基于PSO-LSSVM的城市时用水量预测

为解决传统最小二乘支持向量机(LSSVM)采用交叉验证确定参数耗时较长和粒子群(Particle Swarm Optimization,PSO)优化算法早熟收敛的问题,提出一种基于种群活性PSO算法优化LSSVM参数的方法。利用群活性加速度作为多样性测度,当群活性加速下降时,对粒子的位置和速度分别执行进化和变异操作来改进标准PSO算法,然后分析上海市时用水量序列特点及其影响因素,选取影响程度较大的主要因素,将其作为预测模型的输入变量,建立时用水量预测模型;最后采用改进的PSO算法优化LSSVM参数来预测上海市时用水量。实例分析表明,对比文中其他3种模型输入变量组合,选取的预测模型输入变量能够更有效地提高预测精度;与传统LSSVM方法相比,提出的基于改进PSO-LSSVM的时用水量预测方法计算速度更快,预测精度更高。     

基于PSO和LSSVM的生化过程建模研究

针对最小二乘支持向量机(LSSVM)在生化过程建模中的重要建模参数值选择问题.提出利用具有较强的全局搜索能力的粒子群(PSO)优化算法.对最小二乘支持向量机建模过程中的重要参数进行优化调整,每一个粒子的位置向量对应一组最小二乘支持向量机建模的参数.利用参数优化调整后得到的具有较优拟合预测效果的模型对谷氨酸发酵过程进行预测,仿真结果表明,该方法能使模型取得较好的预测效果.     

基于PSO-LSSVM的飞机维修保障费用预测模型

考虑到飞机维修保障费用数据样本容量小和难于预测的特点,提出用最小二乘支持向量机LSSVM(Least squares support vector machine)来预测飞机维修保障费用.采用粒子群算法PSO(Particle Swarm Optimization)优化LSSVM的参数,并同偏最小二乘回归(PLSR)的预测结果进行了比较.结果表明,PSO-LSSVM预测模型可调参数少、速度快,预测精度比PLSR有显著提高.     

基于自适应变异SAPSO-LSSVM的磨煤机一次风量预测

针对磨煤机一次风量的预测问题,建立了以磨煤机系统运行中与一次风量主要相关的参数作为输入变量的最小二乘支持向量机(LSSVM)模型。采用自适应变异的模拟退火粒子群算法(AMSAPSO)对建立的LSSVM模型的参数进行优化,建立了基于自适应变异的模拟退火粒子群优化算法的最小二乘支持向量机(AMSAPSO-LSSVM)预测模型。利用某600 MW机组磨煤机一次风系统运行数据对该模型进行了验证。结果表明,采用自适应变异模拟退火粒子群算法对LSSVM进行寻优,有效避免了搜索盲目性和早熟收敛的问题,提高了模型的泛化能力。采用AMSAPSO-LSSVM预测模型可以对磨煤机一次风量进行较高精度的预测。     

改进PSO-LSSVM算法的SDN网络流量预测模型

SDN技术解决了IP网络布设困难、更新繁琐等突出问题, 近年来发展迅速. 本文针对SDN网络流量预测问题, 提出首先采用混沌理论对时间序列样本群进行相空间重构, 随后引入最小二乘支持向量机(LSSVM)构建SDN网络流量预测模型, 并结合改进的粒子群算法(PSO)对其关键参数进行优化. 实验结果证明, 该模型有效提高了SDN网络流量预测精度与误差控制水平, 具有良好的实际应用价值.     

