基于改进BP网络的高炉煤气发生量预测模型

针对高炉煤气发生量波动对煤气调度和优化影响的问题,提出一种基于改进BP网络的高炉煤气发生量预测模型.由于影响高炉煤气发生量的因素很多,采用机理和现场实际数据相结合方法分析影响高炉煤气发生量的因素,确定模型输入,采用炼铁高炉现场数据对模型进行训练,利用贝叶斯正则化算法来提高神经网络泛化能力.仿真结果表明,该模型能够准确预测高炉煤气发生量的变化趋势,为制定煤气管网平衡调度策略提供科学的依据和决策支持,有利于减少煤气排放,提高煤气利用率和企业的信息化水平.该预测模型已经成功应用到杭州钢铁集团煤气调度系统中,运行结果验证模型的有效性.     

基于改进支持向量机的瓦斯涌出量预测

为了克服瓦斯涌出量预测传统模型存在泛化能力弱和预测精度低的缺点,基于改进粒子群优化支持向量机建立一种非线性的煤矿瓦斯涌出量预测新模型。用改进的粒子群优化算法对支持向量机的惩罚因子与核参数进行寻优,选取最佳参数,以最佳参数对给定的训练样本进行学习训练,得到系统输入输出之间依赖关系的估计,再由这种关系对未知输出做出预测,进而建立起新型支持向量机预测模型。仿真实验结果显示,与普通粒子群优化的支持向量机相比,改进算法可使预测值的最大误差降低3．86％,平均误差降低4．27％,即新模型能够克服传统预测模型人为选取参数的盲目性以及神经网络的过学习问题,从而提高瓦斯涌出量预测的精度。     

基于混沌优化支持向量机的大坝安全监控预测

首先介绍了基于统计学习理论的一种新的机器学习技术——支持向量机(Support Vector Machine,SVM),并针对目前支持向量机参数选择时人为选择的盲目性,将具有良好优化性能的混沌优化(Chaos Optimi-zation)技术应用到支持向量机惩罚函数和核函数参数的优化,提出了混沌优化支持向量机(Chaos Optimization Support Vector Machine,COSVM)方法.根据丰满大坝1997-2004年的实际监测数据,建立了混沌优化支持向量机大坝安全监控预测模型,进行了与统计回归模型和BP神经网络模型的分析比较,结果表明,COSVM模型具有更高的预测精度,同时在较长时段的预测中,COSVM模型也表现出更好的泛化推广性能.     

SVR-Boosting ensemble model for electricity price forecasting in electric power market

A revised support vector regression (SVR) ensemble model based on boosting algorithm (SVR-Boosting) is presented in this paper for electricity price forecasting in electric power market. In the light of characteristics of electricity price sequence, a new triangular-shaped 为oss function is constructed in the training of the forecasting model to inhibit the learning from abnormal data in electricity price sequence. The results from actual data indicate that, compared with the single support vector regression model, the proposed SVR-Boosting ensemble model is able to enhance the stability of the model output remarkably, acquire higher predicting accuracy, and possess comparatively satisfactory generalization capability.     

Intelligent decision support system of operation-optimization in copper smelting converter

1　ＩＮＴＲＯＤＵＣＴＩＯＮＣｏｐｐｅｒｃｏｎｃｅｎｔｒａｔｅｉｓｓｍｅｌｔｅｄｉｎａｆｌａｓｈｆｕｒ ｎａｃｅ .Ｔｈｅｓｍｅｌｔｉｎｇｐｒｏｄｕｃｔｉｓｃｏｐｐｅｒｍａｔｔｅ .Ｔｈｅｍａｔｔｅｉｓｆｅｄｔｏｃｏｎｖｅｒｔｅｒ.Ｓｕｌｆｕｒａｎｄｉｒｏｎａｒ     

基于MIMO-SVR的供热负荷日预报方法

针对城市集中供热系统中提前24小时的日负荷预报方法具有较大误差问题,提出了一种基于多输入多输出支持向量回归（MIMO-SVR）的供热负荷日预报方法.该方法利用MIMO-SVR的多输出特性通过一步预报直接获得24小时的日负荷预报.通过对某热力站实际供热负荷数据进行仿真研究,结果表明,MIMO SVR日预报的平均相对误差为2.47%,较多输入单输出支持向量回归（MISO-SVR）预报精度高,能够满足供热工程的应用需要.     

