变结构遗传最小二乘支持向量机法预测日用水量

为解决日用水量预测模型的动态参数估计问题,提出了基于变结构遗传最小二乘支持向量机的预测模型.以日用水量的主要影响因素和相关日用水量为输入,利用遗传算法对基于LSSVM的历史日用水量模型参数进行寻优,获得模型结构参数序列;采用扩展卡尔曼滤波器估计基于最小二乘支持向量机的预测日用水量模型参数,进而预测下一日用水量.实例分析表明:提出的模型具有较高的预测精度,预测的最大绝对相对误差仅为9.3%,平均绝对相对误差为2.09%.     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

遗传最小二乘支持向量机法预测时用水量

为解决传统最小二乘支持向量机采用交叉验证确定参数耗时较长的问题,提出基于遗传算法和最小二乘支持向量机的城市时用水量预测方法.根据城市时用水量序列具有较强相关性的特点,利用自相关系数法分析时用水量序列的变化规律,并引入二进制编码的自适应遗传算法优化最小二乘支持向量机的超参数,采用交叉验证法确定遗传算法个体的适应值,建立了时用水量预测模型.实例分析表明：与基于传统最小二乘支持向量机的时用水量预测方法相比,基于遗传算法和最小二乘支持向量机的时用水量预测方法计算速度更快,预测精度更高.     

差分进化最小二乘支持向量机法预测日用水量

为解决最小二乘支持向量机的参数确定问题,提出采用自适应差分进化最小二乘支持向量机法预测日用水量.引入改进粗糙集算法分析日用水量主要影响因素,利用自相关系数法确定序列的相关性,并将自适应差分进化算法(SADE)用于优化最小二乘支持向量机(LSSVM)的参数,建立了基于SADELSSVM的预测模型.结果表明,与传统差分进化算法(DE)和自适应遗传算法(SAGA)相比,SADE具有更快的最优个体搜索速度和群体进化速度,与基于SAGALSSVM和基于DELSSVM的模型相比,本文提出模型的预测能力更强.     

多元分类LS-SVM设计与装备保障性评估

科学、有效地进行保障性评估是提高装备综合保障能力和加快装备形成战斗力的研究重点之一；支持向量机是采用结构风险最小化原则代替传统统计学中的，基于大样本的经验风险最小化原则的新型机器学习方法，具有出色的学习分类能力和推广能力。研究了新型支持向量机算法——最小二乘支持向量机，并设计了基于多元分类的最小二乘支持向量机；建立了装备保障性评估的最小二乘支持向量机决策模型，确定了保障性评估指标体系和支持矢量学习决策模式；对某新型装备的保障性进行了评估。结果表明，基于最小二乘支持向量机的保障性评估是有效的、可行的。     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

基于鲸鱼优化参数的最小二乘支持向量机短期负荷预测方法

大量分布式能源站的出现以及电动汽车的普及,给电力系统的安全、经济运行带来影响的同时,传统的负荷预测方法也面临挑战。针对这个问题,提出了利用鲸鱼算法优化最小二乘支持向量机（Whale Optimization Algorithm-Least Squares Support Vector Machine,WOA-LSSVM）进行短期电力系统负荷预测。利用鲸鱼算法全局寻优能力强、收敛速度快的优点,弥补最小二乘支持向量机（Least Squares Support Vector Machine,LSSVM）选参的盲目性,提高LSSVM的负荷预测精度。采用WOA-LSSVM对2013年浙江某地区历史负荷数据预测未来1 d的负荷,并与粒子群优化最小二乘支持向量机模型和标准LSSVM模型预测结果对比。结果表明,基于鲸鱼优化LSSVM的短期负荷预测具有较高的预测精度,相对误差较小。     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

电力行业财务预警系统研究

财务预警是制定财务政策的重要依据。针对电力行业特征,在统计学习理论和结构风险最小化原理的基础上,建立了基于最小二乘支持向量机的财务预警模型。预测结果表明该模型具有较高的预测精度,为电力行业财务风险提供了一条新的途径。     

最小二乘大间隔孪生支持向量机

针对最小二乘孪生支持向量机（LSTWSVM）精度较低和可能存在的"奇异性"问题,提出了一种最小二乘大间隔孪生支持向量机（LSLMTSVM）.该算法在最小二乘孪生支持向量机的优化目标函数中引入了间隔分布,提高了算法的泛化性能.在目标函数中加入正则项,实现了结构风险最小化,进一步提高了分类能力.实验结果表明,最小二乘大间隔孪生支持向量机比已有的相关算法性能更优.     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.     

基于遗传支持向量机的时用水量预测模型

针对传统支持向量机采用交叉验证确定参数耗时较长的不足,提出了基于遗传支持向量机的时用水量预测模型.根据时用水量序列的相关性,确定预测模型的输入参数;利用自适应遗传算法优化支持向量机的参数,建立了时用水量预测模型.实例分析结果表明,与基于传统支持向量机的预测模型相比,基于遗传支持向量机的时用水量预测模型建模速度更快,预测精度更高.验证了所提出模型的合理性和有效性.     

支持向量机的给水管网水质综合评价研究

提出了基于支持向量机(SVM)的给水管网水质综合评价模型.在给水管网水质评价标准的基础上采用内插法获得学习样本,利用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,并用K-折交叉验证法优化模型参数,以优化参数的模型建立网络水质分级标准.将训练好的网络模型应用于水体实例并与其它几种评价模型加以比较,分析结果表明,SVM方法评价结果比较客观、合理,尤其在体现指标的极值作用方面具有独到的优势.     

基于改进粒子群优化LSSVM的污水COD软测量建模

针对在污水处理过程中水质参数(如出水化学需氧量(COD),pH值)变化过程的高度时变性、非线性和复杂性等特点,提出一种基于改进粒子群优化最小二乘支持向量机(IPSO-LSSVM)的软测量模型。该模型将小样本机器学习——最小二乘支持向量机(LSSVM)引入工业污水处理过程水质参数预测,网络训练过程中采用粒子群优化算法,使得该算法能够自适应获取最优超参数,形成IPSO-LSSVM算法,对工业污水处理出水COD参数进行回归预测。实验结果表明:与LSSVM和PSO-LSSVM模型相比,IPSO-LSSVM模型预测结果的均方根误差分别降低了40.9%和30.5%;相关系数分别提高了13.0%和6.6%。这表明IPSO-LSSVM模型在预测精度、收敛速度和抗干扰能力等方面明显优于LSSVM和PSO-LSSVM模型。     

基于最小二乘支持向量机的岩土本构关系曲线拟合

最小二乘支持向量机（Least Square Support Vector Machine,简称LSSVM）是对支持向量机（SVM）的一种改进,是继人工神经网络（ANN）之后又一新的机器学习方法。利用LSSVM拟合了利用Duncan-Chang本构模型的E-V模式数值模拟岩土的三轴实验得到的应力-应变函数曲线。通过对比分析,验证了LSSVM用于岩土本构关系曲线拟合的可行性和精确性。     

GA-LSSVM的认知无线电离线学习

针对认知无线电(CR)的智能学习研究需求,提出了一种基于最小二乘支持向量机(LSSVM)的CR学习、决策方法.通过遗传算法(GA)进行超参数搜索,建立适当的基于LSSVM的CR学习模型,利用历史案例进行LSSVM离线训练学习,获得知识来指导未来的决策.仿真结果表明,GA-LSSVM能在较少进化代数内搜索出合适的超参数,并且LSSVM学习决策方法能有效提高CR系统的性能.