球形支持向量机在煤自燃预测中的应用

引入模糊隶属度和最小二乘思想,采用邻域粗糙集方法对煤自燃预测的输入向量进行维数约简和粒子群优化(PSO)算法优化支持向量机模型中的参数,提出一种模糊最小二乘球形支持向量机(FLHSSVM),并用序贯最小化(SMO)算法求解FLHSSVM中的二次规划问题,建立煤自燃预测模型。实验结果表明,该方法有效简化了训练样本,提高了FLHSSVM训练速度,且分类精度良好,有很好的泛化能力。     

铁水硅含量的混沌粒子群支持向量机预报方法

提出一种基于混沌粒子群优化(CPSO)的支持向量回归机(SVR)参数优化算法, 并使用该算法建立高炉铁水硅含量预测模型(CPSO–SVR), 对某大型钢铁厂高炉铁水硅含量的实际采集数据进行预测, 结果表明基于混沌粒子群优化算法寻优的参数建立的铁水硅含量支持向量回归预测模型具有良好的预测效果. 与最小二乘支持向量回归机(LS–SVR)、使用粒子群优化算法训练的神经网络(PSO–NN)进行比较, CPSO–SVR模型对铁水硅含量进行预测时预测绝对误差小于0.03的样本数占总测试样本数的百分比达到90%以上, 预测效果明显优于PSO–NN, 且比LS–SVR稳定性更强, 可用于高炉铁水硅含量的实际预测, 表明混沌粒子群优化算法是选取SVR参数的有效方法.     

变异粒子群优化最小二乘支持向量机的网络流量预测

针对最小二乘支持向量机参数优化问题,提出一种变异粒子群算法优化最小二乘支持向量的网络流量预测模型(MPSOLSSVM)。首先对网络流量序列进行相空间重构,构建最小二乘支持向量的学习样本;然后采用变异粒子群算法选择最小二乘支持向量机参数,从而建立最优的网络流量预测模型,最后与其他模型进行对比实验。对比结果表明,相对于对比模型,MPSO-LSSVM提高了网络流量的预测精度,预测结果可以为网络管理员提供有价值参考信息。     

基于PSO和LSSVM温度控制器的设计

利用离子群优化（PSO）算法的全局搜索功能和最小二乘支持向量机（LSSVM）泛化能力强、运算速度快的特点,设计了一种温度控制器。通过LSSVM 对输入输出数据的训练学习,建立其预测模型;然后运用粒子群算法完成控制过程的滚动优化。该方法克服了PID控制中存在的控制精度不高、抗干扰能力差以及实时性不好的缺点。通过对连续槽式搅拌反应器（CSTR）温度控制的实际应用,证明了该方法的有效性。     

改进PSO算法优化LSSVM模型的短期客流量预测

旅游客流量的准确预测为旅游目的地资源优化配置、景区战略计划制定提供有效依据。为了提高景区日客流量的预测精度,提出基于改进粒子群算法（Particle Swarm Optimization,PSO）优化最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）的预测方法,针对PSO算法的惯性权重在采取线性递减策略时不能满足粒子寻优非线性变化的缺陷,从种群中粒子的聚合程度以及种群进化中粒子适应度同惯性权重的关系出发,利用对数函数非线性变化的特性,提出基于对数函数的惯性权重自适应调整方法（Adaptive Logarithmic Particle Swarm Optimization,ALPSO）。通过改进的PSO算法优化LSSVM的参数,建立山岳型风景区日客流量的预测模型。以黄山风景区2012-2015年景区每日上山人数为例,实验结果证明,与基于标准PSO算法、正弦粒子群算法（Sinusoidal Particle Swarm Optimization,SPSO）和高斯粒子群算法（Gaussian Particle Swarm Optimization,GPSO）优化的LSSVM模型相比,ALPSO-LSSVM模型的预测性能更好,是准确预测景区日客流量的有效方法。     

基于改进PSO算法和LS-SVM的短期电力负荷预测

针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。     

基于粒子群最小二乘支持向量机的水文预测

支持向量机理论为研究中长期水文预测提供了新的方法。针对最小二乘支持向量机模型参数选择费时且效果差这一问题,给出基于粒子群算法的最小二乘支持向量机水文预测模型(PSO-LSSVM)。该模型运用最小二乘支持向量机回归原理建立,参数选取采用具有全局搜索能力的粒子群算法进行寻优。用此模型对南桠河冶勒水电站月径流进行预测,仿真计算结果表明,该算法可提高预测效率与预测精度。     

