基于改进支持向量机的多因素筛选预测模型研究

为预测工业生产中较难测量的目标量，本文提出一种基于改进的支持向量机预测模型，利用灰色范数关联法，对于影响该目标量的多因素进行关联分析，提取主要影响因子作为预测模型的输入量。同时，以工业换热器的污垢热阻为例，验证该预测模型的可行性。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

灰色关联分析与支持向量机相融合的网络安全态势评价

为了提高网络安全态势的评价准确性,提出一种灰色关联分析与支持向量机相融合的网络安全态势评价模型.首先采用灰色关联分析对网络安全态势评价指标进行筛选,并根据对评价结果贡献赋予评价指标权值,然后将重要的评价指标作为支持向量机的输入向量,并采用社会力模型算法选择模型的参数,最后采用仿真实例分析了模型的评价性能.实验结果表明,本文模型通过灰色关联分析选择支持向量机的输入向量和社会力模型算法选择了最合理的型参数,可以准确描述网络安全态势与评价指标之间的变化关系,不仅提高了网络安全态势评价的正确率,加快了建模速度,而且获得比经典模更优的评价结果.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

基于最小二乘支持向量机的飞机备件多元分类

飞机后续备件配置直接关系到装备的战备完好率和寿命周期费用,对备件的正确分类是进行备件配置决策的前提。支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力。研究了新型支持向量机算法-最小二乘支持向量机,设计了基于多元分类的最小二乘支持向量机,在此基础上,建立了飞机备件多元分类模型,并对某机型的备件进行了分类。结果表明,基于最小二乘支持向量机的飞机备件多元分类方法是有效、可行的。     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

基于支持向量回归机的台风灾害损失分析

通过分析台风灾害损失的各影响因素,对表示致灾因素、承灾因素和抗灾因素的统计数据进行简单的数据处理,并作为支持向量回归机的影响因子,而台风灾害造成的各损失作为预测量,建立台风灾害损失的支持向量机回归评估模型.模型的历史数据拟合情况良好,并且在后期台风数据的实际评估中,表现了很好的预测效果,因此,该模型可以用于实际台风灾害损失的评估预测,能够在一定程度上反应灾害的损失程度,能够为防灾减灾工作提供理论依据.     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

基于支持向量机的网络告警预测知识发现

基于支持向量机提出一种方法,能够从历史告警中挖掘出告警的预测知识。首先把告警预测问题转化成机器学习问题,然后通过在告警序列上滑动窗口形成样本去训练支持向量机,从而建立对某种特定告警的预测模型。实验验证了该方法的有效性,并考察了一些关键参数对于预测性能的影响。     

基于支持向量机的输变电工程造价预测模型研究

针对影响输变电工程造价的因素较多,且各个因素之间相互联系,形成一个相互交叠的网络,从而导致造价预测难度较大,精度较低的问题。建立基于支持向量机的输变电工程造价预测模型,其以输变电工程造价影响因素为输入自变量,预测造价为输出值,通过支持向量机求解回归方程,并通过交叉验证来确定模型的相关参数,从而确定输变电工程造价预测模型,进而通过模型来预测输变电工程造价。最后通过样本数据来对模型进行训练,并对模型进行验证,证明了模型的准确性。     

基于消耗数据的备件储备标准研究

讨论了地空导弹武器装备备件分类方法,并通过对部队备件消耗数据的分析,确定了备件储备标准的原则及计算方法。并结合工作实际,对某些备件的储备标准进行了研究。     

温特法在装备备件消耗预测中的应用研究

只有准确地预测备件的消耗，才能合理地确定备件的需求量。装备维修保障过程中，备件的消耗往往呈现出季节性变化，用移动平均法预测备件消耗的效果不是很理想，因此有必要寻找一种更为有效的预测备件消耗的方法。本文探讨了温特指数平滑法的计算方法和计算步骤，并通过算例分析了温特指数平滑法在装备备件消耗量预测中的应用，并对预测结果进行了分析和比较。结果表明温特指数平滑法用于备件消耗预测是有效的、可行的，比移动平均法具有更好的预测精度。     

基于灰色理论的铁路客运量预测影响因素优化

为了更好地反映各种相关因素对客运量的影响,实现铁路客运量预测模型中影响因素的优化选择,采用灰色理论对影响因素进行分析,并针对传统灰关联分析在具体应用中存在的关联评价值趋于均匀化、分辨系数取值影响排序结果等不足,提出一种采用动态分辨系数的铁路客运量灰关联分析方法,从而得到各因素对客运量的关联度,实现铁路客运量预测模型中影响因素的优化选择.仿真实验以河南省铁路客运量为例,结果表明预测精度得到了提高,此方法可行并且有效.     

