基于模糊信息粒化和CPSO-LS-SVM的城市轨道交通客流量组合预测

为了获得城市轨道交通客流量的变化趋势和更好地掌握客流量的波动范围,本文提出了一种基于模糊信息粒化和混沌粒子群算法(CPSO)优化最小二乘支持向量机(LS-SVM)的客流量波动范围组合预测模型.针对客流量的非线性和波动性,采用模糊信息粒化,将客流量数据根据需要按窗口提取有效信息,利用CPSO较强的全局搜索能力对LS-SVM预测模型的参数进行最优选取.最后运用组合模型预测2014年广州市地铁3号线体育西路站早高峰客流量波动范围,并与其他模型进行对比分析.仿真结果表明,本文组合预测模型能有效地跟踪客流量变化趋势,为预测未来一段时间内的短期客流量波动范围趋势提供了一种行之有效的方法.     

信息熵与优化LS-SVM的轴承性能退化模糊粒化预测

为了提高滚动轴承性能退化指标的预测精度,得到性能退化指标的一个预测范围,本文提出信息熵与优化最小二乘支持向量机(LS-SVM)的轴承性能退化趋势模糊粒化预测。首先利用信息熵理论提取轴承信号的性能退化指标序列,再利用模糊信息粒化理论对该性能退化指标序列进行模糊信息粒化;然后将粒化后的数据输入给LS-SVM进行回归预测,并采用粒子群算法(PSO)优化LS-SVM的惩罚参数和核函数参数;最后根据实测值和预测值的对比分析评估预测模型的优良性。实验结果表明,对于每个时间段内的轴承性能退化指标,该方法均能获得准确的预测结果,具备较强的实用性和工程应用价值。     

基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测

针对滚动轴承的性能退化指标及其波动范围难以有效预测的问题,提出了一种基于模糊信息粒化与小波支持向量机的滚动轴承性能退化趋势预测方法。首先以一定的时间间隔采集滚动轴承运行过程中的振动信号序列,提取各个振动信号序列的特征指标,对特征指标序列进行模糊信息粒化,进而提取各个粒化窗口的有效分量信息;随后通过构建小波支持向量机对各个指标分量分别建立预测模型,实现对滚动轴承性能退化指标的退化趋势及波动范围的预测。实验结果表明,该预测方法可以有效跟踪滚动轴承性能衰退指标的变化趋势,并对其指标的波动范围进行有效预测。     

一种新的机电设备状态趋势智能混合预测模型

针对机电设备运行状态受多因素影响，变化趋势复杂，难以用单一预测方法进行有效预测的问题，提出一种新的基于改进灰色系统一支持向量机一神经模糊系统的智能混合预测模型。该模型首先利用改进灰色系统弱化数据序列波动性、支持向量机处理小样本和模糊神经系统处理非线性模糊信息的优点，分别进行趋势预测，然后通过改进遗传算法对这三者的预测结果进行自适应加权组合。将该模型应用于信号随机波动性较强、趋势变化复杂的标准算例和某机组振动趋势的预测中，研究结果表明，该模型的预测性能均优于上述三种单一预测方法。     

基于最小二乘支持向量机的某控制系统故障预测研究

介绍支持向量机(SVM)的一种拓展算法——最小二乘支持向量机(LS-SVM),并将LS-SVM算法应用于某控制系统的预测。根据实测数据,建立了基于LS-SVM算法的某控制系统预测模型,同时与BP神经网络的预测模型进行分析比较。结果表明,LS-SVM算法在控制系统的预测中具有较好的可行性、有效性及较高的预测精度,更适合于解决该控制系统的数据建模。     

基于LS-SVM的高速切削温度预测

提出一种基于最小二乘支持向量机(LS-SVM)的高速切削温度预测方法。为验证其可行性,首先,构建了基于LS-SVM的高速切削温度预测模型并选取影响切削温度变化的主要加工参数(切削速度、进给量、轴向切深和径向切宽)为模型输入;其次,采用Box-Beknhen实验设计方法在尽可能多地获取的切削温度变化数据的同时减少实验次数。然后,构建了基于MCV850加工中心的高速切削温度测量系统,验证了所建立模型的预测精度。结果表明:模型预测误差1%;以随机设定的两组不同于实验方案中的切削参数组合为测试数据,预测值偏离测量值百分比分别为0.83%和0.51%,表明所建立预测模型应用于主要加工参数情况下高速切削温度预测的可行性。     

面向半导体生产线基于MAS模糊协同的成品率预测方法

针对传统成品率预测模型中需要大量缺陷信息且极少考虑范围预测的情况,借鉴多智能体思想,研究了一种模糊聚合与支持向量回归相融合的方法,对成品率进行预测。在逐步缩减预测范围的同时,多智能体协同调整学习速率等参数,根据确定好的参数构建多个模糊成品率学习模型;利用模糊规则对多个学习模型的预测结果进行聚合,以提高预测准确性;利用支持向量回归将聚合结果去模糊化,得到最终的成品率预测值。仿真实验表明,该方法预测过程较简便,预测范围更精确,具有可行性。     

混沌最小二乘支持向量机的短期风功率预测

结合混沌的相空间重构理论和最小二乘支持向量机(LS-SVM)的优点,提出了一种基于混沌LS-SVM风功率预测方法,利用误差评价函数形成反馈机制,通过误差反馈建立参数合理的风功率预测模型。通过对实际数据的仿真,结果表明,该文所提出的混沌LS-SVM预测模型有较好的非线性拟合能力,有较高的预测精度。     

基于LS-SVM的柴油机润滑油中磨粒含量预测

介绍了最小二乘支持向量机(LS-SVM)回归算法的基本原理,并以490BPG型柴油机润滑油中磨损磨粒为研究对象,使用LS-SVM对磨粒的浓度数据进行了回归拟合并预测,并与基于人工神经网络的预测模型的预测结果进行了比较.结果表明,LS-SVM的预测模型的精确度较高,泛化能力强,是用于润滑油中磨粒浓度预测的一种有效的方法.     

基于LS-SVM的飞机重着陆超限事件预测

为提高飞机重着陆超限事件预测的准确性,提出了基于最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)的建模预测方法.根据样本数据的均方根相对误差确定嵌入维数,对重着陆超限事件样本进行相空间重构,建立了基于LS-SVM飞机重着陆超限事件预测模型,并采用遗传算法优化选择LS-SVM参数.基于某航空公司的飞行品质监控重着陆超限事件月报数据,采用LS-SVM模型对重着陆超限事件进行了预测实验.实验结果表明,基于LS-SVM的飞机重着陆超限事件预测模型精度高、泛化能力强.