位移时序预测的APSO-WLSSVM模型及应用研究

引入改进的粒子群算法对小波核函数最小二乘支持向量机进行优化,提出了位移时间序列预测的改进粒子群优化小波最小二乘支持向量机预测模型(APSO-WLSSVM)。该模型具有小波变换的良好时、频域分辨能力和支持向量机的非线性学习能力;同时利用粒子群算法优化小波最小二乘支持向量机的参数,避免了人为选择参数的盲目性,从而提高了模型的预测精度。为证明该模型的优越性,将该模型与传统的高斯核函数支持向量机模型的预测结果作了对比,结果表明该模型较传统方法预测精度有了明显提高。最后将该模型用于锦屏一级水电站左岸边坡和导流洞进行变形预测,预测结果表明该方法科学可靠,在岩土体位移时序预测中具有良好的实际应用价值。     

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。     

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。     

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。     

基于PSO-LSSVM模型空调负荷预测研究

提出利用粒子群优化(PSO)算法优化的最小二乘支持向量机(LSSVM)预测模型(PSO-LSSVM模型)。以厦门某公共建筑作为研究对象,将平均绝对误差绝对值、平均相对误差绝对值作为评价指标,评价LSSVM模型、PSO-LSSVM模型对空调负荷的预测效果。LSSVM模型、PSO-LSSVM模型的空调负荷预测值与实测值变化趋势基本一致。与LSSVM模型相比,PSO-LSSVM模型的预测值平均绝对误差绝对值、平均相对误差绝对值更小,PSO-LSSVM模型的预测准确性更高。     

基于回归LS-SVM的房地产估价方法

本文对典型的房地产估价算法进行分析,研究回归SVM模型对房地产价格进行学习的实现过程,并提出一种基于回归LS-SVM(最小二乘支持向量机)的房地产估价算法。     

考虑覆冰厚度的输电线路覆冰增长预测

针对输电线路覆冰过程天气因素复杂、预测精度较差等问题,提出将覆冰厚度纳入特征向量,以覆冰厚度增长率为预测目标,并利用灰色综合关联分析法验证该方法的合理性;同时,将粒子群算法与最小二乘法支持向量机(LS-SVM)结合起来建立预测模型,得到覆冰厚度增长曲线。实例计算结果表明:预测方法改进后,训练集数据的拟合值与实际覆冰厚度的均方误差由0.23降至0.19,下降了17.4%;测试集数据的预测值与实际覆冰厚度的均方误差由5.10降至0.25,下降了95.1%,本预测方法的预测精度得到提高。     

加权特征向量LS—SVM在线结构损伤识别

在增量式最小二乘支持向量机（SILS—SVM）方法的基础上，提出了加权特征向量最小二乘支持向量机（WEVL8-SVM）在线结构损伤识别方法。该方法根据训练数据贡献量的大小对数据进行加权，从而更适合于对结构的时变参数进行在线识别，同时较增量式算法有更小的累积误差。以一剪切型结构为例进行了数值模拟，分析结果表明，该方法与非加权的SILS-SVM方法相比，能更好地适应系统参数的变化，从而能很好地识别结构的损伤及其程度。     

加权特征向量LS-SVM在线结构损伤识别

在增量式最小二乘支持向量机(SILS-SVM)方法的基础上,提出了加权特征向量最小二乘支持向量机(WEVLS-SVM)在线结构损伤识别方法。该方法根据训练数据贡献量的大小对数据进行加权,从而更适合于对结构的时变参数进行在线识别,同时较增量式算法有更小的累积误差。以一剪切型结构为例进行了数值模拟,分析结果表明,该方法与非加权的SILS-SVM方法相比,能更好地适应系统参数的变化,从而能很好地识别结构的损伤及其程度。