基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

基于机器学习LNG空温式气化器传热性能预测

阐释环境条件下LNG空温式气化器动态耦合传热机理,针对传热过程的时变性、非线性及多因素影响性,提出利用机器学习对LNG空温式气化器的天然气出口温度进行预测。通过阐述最小二乘支持向量机的基本原理,指出最小二乘支持向量机模型的精度在于输入向量、惩罚因子和核函数的选取。基于厂站实测数据对模型的输入向量进行分析,得到输入向量为环境温度、运行时间、太阳辐射照度以及一段时间内的天然气出口温度实际监测值。采用粒子群优化算法对惩罚因子及核函数中的相关参数进行参数优化,通过均方根误差、平均绝对误差、平均相对误差和最大绝对误差对模型预测结果进行评估,结果表明采用线性核函数或者多项式核函数的最小二乘支持向量机模型能够很好地解决LNG空温式气化器整体耦合传热性能预测问题。     

基于混合核函数的LSSVM在GNSS高程拟合中的应用

最小二乘支持向量机具有结构简单、计算速度快、收敛精度高等特点,能够很好地解决小样本、非线性、高维数、局部极值等实际问题,在GNSS高程拟合中具有一定的优势。本文通过构造基于径向基核和多项式核的混合核函数,引入粒子群算法对最小二乘支持向量机进行参数寻优,建立了基于混合核函数的最小二乘支持向量机高程异常拟合模型。以平原地区和山区两种典型地貌的高程数据为研究对象进行实验,并与普通核函数的最小二乘支持向量机的结果对比分析。结果表明,基于混合核函数的最小二乘支持向量机的实验效果要明显优于普通核函数的最小二乘支持向量机。     

基于v-SVR和MVPSO算法的边坡位移反分析方法及其应用

 针对传统粒子群算法存在搜索空间有限、容易陷入局部最优点的缺陷,通过引入迁徙算子和自适应变异算子,提出基于粒子迁徙和变异的粒子群优化(MVPSO)算法。基准测试函数结果表明,改进的MVPSO算法较传统的粒子群优化算法在收敛效率上有大幅度提高,在处理非线性、多峰值的复杂优化问题中能快速地搜索,得到全局最优解。应用改进的MVPSO算法搜索最佳的支持向量机(v-SVR)模型参数,建立岩体力学参数与岩体位移之间的非线性支持向量机模型,提高v-SVR的预测精度和推广泛化性。然后,利用v-SVR模型的外推预测替代耗时的FLAC正向计算,利用改进的MVPSO算法搜索岩体力学参数的最优组合,提出v-SVR和MVPSO相结合的边坡位移反分析方法(v-SVR-MVPSO算法),与传统的BP-GA算法和v-SVR-GA算法相比,该算法在反演精度和反演效率上均有较大幅度提高。最后,将本文发展的v-SVR-MVPSO算法应用到大岗山水电站右岸边坡岩体参数反演分析,并对边坡后续开挖位移和稳定性进行预测,取得较好的效果。     

基于粒子群算法改进最小二乘支持向量机的工程投资风险评价模型

为了有效控制工程投资风险,有预见性地采取风险应对策略,通过粒子群算法优化最小二乘支持向量机的核函数参数和正则化参数,构建了一种工程投资风险评价模型。分别采用WBS和元分析法分析工程项目投资环境面临的内部和外部风险因素,并建立投资风险评价体系。根据工程实际情况采用专家打分法对17个已完工项目和4个新开工项目进行投资风险因素打分,将打分值归一化处理后作为最小二乘支持向量机的输入向量,4个新开工项目的风险评价值作为输出向量,根据评价值确定其对应的风险等级。结果表明,粒子群改进最小二乘支持向量机模型预测的平均误差为2. 48%,能够较准确地评价投资风险等级,为工程投资风险控制提供参考依据。     

基于PSO-SA优化的LSSVM空调负荷预测

对空调负荷进行准确预测不仅对优化空调控制的意义重大,也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析最小二乘支持向量机建模特点的基础上提出了利用PSO-SA优化的一种空调负荷预测算法。该方法利用粒子群—模拟退火方法对最小二乘支持向量机的参数进行优化选择,提高模型的精度和泛化能力。通过空调负荷预测建模的结果表明,该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为实现空调系统的优化运行奠定了基础。     

