中,提高软件可靠性预测的效果。实验结果表明,该模型比BP网络预测模型、粒子群优化支持向量机等预测模型收敛速度更快、预测精度更高,能更好的进行软件可靠性预测。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

增量式剪枝最小二乘支持向量机的时间序列预测

根据分块矩阵计算公式和支持向量机核函数矩阵本身特点,在增量式最小二乘支持向量机算法的基础上,通过引入剪枝方法改善最小二乘支持向量机的稀疏性,并将这种方法应用于时间序列预测,试验表明这一方法在预测精度及速度上具有一定的优越性。     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数从而形成支持向量机的训练样本集,在此基础上建立了基于支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

遗传支持向量机在股市趋向的预测

为了能够提高股市趋向的预测效率,深入地研究了支持向量机在股市趋向的预测和应用。提出了遗传模拟退火算法优化的最小二乘支持向量机预测模型,并分别对最小二乘支持向量机和遗传模拟退火算法进行了描述,给出了优化预测模型。通过实例研究,结果表明该方法具有较高的预测精度。     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

Optimal parameters estimation and input subset for grey model based on chaotic particle swarm optimization algorithm

Optimum prediction is a difficult problem, because there are no optimal models for all forecasting problems. In this paper, the authors attempt to find the high precision prediction for grey forecasting model (GM). Considering that chaotic particle swarm optimization algorithm (CPSO) will not get into local optimum and is easy to implement, the paper develops an approach for grey forecasting model, which is particularly suitable for small sample forecasting, based on chaotic particle swarm optimization and optimal input subset which is a new concept. The input subset of traditional time series consists of the whole original data, but the whole original does not always reflect the internal regularity of time series, so the new optimal subset method is proposed to better reflect the internal characters of time series and improve the prediction precision. The numerical simulation result of financial revenue demonstrates that developed algorithm provides very remarkable results compared to traditional grey forecasting model for small dataset forecasting.     

Optimal partition algorithm of the RBF neural network and its application to financial time series forecasting

A novel neural-network-based method of time series forecasting is presented in this paper. The method combines the optimal partition algorithm (OPA) with the radial basis function (RBF) neural network. OPA for ordered samples is used to perform the clustering for the samples. The centers and widths of the RBF neural network are determined based on the clustering. The difference of the objective functions of the clustering is used to adjust the structure of the neural network dynamically. Thus, the number of the hidden nodes is selected adaptively. The method is applied to stock price prediction. The results of numerical simulations demonstrate the effectiveness of the method. Comparisons with the hard c-means (HCM) algorithm show that the proposed OPA method possesses obvious advantages in the precision of forecasting, generalization, and forecasting trends. Simulations also show that the OPA–orthogonal least squares (OPA–OLS) algorithm, which combines OPA with the OLS algorithm, results in better performance for forecasting trends.     

基于EMD和LS-SVM的非平稳振动信号趋势预测

镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显,传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先,运用 EMD 将趋势时间序列自适应地分解成一系列不同尺度的本征模式分量IMF（intrinsic mode function）;其次,对每个本征模式分量,采用合适的核函数和超参数构造不同的LS-SVM 进行预测;最后对各分量的预测值进行拟合得到最终的预测值。仿真实验表明,此方法与单一的LS-SVM预测法相比,具有较高的精度和较强的推广能力。     

基于SFLA-CNN和LSTM组合模型的水位预测

水文时间序列受降雨量的影响,在变化规律上呈现季节性、非线性的特点。传统单一模型结构简单,对于复杂的非线性水文时间序列具有预测精度较低、不能很好捕捉水文时间序列的复合特征的问题。组合预测模型采用多分类器的思想,能够有效地提高预测准确度,然而在模型参数选择方面需要手工调参,花费时间多且不准确。本文提出一种基于SFLA-CNN和LSTM的组合预测模型：通过随机蛙跳算法SFLA对CNN模型进行参数寻优,得到优化后的SFLA-CNN预测模型;之后利用BP神经网络对SFLA-CNN和LSTM模型的预测值进行非线性组合,获得最终预测结果。在江苏省太湖区域的水位预测实验结果表明,该组合模型与现有模型相比,有效地提高了预测准确率,具有更好的泛化能力。     

