支持向量机回归模型在径流预测中的应用

为了探索提高径流中长期预测精度的有效途径,尝试建立了基于支持向量机的径流预测模型,并应用于西江流域梧州站的年、月径流预测中,取得了很好的效果。并与神经网络预测进行对比,结果表明该模型的预测精度要高于人工神经网络模型。     

基于小波变换的支持向量回归机振动数据短期预测

支持向量回归机(SVR)是数据挖掘方面一种较好的方法.但对于包含多频率成分的非平稳信号的预测,其运算精度不是十分理想.对此,提出基于小波变换的支持向量回归机振动数据短期预测方法.该方法首先利用小波变换(WT)将非平稳信号分解成若干平稳的频率成分;然后对各个频率成分进行回归运算,得到各频率成分的预测结果;最后对各个成分的预测结果求和,最终得到原信号的预测结果.还对影响预测精度的小波函数进行了分析比较,最终实现了振动信号的准确预测.     

基于混沌相空间重构与支持向量机的风速预测

讨论了基于混沌相空间重构和支持向量机的风速预测。对风速数据的混沌特性进行分析,在此基础上进行相空间重构,采用C-C算法求取嵌入维数m和延时时间τ,确定预测模型的输入维m与样本集;在样本集中,采用粗搜索和细搜索的方法选取预测点的参考点,在进行细搜索的过程中提出相关性分离速率的方法,提高了预测精度。利用支持向量机强大的泛化能力,构造出风速预测回归函数,避免了传统的人工神经网络所存在收敛速度慢、结构选择困难和局部极小点问题。最后采用新西兰某风电场采样周期为10min的风速测量数据进行风速预测,实验结果表明采用Chaos-SVR方法有效降低了风速预测误差,且此方法与神经网络法相比具有更好的泛化能力和更高的预测精度。     

排气噪声预测的改进研究

作者曾用Benson发展的特征线法模拟内燃机排气系统中的不稳定流动,作为噪声预测的基础,但预测的排气噪声频谱在1kHz以上不能令人满意。针对于此,本文提出了一种改进的特征线算法,旨在改善高频段噪声频谱的预测精度。计算与实测对比表明,其他参数(压力、速度等)与Benson法的结果一致,而噪声预测精度有很大提高,在3kHz以下均能较好地反映实测值。这种算法可作为气流声学分析、排气噪声预测的有效手段。     

基于声品质特性的全地形车排气噪声优化研究

NVH水平已成为各大车企关注的重点性能之一,而在竞技娱乐细分领域NVH问题也逐渐被消费者所聚焦,因此提升动力设备的NVH性能已成为产品开发的首要需求.主要研究了搭载单缸自吸发动机的全地形车NVH特性,采用声学有限元法数值模拟技术分析并优化排气消声器结构,完成了消声器快速样件的试制,并通过整车试验验证排气消声器的实际效果...     

基于支持向量回归机的汽轮机转子应力修正系数模型

提出了基于支持向量回归机的汽轮机转子应力修正系数预测方法.介绍了支持向量回归算法及其参数选择,并将该算法应用于某600 Mw汽轮机高中压转子应力修正系数的建模计算,同时与径向基神经网络模型所预测的结果进行了对比,结果表明:基于支持向量回归机的计算模型可以对转子的应力修正系数进行准确估算,具有更好的计算精度和泛化性能.     

进排气噪声品质的设计

进排气系统的设计迄今主要以开发的基础，现今的大多数消声器设计软件以一维线性声学理论为基础，但是为了获得满意的结果，一般地说，我仍然需要一个全面的开发计划，为了满足工业日益增长的需求，里卡多公司现正用一种非线性时域方法来解决进排气系统设计问题，从而提高发动机的固有行笥并预测压力损失。     

基于粒子群支持向量回归优化的循环流化床床温预测分析

为了优化循环流化床锅炉(CFB)的床温系统控制,使用支持向量回归(SVR)人工智能方法进行建模预测;为提高预测结果的精准性,引入互信息法则(MI)及主成分分析法(PCA)作为输入特征选择手段,同时使用粒子群算法(PSO)进行参数寻优。研究结果表明,MI法则进行数据预处理并利用PSO算法优化后的SVR模型能够精确地预测在不同运行工况下的床温变化,且预测误差较小,拥有较强的泛化能力。     

奇异谱分析-支持向量回归机耦合模型在月降水量预测中的应用

降水通常是一个地区水资源的主要补给来源,其准确预测对于水资源量的预测等十分重要。为提高降水量的预测精度,以吉林省西部某气象站为例,采用奇异谱分析对月降水量数据进行预处理,提取出多个独立的子序列,再利用支持向量回归机对不同子序列单独建立预测模型,对不同子序列预测模型的输出值求和即可得到该耦合模型的预测值,并利用该耦合模型(SSA-SVR)与小波分析-支持向量回归机耦合模型(WA-SVR)以及在原始降水量数据基础上建立的支持回归机预测模型(SVR)对其月降水量进行步长为1个月、3个月以及6个月的预测。结果表明,三种模型中,SSA-SVR模型的预测值与实测值最为接近,预测精度更高。     

基于回归分析的车用柴油机声品质预测技术

以一台6缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计提供理论基础.研究国内外车用柴油机客观评价特征,选取响度、尖锐度、粗糙度和波动度参量来进行该机型的客观评价研究;采用成对比较法对17个车用柴油机噪声样本进行主观评价研究,应用多元线性回归理论建立起该机型车用柴油机声品质预测模型.研究表明,响度是影响听众对车用柴油机噪声主观感受的最重要的因素,模型预测结果与主观评价试验结果相关系数R2为0.841,多元线性回归模型预测值与主观评价实测值吻合度较高,所建立的声品质评价模型可用来预测该机型结构辐射噪声的声品质.     