位移反分析的APSO-WNN模型研究及应用

用改进粒子群优化算法对小波神经网络进行优化，从而提出改进粒子群算法优化小波神经网络模型（APSO-WNN）。该模型具有小波变换的良好时频局域化性质、良好时域和频域分辨能力及传统神经网络的自学习功能；同时用改进的粒子群优化法进行全局最优搜索，快速收敛到全局最优解，使其具有良好的逼近能力、容错能力和较强的鲁棒性。因此，该计算模型适合解决具有复杂非线性和模糊性特点的岩土工程问题。为证明该模型的优越性，同时将该计算模型与传统遗传算法神经网络用于三峡船闸高边坡4种介质弹性模量的位移反分析计算，结果表明不论是优化精度还是收敛时间，该算法都较遗传算法有明显提高。最后利用APSO-WNN反演的弹性模量参数进行测点位移预测，预测表明各个测点的计算位移值与监测值吻合较好，说明该模型在岩土工程位移反分析中具有良好的实际应用价值。     

基于APSO__WLSSVM算法的Hammerstein ARMAX模型参数辨识

提出了一种新的使用粒子群算法改进最小二乘支持向量机(adaptive particle swarm optimization,APSO-WLSSVM)的复合算法,应用进化状态估计技术和变异操作改进粒子群算法,使得算法快速收敛于优化目标,具有良好的辨识效果。将所提出的方法与鲁棒最小二成向量机、最小二成相量机方法进行数值例子比较研究,结果证明了所提出的APSO-WLSSVM方法的有效性。     

基于改进粒子群优化支持向量机的水利闸门卡阻故障诊断

针对水利闸门卡阻故障诊断主要依赖专家经验、故障样本少且难以自动识别的特点,提出了一种基于改进粒子群算法优化最小二乘支持向量机的水利闸门卡阻故障诊断方法。该方法以闸门的开度值、左右两侧荷重值及上下游水位差作为输入向量,通过最小二乘支持向量机进行故障分类,通过改进粒子群算法对支持向量机的参数进行优化。并将建立的诊断模型制作成Labview子VI程序模块,嵌入到闸门调度监控软件中,实现了闸门卡阻故障的快速自动诊断。通过在淮洪新河某泄洪闸实地实验及应用表明,该诊断程序具有较高的诊断准确率和诊断效率。     

岩石力学性态预测的PSO-SVM模型

 传统的固体力学方法在描述岩石的各种地质因素与其力学性态之间的复杂非线性关系时存在困难。引入粒子群算法(PSO)对支持向量机(SVM)进行优化,提出岩石力学性态预测的粒子群优化支持向量机模型(PSO-SVM)。该模型利用SVM来建立岩石地质因素与力学性态之间的非线性关系;同时利用PSO对SVM参数进行全局寻优,避免人为选择参数的盲目性,从而提高模型的预测精度。将PSO-SVM应用到岩石压缩系数的预测中,并与传统的BP神经网络(BP-NN)进行对比分析。结果显示,PSO-SVM的预测精度较BP-NN有较大的提高,从而表明PSO-SVM在岩石力学性态预测中的可行性和有效性。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

基于微粒群优化的智能位移反分析研究

优化技术是影响反分析精度和效率的重要因素,将微粒群优化技术与支持向量机技术结合,提出了一种新的智能位移反分析方法。该方法利用了支持向量表达非线性关系方面的优良特性,可以避免大量的数值计算,同时充分利用微粒群的全局优化、收敛速度快的优点。将提出的方法应用到具体的算例中,比较表明,本方法是一种科学、可行、收敛快、精度高的优秀算法。     

