基于混沌粒子群优化SVR的网络流量预测

计算机网络流量预测对于网络流量的控制和调整,进而提高网络性能和服务质量起着重要的作用.当前传统计算机网络流量方法预测精度较低,仅为85%左右.针对网络流量的非线性和时变特性,难以准确实现网络流量评估,为了解决此问题,提出基于混沌粒子群优化SVR的网络流量预测方法.支持向量回归算法(SVR)是一种用于趋势预测的支持向量机模型,能找到全局最优解.然而,SVR参数的选择对回归模型优化起着决定性作用.采用混沌粒子群优化算法(CPSO)优化支持向量参数,通过建立混沌粒子群优化SVR的网络流量预测模型.仿真结果表明,混沌粒子群优化SVR网络流量预测模型能力强、效果好.     

基于PSO-SVR的下水道可燃气体分析

针对下水道可燃气体传感器非线性、选择性差和交叉敏感的特点,建立了一种基于粒子群算法(PSO)支持向量回归机(SVR)的下水道可燃气体分析预测模型.该模型通过引入粒子群算法对支持向量回归机的重要参数进行优化,从而实现了支持向量回归机的参数自动判定,用于下水道可燃气体的定量分析.仿真结果表明:基于粒子群的支持向量回归机下水道可燃气体分析预测模型优于SVR模型,具有较好的泛化性能和较高的预测精度.     

基于混沌粒子群SVR的烟气轮机状态预测

研究烟气轮机状态测试,为了保证安全,克服当前烟气轮机状态预测精度低的问题,结合混沌粒子群与支持向量回归模型(SVR)的特点,提出一种烟气轮机状态预测的新方法,混沌粒子群能克服粒子群优化算法容易陷入局部最优且收敛速度较慢等缺点,以获得高预测性能的支持向量回归模型.在分析支持向量回归算法和混沌粒子群算法基础上,采用混沌粒子群算法选取合适的支持向量回归模型,并利用训练集建立混沌粒子群SVR烟气轮机状态预测模型.以某烟气轮机机组作为应用对象测试方法在机电状态预测中的效果.实验结果表明,与粒子群SVR相比,混沌粒子群SVR的预测精度有了较大幅度提高,证明适合烟气轮机状态预测.     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法.采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛.充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回归机模型进行对比分析.分析结果表明,该预测模型可将预测的均方根误差降低约40％,绝对值误差降低约42％,相对误差降低约46％,仿真结果验证了所提方法优化了支持向量回归机参数,改善了预测效果.     

支持向量机在高炉铁水温度预测中的应用

铁水温度是高炉冶炼过程的关键参数,是影响高炉稳定顺行及节能降耗的重要指标。以高炉炉内热状态的重要指示剂-铁水温度为研究对象,在综合利用K-means 聚类和支持向量机方法的各自优势和互补情况下,提出一种基于K-means 聚类的支持向量机预测铁水温度的方法,该方法首先将训练样本数据分为m 类,建立m 个支持向量机回归预测模型,同时采用粒子群算法优化模型参数; 其次建立m 个判别函数,判别待预测样本数据属于哪一类;最后将待预测样本数据代入相应类的回归模型中进行预测。相比标准支持向量机预测,得到了较高的预测精度。     

基于PSO_SVR的网络安全态势预测方法

针对网络安全态势感知中的态势预测问题,提出一种基于PSO_SVR的网络安全态势预测方法。该方法将支持向量回归机(SVR)嵌入到粒子群优化算法(PSO)的适应度计算过程中,利用PSO算法的全局搜索能力来优化选取SVR的参数,在一定程度上提升了SVR的学习能力和泛化能力。仿真实验表明,通过与已有的其他预测方法作对比,该方法具有更好的预测效果。     

基于改进灰狼算法和多核极限学习机的铁水硅含量预测建模

针对高炉铁水硅含量难以在线检测的问题, 本文提出一种基于改进灰狼算法(IGWO)优化的多核极限学习 机(MKELM)高炉铁水硅含量预测建模方法. 首先, 针对灰狼算法(GWO)寻优能力的不足, 将最优–最差正交反向学 习(OWOOBL)策略应用于灰狼算法的位置更新, 得到一种改进灰狼优化算法. 通过10种标准函数对所提算法进行 仿真测试, 结果表明此算法具有更好的寻优能力. 其次, 针对单核极限学习机(KELM)回归能力不足, 将不同种类的 核函数加权组合, 并采用改进灰狼算法对多核极限学习机中的加权系数等参数进行优化. 最后, 基于某钢厂的实测 数据对高炉铁水硅含量进行预测建模, 仿真结果表明, 本文所提方法的预测效果优于反向传播神经网络(BP–NN)、 极限学习机(ELM)、KELM和GWO–MKELM, 对高炉炼铁具有较好的指导意义.     