操作条件对锡反射炉熔炼热力学过程的影响分析

利用已建立的锡反射炉熔炼热力学过程计算机模型,首次研究了熔炼温度、焙砂锡品位及还原煤量对Sn、Fe、Pb、Zn、C等元素或组分分别在粗锡、炉渣及炉气相中分配行为的影响.模拟结果表明,熔炼反应最佳温度为1500K,当到达这一温度后,再提高炉温对反应过程的优化并无明显贡献,提高入炉焙砂的锡品位及还原煤量均对提高粗锡品位及锡回收率有利.     

多输出支持向量回归机在依赖时间的变分不等式中的应用

支持向量回归技术广泛用于解决单输出回归问题,但现实中存在更多的是多输出的情形。为更好地解决多输出回归问题,在单输出支持向量回归机的基础上,通过并行运算推广得到一种多输出支持向量回归机,并在动态交通均衡问题的背景下,求解依赖时间的变分不等式问题。实验表明与单输出支持向量回归算法和线性插值比较,多输出支持向量回归算法具有更快的计算速度和更好的拟合效果。文中给出的多输出支持向量回归机不仅推进了多输出支持向量回归机的研究,而且为解决依赖时间的变分不等式问题提供了一种新思路。     

基于APSO-WLSSVR的水质预测模型

为解决传统预测方法和标准最小二乘支持向量回归机(least squares support vector regression, LSSVR)在水质预测中存在预测精度低、鲁棒性差等问题,提出了自适应粒子群优化加权最小二乘支持向量回归机(adaptive particle swarm optimization weighted least squares support vector regression, APSO-WLSSVR)的水质预测模型。根据样本对模型重要性不同为各样本赋予不同权重,建立了加权最小二乘支持向量回归机(weighted least squares support vector regression, WLSSVR),实现对样本数据“重近轻远” 的优化选择,避免标准LSSVR算法因没有考虑样本重要性差异致使预测精度低的问题;采用自适应粒子群优化算法对模型参数组合进行优化选择,克服了标准LSSVR算法因试凑法获取参数的盲目性和人为因素的影响。为验证该模型的性能,对江苏省宜兴市集约化河蟹养殖水质进行预测,并与其他预测方法对比分析,结果表明该模型预测精度明显提高,还具有较好的鲁棒性和泛化能力,能够满足集约化水产养殖水质管理的实际需要。     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

基于主成分分析和支持向量机的道路网短时交通流量预测

将主成分分析和支持向量机回归相结合,进行道路网多断面的短时交通流量预测研究。首先,整理分析路网中多个断面交通流量数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,转化为断面交通流量数据,从而预测道路网短时交通流量。采用城市快速路多断面数据进行实例分析,结果表明,该模型比单一断面预测方法的效果更好。     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机（AWLS-SVM）理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

短期负荷预测的自适应加权支持向量机新方法

提出了一种基于自适应加权最小二乘支持向量机(AWLS-SVM)理论的电力系统短期负荷预测新方法。在对已知负荷数据及影响因素的分析学习基础上,先用自适应参数优化法整定最小二乘支持向量机的参数,确定最优参数对,然后针对各样本重要性的差异,赋予每个样本惩罚参数不同的加权系数,建立了具有良好推广性能的AWLS-SVM回归模型。本方法突出了不同样本在训练过程中贡献不同的特性,具有结构简单、泛化性能好、不易发生过拟合现象等优点。通过对真实数据的建模预测,证明了该法在短期负荷预测中的可行性和有效性。     