SVM在张弦桁架施工变形预测中的应用研究

在介绍支持向量机的理论基础及其在时间序列预测中应用方法的基础上,建立一种基于支持向量机的结构变形预测方法。通过在某会展中心张弦桁架实际变形数据中的应用并与AR模型预测方法进行对比,验证了基于支持向量机的结构变形预测方法的准确性和优越性,该方法有较高的预测精度,并且在预测区间较长情况下同样有效,具有较大的研究意义并可以在实际预测中应用。     

冲击地压预测的PSO-SVM模型

 冲击地压是一种复杂的非线性动力学现象，其发生机制非常复杂，而在监测数据的基础上对其进行分析预测，是冲击地压的一个重要研究方法，但是采用传统的数学力学方法很难表达冲击地压与其影响因素之间的复杂非线性关系，其中采用时间序列进行预测是一个重要的研究方向。针对这一问题，将冲击地压看作一时间序列过程，采用支持向量机建立冲击地压序列之间的非线性关系；同时，考虑到支持向量机参数对预测效果的影响，采用微粒群算法对支持向量机参数进行优化选择，从而提出冲击地压预测的PSO-SVM模型，提高支持向量机的推广预测能力，并对一具体算例进行研究分析。研究结果表明，该方法是科学可行的，并具有很好的精度。     

基于LMD-PSO-LSSVM组合模型的深基坑变形预测

变形是造成基坑安全隐患的重要因素。为准确预测基坑变形趋势,提出一种将局部均值分解(LMD)、粒子群优化算法(PSO)与最小二乘支持向量机(LSSVM)组合的深基坑变形预测模型。通过 LMD 将时序样本分解为多个分量,利用PSO优化后的LSSVM模型对各分量建立非线性基坑变形预测模型,最后采用滚动预测的方法对各分量进行预测并将结果叠加得到时序样本的预测值。通过实际工程进行模型预测与分析。结果表明:该模型不仅反映出基坑变形本质特征,而且预测精度明显提高,将其运用于基坑变形预测研究中具有较好的应用性和可靠性。     

高地应力下大型地下洞室群开挖顺序 与支护参数组合优化的智能方法

 针对高地应力下围岩变形破坏的特殊性以及大型地下洞室群开挖支护优化计算量大的特点,在三维弹塑性数值计算的基础上,采用反映高地应力下脆性岩石变形破坏特点的新本构模型,提出基于弹性释放能、塑性区体积、洞室周边位移与支护费用的地下洞室群开挖顺序与支护参数组合方案的综合优化新指标,综合集成粒子群与支持向量机的智能技术,提出高地应力下地下洞室群开挖顺序与支护参数的智能优化新方法。该方法通过典型施工方案的数值计算构建学习样本,采用支持向量机方法对样本进行学习与预测,建立起施工方案与综合优化指标之间的非线性映射关系,在具有一定约束条件的全局空间下,通过粒子群优化算法搜索出开挖顺序与支护参数的全局最优组合方案。将该方法应用于高地应力区黄河拉西瓦水电站地下厂房洞室群的开挖顺序和支护参数优化分析,结果表明该方法的可行性。     

基于小波分析与支持向量机的地铁隧道沉降预测

根据地铁隧道监测点沉降变化中非线性、不确定、时变性的特点,建立了基于小波分析的支持向量机预测模型。首先运用小波分析将监测点沉降序列分解为低频近似分量和高频细节分量,然后对各分量分别进行支持向量机预测,最后将各分量预测结果进行小波重构得到监测点的沉降预测曲线。预测结果表明,在相同样本数和短周期预测条件下,Wavelet—SVM模型的预测精度优于BP神经网络方法。对地铁沉降监测提前进行预警预报有一定的参考价值。     

基于ACO-LS-SVM 的房地产价格评估研究

针对传统房地产估价方法存在较大主观随意性等问题,通过对最小二乘支持向量机（LS-SVM）模型用于房地产估价的优缺点分析,针对其参数选取问题提出了运用蚁群算法（ACO）进行优化,经整合建立了基于蚁群算法优化的最小二乘支持向量机（ACO-LS-SVM）的房地产估价模型。给出了模型的估价算法步骤,并采用Matlab 软件编程,以训练样本为基础,用测试样本检验了模型用于商品住宅价格评估的准确性、有效性和可行性。