用KPCA-LSSVM预测变压器油击穿电压

击穿电压是变压器油品质的重要参数,针对变压器油击穿电压难测试问题,提出基于核主元分析和最小二乘支持向量机的预测方法。为了提高变压器油击穿电压的软测量预测精度,本文选取与击穿电压关联性强的4个参量建立核主元分析模型进行特征提取,消除数据的相关性,得到的4个主成分的方差累计贡献率达96.84%,以此4个主成分作为最小二乘支持向量机软测量模型的输入;采用交叉验证法选取最小二乘支持向量机的惩罚参数和径向基核函数参数,建立核主元分析的最小二乘支持向量机变压器油击穿电压的预测模型,与BP神经网络和最小二乘支持向量机方法进行比较,采用平均相对误差和均方根误差来评价模型的性能指标。实验结果表明,本文提出的预测模型预测精度高、泛化能力好,能够满足变压器油击穿电压的测量需求。     

基于多蚁群算法的支持向量回归机参数选择方法

核函数是支持向量回归机的重要部分,每种核函数都有其优势和不足。本文基于支持向量机回归机模型相关参数的选取原则,给出了一种具有混合核函数的支持向量机,以基于网格搜索的多蚁群算法为基础,给出了此类混合核函数支持向量回归机参数优化的一种新方法。该方法以最小化交叉验证误差为目标,对包括混合比例和各类核函数的参数在内的5个参数进行优化。仿真结果表明,与遗传算法相比,本方法在参数优化方面有良好的性能,建立的预测模型精度较高。     

基于粒子群优化的支持向量机在瓦斯浓度预测中的应用研究

为了准确预测煤矿瓦斯浓度,基于从芦岭煤矿KJ98监控系统中提取的生产现场瓦斯浓度时间序列数据,对基于粒子群优化的支持向量机理论在瓦斯浓度短期预测中的应用进行了研究。首先对瓦斯浓度时间序列进行小波软阈值去噪和相空间重构等预处理,然后采用粒子群优化算法对支持向量机的惩罚因子、损失函数、核函数参数进行了优化,并基于最优参数建立了瓦斯浓度预测的支持向量机模型。仿真结果表明,采用粒子群优化的支持向量机理论进行煤矿瓦斯浓度预测,极大地提高了预测的准确性和精确度;误差分析结果表明,该方法预测结果的误差很小,且测试样本越小,误差越小。     

混合核函数中权重求解方法

为了克服支持向量机(SVM)中单核函数的局限性,经常使用混合核函数做预测,但混合核函数中各函数权重难以确定。为解决该问题,提出了一种基于特征距离的权重求解方法。该方法首先利用支持向量机的几何意义,根据同类样本特征距离最小化和异类样本特征距离最大化原理,分析得出优化函数,然后对优化函数求解得出权重系数。实验结果表明,与传统的交叉验证法和PSO算法相比,该方法在保证预测精度的情况下,将计算时间减少了70%左右。     

一种混合核函数SVM建模方法及其应用

为了提高模型的泛化能力和精度,提出了一种基于混合核函数的支持向量机(SVM)建模方法.所提出的混合核函数由径向基函数和多项式函数加权组合而成,克服了支持向量机模型中单个核函数的局限性.并利用量子粒子群算法(QPSO)对惩罚系数、核参数以及混合权重系数进行综合寻优,求取最优化参数组合,从而提高模型的精度.采用锌湿法冶炼净化过程现场数据对建模的方法进行了测试,结果表明,所提出的混合核函数支持向量机模型具有较好的泛化性能和预测精度,预测结果满足现场工艺生产的要求.     

多元宇宙优化算法优化WLSSVM的网络流量预测

高精度网络流量预测可以帮助管理人员了解网络流量变化态势,提高网络系统的稳定性,为了降低网络流量预测的误差,提出了基于多元宇宙优化算法优化加权最小二乘支持向量机的网络流量预测模型。首先采用网络流量历史数据,将其作为加权最小二乘支持向量机的输入向量,然后利用多元宇宙优化算法对加权最小二乘支持向量机参数寻优,从而得到最优的网络流量预测模型,最后采用具体网络流量预测应用实例对模型性能进行测试与分析,结果表明本模型可以准确描述网络流量的变化规律,预测误差很小,完全能够满足网络管理实际要求,相对于其他预测模型,本模型的网络流量预测精度得到了有效提高。     

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。     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

煤矿综采工作面瓦斯浓度预测模型

针对基于最小二乘支持向量机(LS-SVM)的瓦斯浓度预测方法进行参数优化时存在的易陷入局部最优解、搜索效率较低、易产生早熟收敛等问题,提出了一种基于改进蚁群算法-最小二乘支持向量机(ACO-LSSVM)的瓦斯浓度预测模型。首先,对采集的大量煤矿综采工作面瓦斯数据进行k-means聚类分析,以降低数据维数;然后,采用改进蚁群算法对LS-SVM的惩罚参数和核函数参数进行寻优,再代入LS-SVM模型中进行回归预测。仿真结果表明,当瓦斯体积分数绝对误差阈值分别为0.03%,0.04%,0.05%时,基于ACO-LS-SVM的瓦斯浓度预测模型的预测准确度都在95%左右,比SVM模型和LS-SVM模型表现更好。     