在线模糊支持向量机回归方法及其应用

针对全局建模方法很难精确描述实际生产过程,提出了一种模糊支持向量机回归建模算法,并推导出相应的增量与减量算法;在此基础上,提出了在线模糊支持向量机回归建模方法,该方法利用滚动时间窗内的数据优化建模,随着时间窗的滚动,在原有模糊支持向量机模型的基础上通过增量与减量算法实现参数的快速在线更新。通过将该方法用于丙烯腈收率的预测建模,结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以较好的跟踪丙烯腈收率的变化。     

最小二乘支持向量机的参数优选方法及其应用

参数选择是支持向量机研究领域的重要问题,它本质上是一个优化搜索过程.以遗传算法和粒子群算法为基础探讨了基于两者的混合智能算法,将杂交操作、变异操作引入PSO算法中,同时,在种群随机搜索过程中嵌入确定性的模式搜索,使得算法可以在任何阶段进行精细搜索;在此基础上,提出了基于混合智能的最小二乘支持向量机方法(LS-SVM),以最小化k-fold交叉验证误差为评价函数,利用混合智能算法优化LS-SVM参数.最后结合实例对该方法进行了实证检验,并对结果进行分析.     

Study and application of time series forecasting based on rough set and Kernel method

A support vector machine time series forecasting model based on rough set data preprocessing was proposed by combining rough set attribute reduction and support vector machine regression algorithm. First, remove the redundant attribute for forecasting from condition attribute by rough set method; then use the minimum condition attribute set obtained after the reduction and the corresponding initial data, reform a new training sample set which only retain the important attributes influencing the forecasting accuracy; study and train the support vector machine with the training sample obtained after reduction, and then input the reformed testing sample set according to the minimum condition attribute and corresponding initial data. The model was tested and the mapping relation was got between the condition attribute and forecasting variable. Eventually, power supply and demand were forecasted in this model. The average absolute error rates of power consumption of the whole society and yearly maximum load are respectively 14.21% and 13.23%. It shows that RS-SVM time series forecasting model has high forecasting accuracy.     

一种基于支持向量回归的多层原油分层产能贡献预测模型

由于分层原油产能贡献与原油色谱指纹参数之间是一种极其复杂非线性关系,常规方法难以建立准确的预测模型,引入非线性函数拟合的支持向量回归方法。利用特征指纹参数和支持向量回归机建立SVR多层原油产能贡献预测模型。采用原油配比实验进行验证,预测输出与实际配方比例值的最大绝对误差为3.17%,平均误差为1.8%,同时利用实验井预测模型对相似井进行分层产能监测。实验结果表明,该模型具有较好的预测效果与较大的应用价值。     

基于Wiener模型的非线性预测函数控制

针对传统的预测函数控制对非线性强、结构多变的实际对象控制效果不佳问题,提出了一种基于Wiener模型的非线性预测函数控制(PFC)方法。通过引入支持向量机回归方法,建立Wiener模型中非线性部分的逆模型,在输出反馈和参考轨迹上分别添加一个Wiener模型中非线性部分的逆模型,将非线性预测函数控制转化为线性预测函数控制,用线性优化算法解决非线性预测函数控制问题,避免了复杂的非线性优化。pH中和过程的计算机仿真结果表明,该方法比PID控制效果更好,而且对模型失配具有很好的自适应性能。     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

用于高炉铁水质量预报的改进支持向量回归

针对建模数据中包含噪声和离群点会降低相应软测量模型准确性的问题,提出一种结合2层变量空间分析的预处理方法.用多变量修剪法在原始变量空间预处理;并提出支持向量聚类（SVC）的预处理方法,将建模数据映射到高维特征空间,构造一超球体来排除离群点.SVC无需像传统预处理方法假设数据服从正态或近似正态分布,更符合实际的高炉过程.预处理后的数据再用支持向量回归建立软测量模型.在一工业高炉铁水硅含量的建模和预报实验结果表明,所提出方法能够更有效排除离群点,且提高了支持向量回归模型的鲁棒性和预报性能.