基于PSO-SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较.分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％.可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义.     

PSO_SVM模型在蒸发预测中的应用

利用支持向量机回归算法（SVM）结合粒子群优化算法（PSO）建立了用于蒸发预测的PSO_SVM模型,用和田地区实测蒸发量对其进行拟合与预测,并与传统的最小二乘支持向量机（LS—SVM）的预测结果进行了对比,结果表明PSO_SVM预测蒸发量的精度要高于LS_SVM,说明该模型可以用于蒸发预测。     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一．在国内外有多种用于预测煤与瓦斯突出的方法，包括动态和静态预测。但是这些方法大多只考虑单一的参数，因此它们对煤与瓦斯突出的预测效果并不是很理想．对于近年来应用较为广泛的神经网络。由于其固有的缺陷。对于高雏、小样本的情况具有不太理想的预测效果．作者综合考虑了多个因素，并将支持向量机（Support Vector Machine）这一方法应用到煤与瓦斯突出预测中．经过仿真试验。证明这种方法能够取得较好的预测效果．     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于SVM的老年痴呆症智能诊断研究

为了验证支持向量机（SVM）更适用于基于血常规数据的老年痴呆症的预测诊断,通过仿真实验,将BP神经网络、RBF神经网络、SVM支持向量机分别应用于老年痴呆症的预测诊断,建立3种算法对应的诊断模型,并对3种模型的预测结果进行分析比较,仿真实验在Matlab软件平台上进行. 结果表明,与BP、RBF神经网络方法相比,SVM模型预测准确度高,建模时间短,整体性能好,更适用于基于血常规数据的老年痴呆症预测诊断,实际应用时可以此结论作为理论指导.     

下肢假肢穿戴者跑动步态识别方法

提出基于粒子群（PSO）优化支持向量机（SVM）的下肢假肢穿戴者跑动步态识别方法.将假肢接受腔装配的肌电（EMG）传感器、加速度计和足底的压力传感器采集的假肢穿戴者跑动运动信息进行去噪预处理,对应提取加速度的偏度、均值与肌电信号均方根多个特征参数作归一化处理,结合双下肢足底压力信息组成多维特征向量,作为SVM的输入,解决了单一特征识别步态的低准确率问题.利用PSO优化分类模型参数,建立基于SVM的次序二叉树分类模型对跑动步态进行辨识.与传统BP神经网络的步态识别方法对比表明,利用PSO优化SVM方法能够将跑动步态识别率提高到92.78%,优于SVM和BP神经网络.     

冲击地压危险等级预测的PSO-SVM模型

为了对冲击地压进行有效的预测,分析了冲击地压的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的冲击地压危险程度预测模型,并通过实例,对PSO-SVM模型的预测效果进行了检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对实例进行了预测,最后对三种方法的预测精度进行了比较分析,结果显示:PSO-SVM方法的预测精度要高于BP-NN和SVM方法的预测精度,可见,PSO-SVM预测方法对煤矿冲击地压危险程度预测具有一定的参考价值和指导意义.     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

基于支持向量机的通信装备采购费用预测模型构建

高科技通信装备采购耗资巨大,对通信装备采购费用进行预测分析势在必行。介绍了支持向量机（support vector machines,SVM）非线性回归估计理论,利用SVM方法,经过4个过程构建出通信装备采购费用预测模型,并以某型无线电台为实例对模型进行了验证,最后总结了SVM方法的费用预测基本步骤。     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一.在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测,但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想.对于近年来应用较为广泛的神经网络,由于其固有的缺陷,对于高维、小样本的情况具有不太理想的预测效果.作者综合考虑了多个因素,并将支持向量机(Support Vector Machine)这一方法应用到煤与瓦斯突出预测中.经过仿真试验,证明这种方法能够取得较好的预测效果.     

基于遗传算法的煤与瓦斯突出影响因素研究

针对采用BP神经网络对煤与瓦斯突出预测时的过学习现象,引入遗传算法对煤与瓦斯突出的影响因素进行选择,并建立了以筛选出的变量作为输入的优化BP网络预测模型.遗传算法中染色体采用二进制编码,个体适应度函数引入了惩罚函数,并对基本遗传算法的遗传操作算子进行了一定的改进,最后利用平煤八矿煤与瓦斯突出的实测样本,在MAT-LAB2009b环境中对上述算法进行仿真研究.结果表明,以遗传算法筛选出的变量作为输入建立的预测模型的输出结果的拟合效果变好,预测精度提高,建模时间缩短.     

基于贝叶斯分类器的煤与瓦斯突出强度预测研究

摘。要：选取了影响煤与瓦斯突出的5个因素作为属性条件,把突出强度作为目标变量,利用训练样本对朴素贝叶斯分类器模型进行了学习训练,对测试样本进行了预测,从结果来看精确度较高．因此朴素贝叶斯分类器模型预测煤与瓦斯突出强度是有效的．     

煤与瓦斯突出预测的改进差分进化神经网络模型研究

鉴于常规煤与瓦斯突出BP预测模型的不足,将改进DE算法用于BP网络模型参数的优化及训练,提出结合两者优点的改进差分进化神经网络(IDEBP)煤与瓦斯突出预测模型.模型通过对变异模式、变异交叉因子自适应确定等改进,有效提高了标准DE的性能.实现了DE全局优化搜索与BP自适应、自学习的有机结合,稳健性得到加强,更能充分辨识煤与瓦斯突出样本的复杂非线性知识.以36组工程实例数据,进行了IDEBP和DEBP模型与BP模型仿真对比实验.结果表明:该模型能有效避免常规BP的不足,在收敛迅速、结果辨识和预测精度等方面均大为提高,为瓦斯智能预测提供了新的解决方案.     

PSO-SVM与BP神经网络组合预测供水系统余氯的方法

针对余氯量在供水系统内非线性变化的特性,建立了PSO-SVM与BP神经网络组合模型对管网末端余氯进行预测分析。该模型通过粒子群优化算法（PSO）,对SVM的特性参数进行优化;采用BP神经网络对模型进行残差修正。通过对单一的BP模型和SVM模型、组合模型的预测精度进行分析。结果表明：组合模型预测比BP和SVM单一预测均方误差分别降低了62.30%、75.29%,平均相对误差降低了55.03%、54.27%。综上所述,该模型具有强大的非线性拟合能力,预测精度高,运行稳定性强,对供水企业控制余氯的投加量和设置二次加氯点有一定的指导作用。     

基于BP神经网络分源预测综采面瓦斯涌出量研究

为了提高综采工作面瓦斯涌出量的预测精度,根据综采工作面瓦斯来源的分析,在瓦斯分源预测方法的基础上,融合神经网络预测技术,建立BP神经网络分源预测模型。结合某矿1242（1）工作面地质条件和开采技术条件,利用BP神经网络分源预测模型对工作面瓦斯涌出量进行了预测,结果表明,BP神经网络分源预测模型预测精度能满足现场需求,与分源法相比较,在综采工作面瓦斯涌出量预测中方便简洁而且具有很高可信度,其应用前景更广泛。