基于近似熵测度的变权组合预测方法

提出一种基于近似熵测度的变权组合预测方法.首先,不同于传统的预测效果评价准则,从衡量样本序列复杂性的角度出发,以预测值误差序列的近似熵测度为评价效果准则,建立变权组合预测优化模型;然后,在变权组合预测权值分配问题上,为克服常规的均值估计法和回归分析法的不足,采用在线最小二乘支持向量机(LS-SVM)回归法,实现预测点加权系数的准确预测;最后,通过实例表明了该方法的可行性和有效性.     

基于LS-SVM/PID复合逆系统的预测控制

为了提高预测控制算法的控制性能,提出一种基于最小二乘支持向量机(LS-SVM)/PID复合逆系统的预测控制算法。该算法在PID控制的基础上,利用LS-SVM离线建立被控对象的非线性逆模型作为前馈控制器,形成直接逆控制,其克服了逆系统方法鲁棒性不强的缺陷,并与原系统串联构成一个伪线性系统;然后,结合预测控制算法实现系统的预测控制。仿真结果表明,该算法具有较好的跟踪性能和抗干扰能力。     

基于LS􀀁SVM 的电力系统参考相角预测

针对电力系统实时相角测量模型,为了克服由于通信过程而导致的参考相角滞后,提出采用基于最小二乘支持向量机(LS-SVM)的方法对参考相角进行预测,以使预测的参考相角信息能够用于就地的稳定性分析和控制.仿真结果表明,用LS-SVM预测相角的方法具有较高的跟踪速度和预测精度,并具有较好的动态效果,满足电力系统对实时相角测量的要求.     

动态贝叶斯最小二乘支持向量机

为了对涡扇发动机的运行参数变化进行实时高精度预测,提出一种基于动态贝叶斯最小二乘支持向量机(LS-SVM)的时间序列预测算法。该算法将贝叶斯证据框架理论用于推断LS-SVM的初始模型参数;然后,利用样本增减迭代学习算法实现LS-SVM的参数动态调整。对某型涡扇发动机的摩擦力矩时间序列进行动态预测,并与动态LS-SVM模型的预测结果进行比较。结果显示,动态贝叶斯LS-SVM具有较好的预测精度。     

基于独立成分分析的含噪声时间序列预测

提出一种基于独立成分分析(ICA)的最小二乘支持向量机(LS-SVM),用于时间序列的多步超前独立预测.用ICA估计预测变量中的独立成分(IC),用不含噪声的IC重新构建时间序列.利用 -最近邻法( -NN)减小训练集的规模,提出一种新的距离函数以降低LS-SVM训练过程的计算复杂度,并用约束条件对预测值进行后处理.使用基于ICA的LS-SVM、普通LS-SVM与反向传播神经网络(BP-ANN),对多个时间序列进行对比预测实验.实验结果表明,基于ICA的LS-SVM的预测性能优于普通LS-SVM和BP-ANN.     

基于WLS-SVM回归模型的电力负荷预测

针对电力系统年用电量增长的特点,提出一种基于加权最小二乘支持向量机(LS-SVM)的电力负荷预测模型.与标准LS-SVM的电力预测方法比较,该模型能通过设置训练样本权重比例,实现样本优化选择,达到历史数据"重近轻远"的学习效果,从而能有效提高预测精度.通过具体实例验证,WLS-SVM模型预测精度明显优于标准LS-SVM模型,说明本文模型实现容易,鲁棒性好,预测精度高.     

基于混沌优化的LS-SVM非线性预测控制方法

针对非线性系统的控制问题,提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合,利用混沌映射的特性,通过引入混沌优化技术对LS-SVM参数进行优化,同时又将其作为滚动优化策略,避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题,仿真研究说明了该非线性预测控制器的有效性及实时性。     

智能优化LS-SVM在电力负荷预测中的应用

研究短期电力负荷的准确预测问题对城市供电系统运行的可靠性和经济性很重要。由于电力负荷变化过程受到各种因素的影响,系统非线性较强。传统方法对电力短期负荷预测精度、收敛速度和泛化能力方面不理想。为解决上述问题,提出了一种核函数KPCA和KICA的最小二乘支持向量机(LS-SVM)电力负荷预测方法。首先对采集的含噪信号进行小波包去噪预处理,同时对不同频段的负荷分量进行区别处理以提高预测精度;利用核函数KPCA和KICA分析方法提取数据特征,提高预测模型的泛化能力和预测精度;采用混沌粒子群算法优化LS-SVM参数提高预测模型的收敛速度。实验表明,改进算法在预测精度、泛化能力及收敛速度方面较突出,具有良好的预测效果。     

基于PSO与LS-SVM的作物需水量预测

为了提高作物需水量预测精度,提出基于粒子群优化算法(PSO)优化最小二乘支持向量机(LS-SVM)的预测模型。该模型以空气湿度、温度、太阳辐射以及风速为输入,利用多项式核函数和径向基核函数的非负线性组合构造核函数,将粒子群优化算法(PSO)与交叉验证方法用于确定模型参数。实验结果表明与神经网络和随机森林相比,PSO优化的LS-SVM可获得更好的预测精度和泛化能力,可用于节水灌溉,具有较高的应用价值。     

船用燃气轮机状态趋势预测算法研究

燃气轮机是船舶动力系统的重要组成部分,为了提高船舶性能,需对其进行状态趋势预测;首先研究了常用的几种预测算法,总结了各自优缺点和适用范围,对常见预测方法的技术特点进行了详细分析;为提高船用燃气轮机状态预测精度,提出了组合优选和虚拟预测的思想,通过研究组合预测方法实现了燃汽轮机状态的趋势预测,验证了组合优选和虚拟预测的可操作性和正确性,将预测结果同直接预测相比较,验证了其优越性。     