加权因子的PSO-SVR区域空气PM2.5浓度预报方法

结合支持向量回归机(SVR)和粒子群优化算法(PSO),本文提出了一种加权因子的区域大气PM2.5浓度预测方法(W-PSO-SVR)。该方法对预测模型的输入变量进行[0,1]间的不平等加权赋值,权重值由PSO寻优求得,通过不断寻优迭代,赋予输入变量不平等的权重,从而建立预测模型。对区域大气PM2.5浓度预报结果表明,与单独的支持向量回归机模型和0或1的加权因子的支持向量回归模型相比,W-PSO-SVR预报精度提高明显,且该方法不用考虑对历史数据时滞因子的影响,较好地实现了模型输入参数的有效选择,从而可降低输入参数的维数。     

基于混沌粒子群优化的SVM分类器研究

支持向量机(SVM)分类器能较好地解决小样本、非线性、高维等分类问题,具有很强的实用性。然而,支持向量机训练参数的选择对其分类精度有着很大的影响。常用的支持向量机优化方法有遗传算法、粒子群算法都存在易陷入局部极值,优化效果较差的不足。为解决上述问题在粒子群优化算法中引入混沌思想,提出了基于混沌粒子群优化算法(CPSO)的SVM分类器优化方法,CPSO算法能提高种群的多样性和粒子搜索的遍历性,从而有效地提高了PSO算法的收敛速度和精度,更好的优化SVM分类器。并以网络异常入侵检测为研究对象进行仿真,实验结果表明,根据混沌粒子群优化的SVM分类器比传统算法优化的SVM分类器的精度高,速度快。     

基于多输出最小二乘支持向量回归建模的自适应非线性预测控制及应用

提出一种可有效提高常规预测控制方法控制性能与计算效率的数据驱动自适应非线性模型预测控制方法.首先,为了提高多输出非线性系统最小二乘支持向量回归(least squares support vector regression, LS–SVR)建模的精度,考虑各维输出间的耦合关系,采用在目标函数中加入样本整体拟合误差项,实现多输出LS–SVR(multi-output LS–SVR,M–LS–SVR)预测建模,同时采用粒子群算法优化模型参数;其次,针对动态过程建模的模型失配问题以及由于M–LS–SVR模型复杂导致传统智能算法求解预测控制律缓慢的问题,提出自适应非线性模型预测控制策略,包括两个非线性优化层:第1层采用梯度下降算法实时优化模型和实际过程输出的偏差,以自适应调节模型参数;第2层采用具有全局收敛性和超线性收敛速度序列二次规划(sequential quadratic programming, SQP)算法设计非线性预测控制器,以加速预测控制律的求解速度. Benchmark仿真实例及在高炉炼铁过程的数据试验表明:所提基于M–LS–SVR预测建模的自适应非线性模型预测控制具有较快的求解速度、较好的设定值跟踪和干扰抑制性能以及较强的鲁棒性.     

Prediction of silicon content in hot metal using support vector regression based on chaos particle swarm optimization

The prediction of silicon content in hot metal has been a major study subject as one of the most important means for the monitoring state in ferrous metallurgy industry. A prediction model of silicon content is established based on the support vector regression (SVR) whose optimal parameters are selected by chaos particle swarm optimization. The data of the model are collected from No. 3 BF in Panzhihua Iron and Steel Group Co. of China. The results show that the proposed prediction model has better prediction results than neural network trained by chaos particle swarm optimization and least squares support vector regression, the percentage of samples whose absolute prediction errors are less than 0.03 when predicting silicon content by the proposed model is higher than 90%, it indicates that the prediction precision can meet the requirement of practical production.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于文化微粒群算法的丙烯腈收率软测量模型

