灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.     

基于最小二乘支持向量机算法的小地锚抗拔承载力研究

目的：基于最小二乘支持向量机算法预测小地锚的抗拔承载力。方法：最小二乘支持向量机算法中的输入参数包括等效地锚直径,地锚埋置深度,平均顶椎阻力,平均椎套摩擦力以及安装工艺。使用现场试验的119组数据中的83组数据进行最小二乘支持向量机回归模型分析,并使用剩余的36组数据测试模型的拟合良好性;同时用敏感度分析研究每个输入参数的作用。结论：通过与人工神经网络模型的对比,发现最小二乘支持向量机的性能表现优异。     

基于遗传算法优化最小二乘支持向量回归机的平板型固体氧化物燃料电池的控制相关动态辨识建模

研究目的：为了同时预测固体氧化物燃料电池（SOFC）的电压、温度动态特性和设计控制器,建立SOFC的控制相关动态辨识模型。创新要点：为了建立SOFC更精确的最小二乘支持向量回归机（LSSVR）动态模型,采用遗传算法（GA）优化LSSVR的参数。所建GA-LSSVR模型可同时预测SOFC的电压和温度动态特性。研究方法：1.分析SOFC的电化学和能量平衡子模型。2.利用所选择的最优LSSVR参数,建立了SOFC的GA-LSSVR动态辨识模型。通过仿真分析和比较,验证了所建模型的有效性（图3和4）。3.利用所建模型的预测结果,与模拟退火算法优化最小二乘支持向量回归机（SAA-LSSVR）和5折交叉验证最小二乘支持向量回归机（5FCV-LSSVR）模型的预测结果进行了比较,表明所建立的GA-LSSVR模型具有较高的预测精度（表3和4）。重要结论：通过比较SAA-LSSVR和5FCV-LSSVR模型的预测结果,发现所建GA-LSSVR模型具有较好的预测性能和精度。基于所建立的GA-LSSVR模型可进行有效的多变量控制器设计。     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机(LS-SVM)的股票价格预测方法.采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优.预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测.     

基于粒子群优化算法的LS-SVM字符识别模型

提出一种基于粒子群优化算法优化相关参数的最小二乘支持向量机(LS-SVM)的字符识别模型.利用相关的字符数据,分别使用本方法和基于网格搜索的最小二乘支持向量机方法进行识别.仿真结果表明,该方法的精确度高于其它两种方法.     

基于正交核最小二乘法的高职学生成绩预测

在高职教育中,一个能够以较高精度预测学生考试成绩的模型可帮助教师预判教学效果,从而不断改进教学方法,提高教学质量。利用正交核最小二乘法搭建了高职学生考试成绩预测模型,以学生自身特点和平时表现等信息构成模型输入特征变量,预测学生的考试成绩是否合格以及具体分数。以深圳信息职业技术学院学生作为研究对象,将模型从预测精度和稀疏度两方面与支持向量机进行比较。实验结果表明,利用正交核最小二乘法建立的模型具有良好的泛化能力,虽然拟合精度略逊于支持向量机,但是能够取得更好的分类精度和更大的稀疏度。     

基于LS-SVM的福房价格指数预测

提出一种基于最小二乘支持向量机(LS-SVM)的福房指数预测方法.采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型.预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测.     

基于微粒群优化LSSVM的室内指纹定位算法

为了降低利用最小二乘支持向量机（LSSVM）定位过程中参数选取对定位精度的影响,提出一种基于微粒群进行参数优化的室内指纹定位算法。该算法通过离线采集的RSSI数据训练最小二乘支持向量机,利用微粒群算法寻找并确定LSSVM全局最优参数,获得基于位置指纹的LSSVM定位模型。仿真结果表明,相对于传统LSSVM定位,PSO-LSSVM有效提高了定位准确度,并能在小样本情况下保持良好的定位精度。     

基于最小二乘支持向量机的地铁车站客流预测

以地铁车站客流监测数据为分析基础,给出基于Bayes理论的地铁车站客流数据曲线自适应特征提取流程和方法,通过特征指标的提取和优选,选择4个特征指标组成地铁车站客流预测模型的特征输入向量。在提出的基于最小二乘支持向量机的地铁车站客流预测算法中,采用修剪算法,通过实例分析证明:基于最小二乘支持向量机的地铁车站客流预测算法具有较强的自学习能力和较高的预测准确率。     

基于最小二乘支持向量机的油罐故障诊断方法

根据油罐故障分析,建立了油罐故障诊断模型。采用新型的支持向量机-最小二乘向量机(LS-SVM)的算法对此诊断模型进行预测,获得了满意的效果。该方法易于使用,很少受不确定性因素的影响,有很高的预测准确性。     