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。     

基于改进PSO优化LSSVM的传感器补偿研究

针对最小二乘支持向量机在对传感器进行补偿时,正则化参数和核函数参数对补偿精度影响较大的问题,提出一种利用改进的粒子群优化算法优化最小二乘支持向量机模型参数的传感器补偿方法。该方法利用改进的粒子群优化算法优化最小二乘支持向量机模型的正则化参数和核函数参数,避免了人工选择参数的盲目性,提高了最小二乘支持向量机模型的预测精度。仿真实验表明,在传感器的补偿时,该方法比最小二乘支持向量机模型的补偿精度更高。     

基于PSO与LS-SVM的作物需水量预测

为了提高作物需水量预测精度,提出基于粒子群优化算法(PSO)优化最小二乘支持向量机(LS-SVM)的预测模型。该模型以空气湿度、温度、太阳辐射以及风速为输入,利用多项式核函数和径向基核函数的非负线性组合构造核函数,将粒子群优化算法(PSO)与交叉验证方法用于确定模型参数。实验结果表明与神经网络和随机森林相比,PSO优化的LS-SVM可获得更好的预测精度和泛化能力,可用于节水灌溉,具有较高的应用价值。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于粒子群算法的煤气化过程LS_SVM预测模型

针对最小二乘支持向量机参数选择对模型性能的重要影响,并且以往的参数优选方法效果差且耗时长这一问题,提出基于粒子群算法优化最小二乘支持向量机预测模型.该模型用最小二乘支持向量机理论建立,用粒子群算法优化模型参数.论文将此模型用于预测评价固定床煤气化气化效果的三个主要性能指标(气体热值、气化效率、气体产率),通过现场实际数据仿真结果表明,该算法有效地提高了模型预测精度,验证了此模型的可靠性和可用性.     

基于SCA-LSSVM的电涡流传感器温度补偿方法研究

针对电涡流传感器在实际应用中容易受环境温度影响产生温度漂移这一现象,采用最小二乘支持向量机(LSSVM)建立回归模型,并将正余弦算法应用于回归模型的参数优化。通过正余弦算法对LSSVM的惩罚因子和核函数参数进行优化选取,得到最佳的传感器回归模型,并和粒子群算法优化最小二乘支持向量机(PSO-LSSVM)进行比较。实验结果表明,SCA和PSO优化后模型计算结果均方误差分别为9.97×10-4、4.39×10-3,模型优化耗时分别为578s、782s,传感器温度灵敏度系数分别为8.73×10-6(/℃)、7.63×10-5(/℃)。可以看出SCA算法在优化精度和效率方面均优于PSO算法。该方法提高了传感器的温度稳定性和系统检测精度,具有很强的实际应用价值。     

基于CEPSO-LSSVM的煤炭消费量预测模型

针对煤炭消费量的时变性、非平稳性特点,为了提高煤炭消费量预测精度,提出了一种鲶鱼粒子群算法优化最小二乘支持向量机（LSSVM）的煤炭消费量预测模型（CEPSO-LSSVM）。将LSSVM参数编码成粒子位置串,并根据煤炭消费量训练集的交叉验证误差最小作为参数优化目标,通过粒子间信息交流找到最优LSSVM参数,并引入“鲶鱼效应”,保持粒子群的多样性,克服传统粒子群算法的局部最优,根据最优参数建立煤炭消费量预测模型,并采用实际煤炭消费量数据进行仿真测试。结果表明,相对于其他预测模型,CEPSO-LSSVM可以获得更优的LSSVM参数,提高了煤炭消费量预测精度,更加适用于复杂非线性的煤炭消费量预测。     

基于云粒子群-最小二乘支持向量机的传感器温度补偿

针对传感器的测量精度受温度影响较大问题,提出了一种基于云粒子群-最小二乘支持向量机(CMPSO-LSSVM)的温度补偿方法。云粒子群算法(CMPSO)将云模型算法应用于粒子群优化(PSO)算法的收敛机制,具有寻优精度高的特点。CMPSO算法对LSSVM的参数进行优化选择,建立CMPSO-LSSVM传感器温度补偿模型。将该模型应用于振弦式传感器的温度补偿,通过实验证明了该温度补偿方法优于当前其他主要方法。