软件可靠性组合预测模型研究

根据灰色模型、谐波分析和时间序列分析理论,对软件测试阶段的失效数据构成的时间序列进行分析,得到软件可靠性组合预测模型。结合实际数据,给出了具体的实现方法。数据试验结果表明,与单一时间序列预测模型相比,该模型具有较高的预测精度和很好的模型适应性。     

The modeling of time series based on fuzzy information granules

A lot of research has resulted in many time series models with high precision forecasting realized at the numerical level. However, in the real world, higher numerical precision may not be necessary for the perception, reasoning and decision-making of human. Model of time series with an ability of humans to perceive and process abstract entities (rather than numeric entities) is more adaptable for some problems of decision-making. With this regard, information granules and granular computing play a primordial role. Fox example, if change range (intervals) of stock prices for a certain period in the future is regarded as information granule, constructing model that can forecast change ranges (intervals) of stock prices for a period in the future is better able to help stock investors make reasonable decisions in comparison with those based upon specific forecasting numerical value of stock price. In this paper, we propose a new modeling approach to realize interval prediction, in which the idea of information granules and granular computing is integrated with the classical Chen’s method. The proposed method is to segment an original numeric time series into a collection of time windows first, and then build fuzzy granules expressed as a certain fuzzy set over each time windows by exploiting the principle of justifiable granularity. Finally, fuzzy granular model can be constructed by mining fuzzy logical relationships of adjacent granules. The constructed model can carry out interval prediction by degranulation operation. Two benchmark time series are used to validate the feasibility and effectiveness of the proposed approach. The obtained results demonstrate the effectiveness of the approach. Besides, for modeling and prediction of large-scale time series, the proposed approach exhibit a clear advantage of reducing computation overhead of modeling and simplifying forecasting.     

基于互补型集成经验模态分解模糊熵和回声状态网络的短期电力负荷预测

为了提高短期电力负荷预测的精度,提出一种噪声互补型集成经验模态分解(CEEMD)模糊熵和泄漏积分型ESN(LiESN)的组合预测方法。为降低对负荷序列进行局部分析的计算规模以及提高负荷预测的准确性,首先采用CEEMD模糊熵将负荷时间序列分解为具有明显复杂度差异的负荷子序列;然后,通过对各子序列进行特性分析,分别构建相应的子LiESN预测模型;最后将各子序列的预测结果叠加得到最终预测值。将CEEMD模糊熵结合LiESN的组合预测方法应用于美国新英格兰地区短期电力负荷实例中,仿真结果表明,所提出的组合预测方法具有很高的预测精度。     

基于LS-SVM的石油期货价格预测研究

建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测,并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度,明显优于RBF神经网络预测模型。     

Chaotic time series method combined with particle swarm optimization and trend adjustment for electricity demand forecasting

Electricity demand forecasting plays an important role in electric power systems planning. In this paper, nonlinear time series modeling technique is applied to analyze electricity demand. Firstly, the phase space, which describes the evolution of the behavior of a nonlinear system, is reconstructed using the delay embedding theorem. Secondly, the largest Lyapunov exponent forecasting method (LLEF) is employed to make a prediction of the chaotic time series. In order to overcome the limitation of LLEF, a weighted largest Lyapunov exponent forecasting method (WLLEF) is proposed to improve the prediction accuracy. The particle swarm optimization algorithm (PSO) is used to determine the optimal weight parameters of WLLEF. The trend adjustment technique is used to take into account the seasonal effects in the data set for improving the forecasting precision of WLLEF. A simulation is performed using a data set that was collected from the grid of New South Wales, Australia during May 14–18, 2007. The results show that chaotic characteristics obviously exist in electricity demand series and the proposed prediction model can effectively predict the electricity demand. The mean absolute relative error of the new prediction model is 2.48%, which is lower than the forecasting errors of existing methods.     

基于差分进化的BP神经网络预测混沌时间序列

针对BP神经网络预测模型收敛速度慢和容易陷入局部极小值的缺点,将差分进化算法和神经网络结合起来,提出了一种基于差分进化算法的BP神经网络预测混沌时间序列的方法,利用差分进化算法的全局寻优能力对BP神经网络的权值和阈值进行优化,然后训练BP神经网络预测模型求得最优解,将该预测方法用到3个典型的混沌时间序列进行算法的有效性验证,并与BP算法的预测精度进行了比较,仿真结果表明该方法对混沌时间序列预测具有更好的非线性拟合能力和更高的预测准确性。