垃圾焚烧烟气中二噁英类浓度的支持向量回归预测

文章利用垃圾焚烧烟气的在线监测数据,探索建立二噁英类浓度与烟气中其他污染物浓度、工况参数的多元回归预测模型,从而实现对烟气中二噁英类浓度的间接实时监测,但受限于二噁英类浓度的监测成本高,可供回归预测训练的样本少的问题,线性回归预测模型的泛化能力较弱、稳定性较差。使用非线性的支持向量回归方法建模,有助于解决这一问题。文章使用3种核函数构建支持向量回归预测模型,应用华南地区某垃圾焚烧厂的10组监测数据作为训练集和测试集,比较了支持向量回归预测和多元线性回归预测的相对误差。研究结果表明,训练集为8组数据时,支持向量回归预测的相对误差明显小于多元线性回归,尤其是模型使用1阶多项式核函数和径向基核函数时的最大百分比误差较小,泛化能力较强。     

基于支持向量机的燃气轮机故障诊断

分析燃气轮机的8种典型常见故障,建立了基于支持向量机的故障诊断模型,用实例计算证明其有效性。同时和神经网络方法对比后发现：在小样本情况下,支持向量机方法的计算结果比神经网络要好,推广能力更强,而且效率高于神经网络。本方法针对故障诊断样本少的特点,为建立智能化的燃气轮机状态监控和故障诊断提供了一种新的途径,具有广泛的实用价值。     

基于小波分析与支持向量机的风速预测

将小波多分辨率分析特点和支持向量机良好的泛化性能相结合,建立小波-支持向量机风速预测模型。先将原始风速序列经小波分解成概貌分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

基于支持向量机的给水泵故障预测研究

给水泵组是火电厂重要的辅机之一,其在线状态监测得到的机械信号具有非线性关系,因此为了有效预测给水泵组的状态趋势,提高其运行的安全性和经济性,本文采用一种新的通用机器学习算法——最小二乘支持向量机(LS-SVM)。基于该机器学习算法构建给水泵组状态预测模型,并对给水泵活动侧的轴承温度和振动进行预测。实验结果表明:采用LS-SVM构建模型预测给水泵组的轴承振动和温度,其预测结果均在设定的允许误差范围内,具有一定的可靠性和参考价值。     

基于支持向量回归的大容量机组主蒸汽流量建模

分析了大容量机组主蒸汽流量的计算原理,指出了常规的基于调节级后压力计算模型的弊端.介绍了支持向量回归计算模型及其参数选择,并将该模型应用于某300MW机组的主蒸汽流量建模计算,同时与RBF神经网络模型进行对比.结果表明,基于支持向量回归的计算模型不仅能够在不同工况下对主蒸汽流量进行准确估算,还能够适应机组通流部分状态发生改变时主蒸汽流量的计算,并具有较好的泛化能力和稳定性,适于在线计算,能够满足机组经济性诊断实时计算的要求.     

基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法

通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.     

基于支持向量机的过热汽温内模控制

提出一种基于支持向量机回归的内模控制算法并应用于过热气温控制。首先,简介支持向量机回归算法和内模控制原理;其次,提出基于支持向量机回归算法构造的被控过程的逆模型,将该逆模型作为控制器,并在主控系统中增加鲁棒控制器以增加系统的鲁棒性及跟踪性能。仿真结果表明提出的控制算法的控制品质优于传统的PID控制算法。     

基于支持向量回归的PV/T组件温度实时预测

在光伏光热系统中,光伏板的发电效率与PV/T组件温度密切相关。实时、精确地预测PV/T组件温度,对优化控制决策、提高光伏板发电效率具有重要意义。文章利用支持向量回归(SVR)算法建立PV/T组件温度预测模型。为了提高该模型预测结果的精确度,采用网格搜索与交叉验证相结合的方法对SVR核函数参数g和惩罚因子c进行寻优;然后,结合实验平台的测量数据,划分训练集和预测集,并对原始数据进行归一化处理;最后,文章将基于SVR算法温度预测模型的预测结果与BP神经网络的预测结果进行对比。分析结果表明:基于SVR算法温度预测模型的预测值与实测值基本一致,该模型的预测精度和泛化性能均优于BP神经网络的预测结果。     

基于支持向量回归算法的汽轮机热耗率模型

利用支持向量回归算法,建立了汽轮机热耗率计算模型.介绍了支持向量回归算法的原理,对算法中的参数选择进行了探讨.对某300MW机组汽轮机热耗率计算进行了建模,并与RBF神经网络回归模型进行了比较.结果表明:基于支持向量回归算法的模型具有较强的泛化能力,适于在线应用.通过对输入参数添加随机扰动量分析表明,该模型比传统计算模型具有更好的稳定性,能更准确地计算汽轮机热耗率.