共查询到19条相似文献,搜索用时 138 毫秒
1.
2.
为提高大坝变形预测精度,提出了一种基于经验模态分解(EMD)和支持向量机(SVM)的大坝变形预测新算法(EMD-SVM)。该算法先对大坝位移序列进行经验模态分解,有效分离出隐含在时序中的非线性高频波动成分和低频趋势成分;然后应用支持向量机对各分量进行建模预测;最后叠加各分量预测值得到预测结果。通过算例验证,并与BP神经网络、支持向量机对比分析表明,该算法具有较强的泛化能力和自适应拟合能力,能在一定程度上保证较优的局部预测值和较好的全局预测精度,在大坝变形预测中具有一定的实用价值。 相似文献
3.
为了提高大坝安全预警模型的精度和泛化能力,基于支持向量机(SVM)和相关向量机(RVM)理论,利用自适应粒子群算法(APPSO)分别对SVM和RVM模型中的参数进行寻优,建立了基于APPSO-SVM与APPSO-RVM的大坝安全预警模型,并通过实例应用做了比较。结果表明,尽管APPSO-RVM模型的相关向量个数少于APPSO-SVM模型,但APPSO-RVM模型的拟合精度和泛化能力均高于APPSO-SVM模型,因此在实际建模时应优先选择该模型。 相似文献
4.
5.
分析与处理大坝变形监测资料在大坝安全监测中意义重大。支持向量机(SVM)在大坝安全监测建模中应用广泛,但采用标准粒子群(PSO)算法对SVM参数寻优过程中,易陷入局部最优,且残差也会影响模型的预测精度。为提高大坝监测模型的泛化能力和预测精度,采用改进后的自适应位置PSO(APPSO)算法,对SVM模型的参数进行寻优,并利用马尔科夫链(MC)模型修正PSO-SVM模型的残差。工程实例分析表明,PSO-SVM-MC模型可提高模型预测的泛化能力和精度。 相似文献
6.
7.
8.
基于支持向量机的风速预测模型研究 总被引:5,自引:0,他引:5
由于风速的随机性很大,风速大小的影响因素较多,风速预测的准确度不高.针对这种现象,该文基于支持向量机(SVM)理论,结合风速资料,建立支持向量机(SVM)预测模型来进行短期的风速预测,由支持向量机预测模型得到的预测风速与实际风速基本一致,预测效果较理想,预测的平均绝对百分比误差为10.07%,验证了支持向量机预测模型在风速短期预测中的可行性. 相似文献
9.
10.
提出了一种基于偏最小二乘支持向量机的负荷预测模型.首先通过偏最小二乘(PLS)对负荷数据进行成分提取,提取的成分具有线性特点,并消除输入因素的多重相关性,然后采用支持向量机方法(SVM)对提取的成分进行预测.算例表明,该算法用于短期负荷预测建模速度快,预测精度高,是种行之有效的方法. 相似文献
11.
支持向量机模型在渗流监测中的应用 总被引:5,自引:2,他引:5
提出了基于一种支持向量机(SVM)的渗流监测方法。该方法采用结构风险最小化原则,能够在对小样本学习的基础上,对其他样本进行快速、准确的拟合预测,具有更好的泛化性能和精度,减少了对经验的依赖。在算例中,基于SVM的非线性特点,根据土石坝的实测资料建立了渗流监测模型,为水头预报和安全监测奠定了基础。 相似文献
12.
13.
14.
15.
针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。 相似文献
16.
基于SVM方法的风电场短期风速预测 总被引:5,自引:3,他引:2
针对基于支持向量机的风电场短期风速预测进行研究.选择了不同的输入向量(历史风速时间序列,历史风速和温度.历史风速、温度和风向,历史风速、温度和时间)作为输入进行误差对比分析。实测数据及分析结果表明,采用历史风度和温度的二输入模型,预测效果最佳,为风速的短期预测和发电量预测提供了较好的参考价值。 相似文献
17.
支持向量机的训练速度慢.制约了它的发展和推广应用。Suykens提出了一种新的支持向量机方法——最小二乘支持向量机。最小二乘支持向量机是支持向量机的发展和改进,它采用等式约束替代不等式约束,求解速度大大加快。将其用于大坝的渗流监测中.并与传统的支持向量机进行了比较,结果显示二者的预测效果都比较好.但是最小二乘支持向量机的训练效率比支持向量机要高。 相似文献
18.
基于SVM的燃煤电站锅炉飞灰含碳量预测 总被引:7,自引:0,他引:7
将支持向量机方法引入燃煤电站锅炉飞灰含碳量预测领域.该预测方法很好地建立了燃煤电站锅炉飞灰含碳量特性与运行参数之间的复杂关系模型,并考虑到运行参数之间的耦合性,具有预测能力强、全局最优及泛化性好等优点.将该方法应用于某300 MW燃煤电站锅炉中,经过训练后的SVM模型对检验样本飞灰含碳量进行预测,均方根误差和平均相对误差分别为1.39%和1.30%,相当于BP网络模型的22.20%和21.07%.应用结果表明,支持向量机方法优于多层BP神经网络法,能很好地满足预测要求. 相似文献
19.
由于风速信号是非线性、非稳定性的动态信号,用传统预测方法难以达到满意效果。为提高预测精度,提出了基于经验模态分解与多步预测的最小二乘支持向量机相结合的方法,对风速时间序列进行建模预测,即首先对风速动态信号进行经验模式分解,将原信号分解为若干个不同特征尺度(频率)的本征模态函数,然后对不同频带的平稳IMF分量分别建立多步预测的最小二乘支持向量机模型,将各分量的预测值等权求和得到最终预测值。实例分析结果表明,与单一的最小二乘支持向量机预测方法相比,经验模态分解与多步预测的最小二乘支持向量机相结合的风速预测方法误差小,可应用于风速预测中。 相似文献