基于BP-MC模型的大型机电设备备件需求预测研究

针对大型机电设备备件需求具有非线性和随机波动性的特点,建立基于马尔科夫链修正的BP神经网络预测模型．以提高模型的预测精度。通过对训练样本的学习,利用BP神经网络实现了对备件需求时间序列的滚动预测,同时得到了实测值与预测值的相对误差;在此基础上利用马尔科夫链对相对误差进行修正,有效地提高了预测结果的精度。并将该模型应用于实际预测中,结果表明该模型优于BP神经网络单项预测模型,具有精度高、科学可靠的特点,为大型机电设备备件需求预测提供了新的途径。     

基于OpenCV的电力负荷预测

针对电力负荷预测影响因素多,传统预测方法精度不高,本文分析电力负荷预测影响因素,建立基于支持向量机的电力负荷预测模型。通过OpenCV实验,仿真结果表明本文对电力负荷预测具有较高的预测精度和较快的训练速度。     

考虑储备期间失效的可修复备件需求模型

备件数量决定了装备维修能力和保障水平,能否科学地预测备件数量,取决于备件需求计算模型建立的准确性。在此根据备件维修性将备件分为可修复件和不可修复件,针对可修复件的备件需求问题,在考虑储备期间发生故障的前提下,利用备件可靠性框图方法,建立单可修复件、多可修复件的备件需求计算模型,解决了备件考虑储备期间故障的实际需求。结合工作环境的影响对模型中的故障率进行修正,使模型更贴近实际需求。     

基于遗传算法的雷达功能板备件优化模型

通过分析雷达装备的维修方式和可用度，建立了雷达装备的功能板（印制版）随机备件优化模型，结合遗传算法解优化问题的特点，将遗传算法引入到求解备件优化问题中来，有效地解决了这一复杂的备件优化问题，保证了雷达装备具有较高的可用度。     

机动雷达部队抢修设备携行量模型分析

根据雷达战场损伤模式特点,分析如何合理选择战场损伤模式的各种抢修方法,针对战时机动雷达部队抢修备件携带数量确定问题,建立以最短平均抢修时间为目标函数、以抢修备件携带能力有限为约束条件的备件优化模型,运用线性规划理论对模型进行求解,并提出快速抢修战损故障的合理建议。     

移动源排放遥测主要影响因素分析及预测

由于移动源污染遥感监测受到复杂外部环境影响, 难以通过传统统计方法建立车辆行驶工况与污染排放之间 的相关性模型, 为此开展了基于移动源遥感监测的影响因素分析及排放预测的研究。首先利用 Spearman 相关性分析 排除与移动源污染物主要排放气体 CO、 HC、 NO 气体浓度无相关性的因素; 其次使用 Lasso 算法确定各成分的关键 影响因子, 并采用神经网络构建污染物排放预测模型; 最后在测试集上验证该模型用于移动源污染排放主要成分预测 的有效性。模型预测的结果表明, 基于特征筛选的移动源污染排放数据预测神经网络模型具有较高的预测精度, 可以 降低城市移动源污染排放检测成本并为相关部门制定相关政策提供数据支持。     

基于灰色预测算法的图情数据分析技术

灰色预测是图情数据预测分析的常用算法之一,但传统的灰色预测模型在预测低光滑性数据序列时准确率低。针对此问题,文中提出了一种差值加权光滑处理方法,并采用欧拉修正的方式弥补误差。将改进后的灰色预测模型在某图书馆借阅数据库上进行测试,测试与分析结果表明,该模型预测结果相对误差的方差由0.32减至0.142,平均相对误差绝对值减小了4.458%。改进的灰色预测模型能够处理光滑度较低的图书馆借阅数据,并准确地对其进行预测,为图书馆优化工作效率与信息化建设提供支撑。