混合核函数稀疏LS-SVM软测量建模与应用

针对最小二乘支持向量机存在的稀疏性欠缺和单核函数局限性问题,本文提出一种基于混合核函数稀疏最小二乘支持向量机的软测量建模方法.该方法使用多项式核函数和RBF核函数线性加权构成混合核函数,兼顾最小二乘支持向量机的全局拟合能力与局部拟合能力,以矢量基学习作为稀疏解算法,改善最小二乘支持向量机的稀疏性,在精简模型结构的同时,避免冗余信息中的噪声过多的拟合到模型参数中,进而采用粒子群算法优化模型部分参数.将此方法分别应用于Mackey- Glasss混沌模型的时间序列预测和乙烯精馏塔塔釜乙烯浓度预测,应用结果表明该方法较最小二乘支持向量机、稀疏最小二乘支持向量机以及混合核最小二乘支持向量机具有更好的泛化效果和预报精度,兆示出其良好的应用潜力.     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能,提出使用蚁群算法来指导SVM模型参数的选择,并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势,它能在较短的时间内寻找到最优解,且最终得到的分类结果优于遗传算法。     

基于蚁群算法的SVM模型选择研究

为了提高SVM的分类器性能，提出使用蚁群算法来指导SVM模型参数的选择，并针对采用RBF作为核函数的SVM进行了实验。然后将该方法与基于GA的SVM模型选择方法进行了比较。实验证明采用蚁群算法具有一定的优势，它能在较短的时间内寻找到最优解，且最终得到的分类结果优于遗传算法。     

改进蚁群算法在SVM参数优化研究中的应用

支持向量机参数的选择决定着支持向量机的分类精度和泛化能力,而其参数优化缺乏理论指导,在此背景下提出了ACO-SVM模型。该模型将SVM分类预测准确率作为目标函数,对蚁群算法进行改进,引入有向搜索和基于时变函数更新的信息素更新原则,利用蚁群算法的并行性、正反馈机制和较强的鲁棒性,以求得最优目标并得到SVM的最优参数组合。数值实验结果表明,改进蚁群算法在SVM参数优化选取中具有更好的寻优性能,具有较高的分类准确率;该方法具有较好的并行性和较强的全局寻优能力。     

基于蚁群算法和特征融合的空间目标分类

针对支持向量机核参数和误差惩罚因子较难选择以及采用单一特征分类效果较差的问题,提出了一种基于蚁群算法与特征融合的空间目标分类算法,克服了以往反复试验以确定其参数的缺点,优化了特征。该方法分类正确率达90%左右,与采用单一特征分类的结果相比,效果较好。验证了方法的有效性。     

基于aiNet算法优化SVM模型的惯性器件故障预报

在标准支撑矢量机算法中,其模型结构参数和核函数中的参数一般凭经验通过交叉验证的方法选择确定,缺乏理论基础,影响支撑矢量机的学习效果.针对这种局限性,文中利用人工免疫算法对支撑矢量机的参数进行优化.将待优化参数作为抗体,经过抗体克隆、变异和抑制等操作,找到最优抗体,即对应最优化参数的支撑矢量机模型.然后基于优化后的支撑矢量机利用惯性器件的历史数据,对其进行故障预报.仿真结果显示:该算法的故障预报误差小于标准支撑矢量机的预报误差.证明了免疫aiNet算法优化支撑矢量机模型参数的有效性,及优化模型在惯性器件故障预报中的有效性.     

基于混沌机制的人工蜂群算法优化的支持向量机分类器

支持向量机的分类性能在很大程度上取决于其相关参数的选择,为了改善支持向量机的分类准确率,本文采用基于混沌机制的人工蜂群算法对其参数进行优化。在传统人工蜂群算法的基础上,采用Logistic混沌映射初始化种群和锦标赛选择策略,进一步提高人工蜂群算法的收敛速度和寻优精度。该方法采用分类准确率作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化。通过对多个标准数据集的分类测试,证明基于混沌机制的人工蜂群算法优化的支持向量机分类器能够获得更高的分类准确率。     

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.     

人工蜂群算法优化支持向量机的分类研究

为了提高支持向量机分类准确率,采用人工蜂群算法对支持向量机参数进行优化,并将该优化方法应用于小麦完好粒、霉变粒和发芽粒三类麦粒的识别。使用小波变换分解信号能量作为特征向量,以分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子和核函数宽度参数进行优化,优化SVM方法对小麦完好粒、霉变粒和发芽粒的分类正确率达到86%以上。实验结果表明,该研究有较强的实用价值,为SVM性能优化提供了一种新的方法。     

基于蚁群算法的机器人系统LQR最优控制研究

针对两轮自平衡机器人线性二次最优控制器(LQR)中的权参数选择问题,提出了一种基于自适应蚁群算法的权矩阵优化参数策略.利用LQR控制器,采用自适应蚁群算法对LQR权矩阵Q的各位参数进行数字寻优,将得到的数字序列进行划分,寻找到最优参数值,从而对两轮自平衡机器人的俯仰属性进行有效的系统控制.仿真实验结果表明:采用蚁群算法优化后的控制器比人工选择参数策略有更好的控制效果,验证了方法的稳定性和有效性.     

锂离子电池最优充电电流预测方法研究

为解决锂离子电池最优充电中电流设定的关键问题,提出蚁群算法（ACO）优化回归型支持向量机（SVR）核心参数,并将蚁群优化的回归型支持向量机（ACO-SVR）用于最优充电电流的预测。SVR核心参数[C]和[g]以节点值的形式在蚁群系统中体现,以交叉验证意义下误差作为目标函数更新节点信息素浓度,经过有限次迭代得到最优[C]和[g]值,使SVR性能最优。根据锂离子电池实测充电数据建立了ACO-SVR最优充电电流模型,结果表明ACO-SVR模型具有较少的寻优时间和较好的预测精度,通过理论分析和实验数据验证了该方法具有一定的实用性和有效性。