KPCA和FCM的击穿电压预测建模

针对变压器油击穿电压在线测量困难,提出核主元分析(KPCA)和模糊C均值聚类(FCM)的变压器油击穿电压预测模型。首先,通过KPCA提取输人数据的非线性主元;然后采用FCM将提取的主元集分成具有不同聚类中心的子集,同时,采用差分进化算法对KPCA核参数和FCM聚类数寻优,分别为每一子集建立最小二乘支持向量机(LSSVM)子模型;最后通过子模型切换策略得到模型的最终输出。实验结果表明,提出的预测模型具有较好的泛化能力和预测精度。     

量子粒子群算法优化最小二乘支持向量机及其应用研究

最小二乘支持向量机寻优的算法在实际生活中有着广泛的应用,用量子粒子群算法（Q PSO ）优化最小二乘支持向量机模型（LS -SVM ）能极大地提高最小二乘支持向量机的寻优能力。本文利用 QPSO 算法优化 LS - SVM 模型,以MATLAB7．0为平台,对企业的销售管理问题进行寻优,兼顾了公司、营销部的利益以及客户的需求,做到均衡销售,最后使公司的利益最大,证明了方法的有效性。     

最小二乘支持机及其数学原理和应用研究

介绍了最小二乘支持向量机（Least Squares Support VectorMachines,LS-SVM）的数学基础和具体应用。用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组的求解,提高了运算速度。并将其与偏最小二乘法、标准支持向量机进行了对比,结果表明,最小二乘支持向量机泛化能力更强,计算效率更高。     

支持向量机在出行链模式识别和影响因素分析中的应用（英文）

为了提高交通需求预测精度,综合考虑居民出行行为在时间维度上的分布,采用支持向量机、径向基神经网络和多项logit三种方法,基于居民活动目的,建立了出行链模式识别模型,并利用敏感性分析方法研究了解释因素对出行链模式选择的影响和对模型性能的贡献程度.结果显示:支持向量机模型在总体准确度和分类准确度上均优于其他2种方法,体现了支持向量机在小样本下的识别性能优势;证明了支持向量机能够较准确地反映多分类因素对于出行链模式选择行为的影响程度;因素对于不同出行链模式识别精度的贡献度差异表明了细化出行链模式及探索各个模式特有影响因素的重要性.支持向量机技术在交通需求预测建模及影响因素分析方面均具有实践意义.     

基于最小二乘支持向量机的故障电机诊断方法

由于从电机的频谱无法区别出故障电机,因而使用CZT变换(线性调频Z变换)分析采集到的电机数据,判断出电机是否有故障,对电机进行了分类;把采集到的数据分类后训练最小二乘向量机,再把相同维数的数据送入训练好的最小二乘向量机进行判断,最终得出用最小二乘向量机进行电机的故障诊断的准确性,从而说明了用最小二乘向量机进行故障诊断的可行性和可靠性。     

改进的基于支持向量机模型剪接位点的预测

在采用概率编码的基础上,利用支持向量机模型对人类剪接位点进行预测,重点研究了基于核主成分分析方法对最终预测模型的影响.从实验结果看,这种改进的基于支持向量机模型剪接位点的预测在敏感性和特异性上优于其他模型.     

基于狼群算法的GNSS欺骗干扰识别（英文）

为解决卫星导航接收机在受到欺骗干扰时难以识别欺骗干扰这一问题,提出了一种基于模型的欺骗干扰识别方法.首先将干扰机/卫星发射机以及通信信道建模为Hammerstein模型,然后使用一种新的模型辨识方法——狼群算法来进行模型参数辨识.将估计得到的模型参数作为特征参数,使用欧氏距离比较法实现欺骗干扰的识别.仿真实验验证了所提方法的有效性和鲁棒性.结果表明:狼群算法与最小二乘法、迭代法和蝙蝠算法等其他模型辨识算法相比,虽然在算法时间复杂度上比最小二乘法和蝙蝠算法略高,但具有更高的模型参数辨识精度和欺骗干扰识别率,甚至在信噪比较低时识别性能也最优.     

煤炭发热量的分位数线性回归分析研究

建立了煤炭工业分析指标水分、灰分、挥发分与煤炭发热量间的线性回归模型,采用分位数回归估算模型系数。通过对我国新疆伊犁地区煤炭发热量分析研究,表明基于分位数估计的线性回归模型优于基于传统的最小二乘估计的线性回归模型,且预测效果优于支持向量机。     

基于LS-SVM的基坑周边地表沉降预测模型

针对神经网络用于基坑变形预测存在结构难确定、训练易陷入局部最优及易过学习等问题,以已有的周边地表沉降为样本,利用最小二乘支持向量机(LS-SVM)建立基坑地表沉降预测模型,应用网格搜索算法优化模型参数,对基坑周边地表沉降进行连续滚动的多步预测。实例结果表明,LS-SVM用于基坑周边地表沉降预测效果较好,具有所需数据少、推广能力强等优点。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。