基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

基于最小二乘支持向量机对偶优化问题的核偏最小二乘

提出了一种基于对偶优化的核最小二乘(KPLS)方法,把KPLS用最小二乘支持向量机的形式表示.推导了KPLS对偶优化形式的公式,且使其具有最小二乘支持向量机的风格.在初始空间中构造优化问题,应用核技术在特征空间中解对偶问题,这种解与非线性的KPLS具有相似性.实验验证了这种方法的效果,表明了该方法的有效性和优越性.     

贝叶斯框架下的LS-SVM在热连轧机轧制力预报中的应用

利用贝叶斯置信框架推断最小二乘支持向量机模型参数并建立贝叶斯最小二乘支持向量机非线性预测模型.在推断第1层确定模型最优参数,第2层确定正则化参数,第3层确定核参数.将该模型用于某1800热连轧轧制力的预测,在预测精度和速度上都取得了较好的效果.     

基于数据驱动的高炉煤气复合预测模型

对钢铁企业高炉煤气系统科学准确的预测,可以为煤气的合理调度提供依据,对企业提高能源利用效率、减少煤气放散和环境污染有着非常重要的意义。针对钢铁企业高炉煤气系统设备工况复杂、煤气量波动频繁、难以准确预测的问题,依据小波分析方法、BP神经网络、最小二乘支持向量机的性质建立了基于数据驱动的高炉煤气的复合预测模型。该模型综合考虑高炉煤气系统生产计划和检修计划,对高炉煤气系统的产耗用户在不同工况下分别建立训练数据集,利用多组模型参数预测高炉煤气产生量、消耗量和缓冲量。利用某大型钢铁企业实际数据进行测试,该模型能够结合设备的实际生产工况变化,实现煤气的准确预测。结果表明,该模型平均绝对百分比误差小于4.95%,对变工况煤气系统有较好的预测效果。     

回填土对单桩承载力的影响

主要讲述攀钢西昌冷轧工程回填土产生的负摩阻力对单桩承栽力的影响,给今后的设计提供借鉴。     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

高炉含铁炉料熔滴性能智能优化预测模型

 含铁炉料良好的冶金性能是保障高炉炉况顺行，节燃增产的前提条件。熔滴试验对于高炉含铁炉料冶金性能把握具有重要意义。但由于熔滴试验本身成本较高且检测耗时，多数企业仅在高炉炉况出现重大变化时通过试验追溯炉料冶金性能。因此，操作者难以根据炉料结构变化预判其冶金性能，进而调整操作方针。在对莱钢含铁炉料进行熔滴性能试验检测的基础上，通过遗传算法优化最小二乘支持向量机关键参数，以含铁料化学成分对其熔滴性能指标建立优化预测模型。模型预测精度高，且避免了建模过程中的主观性，可指导生产配料及调整高炉操作。     

钢铁企业副产煤气预测及优化调度

针对钢铁企业副产煤气系统产消量频繁波动,不平衡现象比较严重,供需之间的平衡程度对钢铁企业的生产成本、能源消耗情况影响较大,并且钢铁企业中工序、设备繁多,每道工序都涉及多种能源介质的问题,利用HP滤波、支持向量机分类（SVC）、最小二乘支持向量机(LSSVM)和Elman神经网络的特性建立了SVC-HP-ENN-LSSVM模型,并根据用能设备的能源利用特点和预测结果对副产煤气进行优化调度。模型应用表明：所建预测模型对煤气系统的预测平均相对误差小于4%,满足工业生产需要。根据预测结果进行的优化调度解决了煤气系统的不平衡问题,应用于钢铁企业典型工况,主工序可降低10%左右能耗,应用其自备电厂（一年按照330天计算）,可多产蒸汽约104148 t,节能约9998208 kg标煤。     

基于支持向量机的连铸板坯表面温度预测

提出了一种最小二乘支持向量机的连铸板坯表面温度预测新模型.以中间罐温度、拉速、二冷水量等主要工艺因素为输入,连铸坯表面温度为输出,通过最小二乘支持向量机模型拟合输入与输出之间的复杂非线性函数关系.以现场采集的连铸生产工艺数据为样本对模型进行学习训练,用训练好的模型预测在一定工艺条件下板坯的表面温度.实践表明该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型.     

PLS-SVM模型在LF精炼炉温度预报中的应用

通过对LF精炼炉炼钢工艺的研究,结合目前比较先进的统计方法,总结出将PLS(偏最小二乘)和SVM(支持向量机)相结合的方法并应用于LF精炼炉温度预报。实际应用中取得了很好的预报结果。     

一种基于最小二乘支持向量机法的常见废弃塑料分类方法

将最小二乘支持向量机法(LS_SVM)应用于中红外光谱分析,建立一种新的对常见废弃塑料进行分类的方法.依据不同类别的塑料在红外波段具有不同的特征吸收峰,采用LS_SVM方法对塑料的中红外光谱数据进行处理,并与全局相关法、系统比较法进行比较.实验结果表明,LS_SVM进行分类的正确率为0.92.与全局相关法和系统比较法相比,LS_SVM分类正确率较高,其解决小样本问题效果显著,可应用于常见废弃塑料的分类.     