基于改进ABC与LS-SVM算法的电力负荷预测的研究

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量,提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ,再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度,更小的误差,是一种有效的预测方法。     

基于遗传算法的LS-SVM参数优选及其在经济预测中的应用

针对最小二乘支持向量机的参数优选，提出用遗传算法优化其有关参数，以经济系统中的人口数据对它进行训练，并用于预测城市的人口。最后，把最小二乘支持向量机与传统的BP网络预测结果进行比较，结果证明，该模型的预测精确度是令人满意的，文中提出的方法是可行的。     

LS-SVM在提高气压测高系统精度中的应用研究

在利用计算机软件补偿飞机测高系统误差方法中,传统的采用分段拟合方法精度不高,非线性误差大;神经网络存在过学习、网络拓扑结构不易确定以及泛化能力差等缺点。提出利用最小二乘支持向量机(LS-SVM)对某型飞机测高系统误差进行预测、补偿,提高其测高精度。在分析LS-SVM回归算法的基础上,利用LS-SVMlab1.5对某型飞机测高系统误差样本数据进行了仿真。结果表明,LS-SVM在数据回归预测方面精度高、泛化能力强、稳定性好,可以有效提高飞机气压测高系统精度,具有应用推广价值。     

关于道路交通行车安全距离预测仿真

为了提高道路交通安全,针对行车安全距离的非线性带来的难以准确预测的问题,提出了一种临界行车安全距离的预测方法。以驾驶员驾驶风格类型、前车速度、后车速度、前车减速度为系统输入,以临界行车安全距离为系统的输出,应用最小二乘支持向量机(LS-SVM)建立预测模型。结合仿真软件采集到的样本数据进行训练,得到行车安全距离的预测结果,并与目前普遍采用的BP (Back Propagation)神经网络模型的预测结果进行了对比。实验结果表明,所提出的预测模型能准确地预测临界行车安全距离,且预测准确度明显优于BP神经网络。     

基于EMD与LS-SVM的风电场短期风速预测

为了提高风电场风速短期预测的精度,提出了将经验模式分解与数据挖掘方法相结合对风速时间序列进行建模预测.对风速时间序列进行经验模式分解,使之分解为若干不同频带的本征模式分量.对不同频带的平稳分量建立相应的最小二乘支持向量机预测模型,将各模型的预测值等权求和得到最终预测值.仿真实验结果表明,风电场短期风速预测的MAPE为1.507%,提高了此类预测的精度,表明了该方法的有效性.     

基于LS-SVM的非线性系统自适应输出反馈控制

针对状态不可测的单输入单输出非线性不确定系统,提出一种基于最小二乘支持向量机(LS-SVM)的直接自适应输出反馈控制方法.该方法首先设计一种误差观测器,间接地估计出系统的状态,然后采用最小二乘支持向量机构造自适应控制器,控制器参数的在线调整规律由李亚普诺夫稳定性理论导出.文中严格证明了闭环系统的渐近稳定性,仿真研究表明了此控制方法的可行性和有效性.     

基于PSO滚动优化的LS-SVM预测控制*

针对非线性时延系统、传统预测控制算法难以建立精确模型、控制精度不高的现状,提出一种基于最小二乘支持向量机（LS-SVM）的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习,建立其预测模型;然后运用粒子群(PSO)算法完成非线性预测控制的滚动优化。仿真结果表明,基于该方法的非线性系统预测控制具有较好的控制效果。     

基于L S-SVM 的非线性预测控制技术

探讨了利用最小二乘支持向量机(LS—SVM)进行非线性系统辨识的方法，LS—SVM用等式约束代替传统支持向量机中不等式约束，求解过程从解QP问题变成解一组等式方程，将得到的LS—SVM模型应用到非线性预测控制，提出了基于LS—SVM模型的非线性预测控制算法，通过CSTR过程仿真表明，最小二乘支持向量机学习速度快，在小样本情况下具有良好的非线性建模和泛化能力，基于LS—SVM的预测控制算法具有很好的控制性能。     

基于LS-SVM飞机大迎角动态辨识方法研究

确定飞机在大迎角飞行状态时的动态系统参考模型,对于支持飞机控制系统的稳定性和控制增稳设计有着重要的影响。为了精确描述飞机大迎角机动非定常、非线性数学模型,提出利用最小二乘支持向量机(LS-SVM)对飞机大迎角状态飞行时的非线性动态系统进行辨识,利用网络搜索和交叉验证的方法选择支持向量机参数,并建立了飞机大迎角动力学参考模型,仿真验证显示方法具有较强的泛化能力和较高的辨识效果。     

基于贝叶斯回归LS-SVM的非线性系统观测

基于回归最小均方支持向量机(LS-SVM),针对一类单输入单输出不确定非线性控制系统,提出了一种新的观测器的设计方法.在这个算法中,主要假设LS-SVM的最优逼近参数向量和标称参数向量之差的范数和逼近误差的界限是未知的.LS-SVM的最终解可以化为一个具有线性约束的二次规划问题,不存在局部极小;考虑到LS-SVM本身参数对LS-SVM性能的影响,文中利用贝叶斯证据框架对LS-SVM的参数进行优化和软测量建模,从而提高LS-SVM的逼近能力.理论研究和仿真例子证实了所提方法的可行性和有效性.