丙烯腈收率是丙烯腈装置的关键指标,如何得到丙烯腈收率是厂家很关注的研究,将新型优化算法用于丙烯腈收率软测量建模是1种较好的尝试。将新型微粒群优化算法用于同样新型的文化算法种群空间的优化,设计文化微粒群优化算法。它由种群空间和信念空间2部分组成,在种群空间和信念空间分别采用各自算法并行演化,同时,2个空间又根据一定的协议相互联系。分别将该算法和基本微粒群算法用于一些常用测试函数的优化问题;结果表明,与基本微粒群算法相比,文化微粒群算法加强了全局搜索能力,更容易收敛于全局最优解。最后将文化微粒群优化算法用于优化神经网络,构成文化微粒群神经网络,并将其应用于丙烯腈收率软测量建模。结果表明,此模型精度高,应用前景广阔。     

鲶鱼粒子群算法优化支持向量机的短期负荷预测

为了准确、有效地预测短期负荷,提出了一种鲶鱼粒子群算法优化支持向量机的短期负荷预测模型（BFPSO-SVM）。基于混沌理论对短期负荷时间序列进行相空间重构;将支持向量机参数的组合看作一个粒子位置串,通过粒子间互作找到最优支持向量机参数,并引入“鲶鱼效应”,克服基本粒子群算法的缺点;根据最优参数建立短期负荷预测模型,并对模型性能进行仿真测试。仿真结果表明,相对于其他预测模型,BFPSO-SVM不仅加快了支持向量机参数寻优速度,而且提高了短期负荷预测精度,更适用于短期负荷预测的需要。     

Multi-fault classification based on support vector machine trained by chaos particle swarm optimization

A novel method of training support vector machine (SVM) by using chaos particle swarm optimization (CPSO) is proposed. A multi-fault classification model based on the SVM trained by CPSO is established and applied to the fault diagnosis of rotating machines. The results show that the method of training SVM using CPSO is feasible, the proposed fault classification model outperforms the neural network trained by chaos particle swarm optimization and least squares support vector machine, the precision and reliability of the fault classification results can meet the requirement of practical application.     

改进PSO-ISVM算法的软件缺陷预测

提出基于改进的粒子群优化支持向量机方法（PSO-ISVM）的测控软件缺陷预测方法。通过引入代价惩罚系数,定义粒子群优化算法中的适应度函数,利用最小化适应度函数值作为优化目标,排除大量的冗余干扰信息,提高对测控软件有缺陷模块的预测准确度,寻找支持向量机的最优参数。通过仿真实例分析测控软件有效性,并与常用缺陷预测方法进行比较,表明该模型能加快软件缺陷预测速度和提高对有缺陷模块的预测准确度。     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

利用PSO-SA混合优化支持向量回归的径流预报模型研究

为了有效提高径流预报的准确度,提出一种有效的融合优化策略,采用基于粒子群和模拟退火算法相结合的混合方法同时优化支持向量回归核函数类型和内核参数,以此建立一种有效的混合优化支持向量回归径流预报模型。提出的方法为核函数选择和参数优化提供了一种有效途径。通过对广西柳州柳江径流实例分析,并与纯粹的支持向量回归模型对比,研究结果表明,该模型预测稳定,具有较高泛化性能和预测准确度,为径流预报提供了一种有效预测方法。     

基于LSSVR和LSTM的多模型优化集成负荷预测

针对负荷需求受多源因素影响和现有单模型预测方法精度较低的问题,提出了一种基于最小二乘支持向量回归(LSSVR)和长短期记忆循环神经网络(LSTM)的多模型优化集成负荷预测方法。首先探究负荷相关特征的特性并由互信息进行特征选择,获取最优特征集。在此基础上采用随机抽样(bootstrap)生成多个训练集,然后使用具有良好预测能力的LSSVR和LSTM模型对多个训练集分别进行预测。利用混沌粒子群优化算法(CPSO)进一步提高模型预测精度。最后,在决策阶段中使用偏最小二乘回归(PLSR)组合各个子模型的最优预测输出并提供最终预测结果。对真实电网数据进行了仿真,并与其它预测方法进行了比较。本文所提方法的应用范围广泛且预测精度提高显著。