基于LS-SVM的粘结NdFeB永磁体磁性能预测

基于粘结NdFeB永磁体制备工艺优化实验,建立了一个最小二乘支持向量机(LS- SVM)算法模型用于工艺参数的优化.以粘结剂含量、固化温度、固化时间以及单位压制力大小四个工艺参数为影响因数,以剩余磁感应强度Br、矫顽力Hcj;和最大磁能积(BH)m为影响对象,通过最小二乘支持向量机算法模型建立起影响因素与影响对象之间的复杂的非线形关系.针对多影响对象,提出了一种γ和σ选择算法;以均匀设计试验结果为样本进行训练,用训练好的模型进行预测.结果表明,LS - SVM模型的实验结果与预测结果吻合良好,二者相对误差很小,对比ANN模型预测结果,LS - SVM模型具有更高的精度和运算速度,具有很好的实用性.     

基于LS-SVM的氧化铝粉流量软测量建模

针对电解铝厂生产过程中氧化铝输送流量无法在线精确计量问题,应用最小二乘支持向量机回归估计方法,建立了氧化铝输送中氧化铝粉流量的软测量模型,并采用实际数据进行仿真.仿真结果表明,该预测模型的估计值与实际分析值吻合较好,从而验证了软测量技术对氧化铝粉流量准确估算的有效性.     

基于支持向量机的高炉炉况诊断方法

现实中高炉炉况的征兆样本集是有限的,常规的基于经验风险最小化原则的方法的应用效果并不理想.支持向量机方法是针对小样本集分类问题提出的,具有很好的泛化能力,因此采用最小二乘法支持向量机进行高炉炉况诊断.通过仿真试验证实此方法具有很好的诊断效果.     

基于全局优化支持向量机的多类别高炉故障诊断

针对高炉故障诊断系统快速性和准确性的要求,提出基于全局优化最小二乘支持向量机的策略.首先,采用变尺度离散粒子群对最小二乘支持向量机的参数和故障特征的选取进行优化;然后,利用核主元分析法对选取的特征向量进行压缩整理;最后,构造了以Fisher线性判别率为标准的启发式纠错输出编码.仿真结果表明,通过对故障训练样本有意义地分割重组,用较少的最小二乘支持向量机分类器,得到较高的故障判断准确率且增强了整个系统的实时性.     

基于最小二乘支持向量机的机组能耗曲线拟合

电厂能耗曲线的拟合不仅是进行机组优化的前提,而且对于检测机组的稳定性和可靠性都具有重要意义.首先用模糊聚类算法对大量数据进行分类整理,从中找出最能反映机组稳定运行时的一些数据,然后利用最小二乘支持向量机回归理论对能耗曲线进行拟合.通过对贵州某电厂的能耗曲线进行实际拟合,表明此方法速度快,误差小,拟合精度高,可以满足实际需求.     

基于最小二乘支持向量机和人工鱼群算法的预应力锚杆布置间距优化

为了以有限的实验数据确定预应力锚杆布置的合理间距,结合山东省境内的104国道界河立交桥加筋土挡土墙的失稳加固工程实例,首先通过最小二乘支持向量机拟合优化对象与优化目标之间的复杂函数关系建立模型,然后采用现场实验数据样本进行模型训练,最后采用人工鱼群算法对模型进行优化,获得合理的布置间距,并通过加固效果监测验证了参数的合理性.结果表明,该法具有建模容易、收敛快和计算精度高等特点,说明该模型是合理可行的.     

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．     

基于组合算法的轧钢厂电耗预测

由于目前全国限电,钢铁厂耗电量高、电耗预测精度不高的问题亟待解决。将预处理后的热轧厂每天电耗作为预测模型的输入量,建立了最小二乘支持向量机(least squares support vector machine, LSSVM)预测模型,并对LSSVM预测模型进行核函数选择仿真分析。采用一种智能寻优灰狼算法(grey wolf optimization, GWO)进行寻优仿真分析,以平均绝对误差为目标函数值,优化LSSVM惩罚参数和核函数参数,从而建立了GWO-LSSVM的电耗预测模型。以山钢日照热轧厂为例,采用所建立预测模型对日耗电量进行仿真分析,试验结果表明,GWO-LSSVM预测模型能达到较好的曲线拟合预测效果,预测精度较高,平均绝对误差(mean absolute error, MAE)为0.838。     

基于融合特征和LS-SVM的脱机手写体汉字识别

提出的脱机手写体汉字识别系统主要研究特征提取和分类识别两个模块.特征提取模块主要包括采用基于不变矩和弹性网格技术的串行特征融合方法,所得到的特征向量不仅充分反映了手写体汉字的全局和局部特征,而且具有很强的区分表达能力.分类识别模块将神经网络多类分类策略与最小二乘支持向量机相结合,所得到的分类器不仅识别率高、泛化能力强,而且有效地解决了多类分类问题.实验证明本文提出的识别系统能够取得很好的识别效果.