融合提升小波降噪和LSSVM的网络流量在线预测

针对网络流量数据被噪声污染而无法进行准确建模与预测的问题,将提升小波降噪(LWD)技术和在线最小二乘支持向量机(LSSVM)相结合,提出了一种网络流量的集成式在线预测方法。该方法首先对采集的流量数据进行降噪,然后采用相空间重构理论计算流量的时延、嵌入维数,据此确定训练样本并建立在线预测模型,对网络流量数据进行预测。实验结果表明,该方法能有效滤除流量噪声,实现在线预测,提高预测精度。     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。     

基于核极化的特征选择在LSSVM的应用

为了对最小二乘支持向量机中样本的各个特征的差异性进行研究,引入了多参数高斯核,在分析核极化几何意义的基础上,提出了基于核极化梯度迭代优化多参数高斯核的特征选择算法。利用核极化梯度迭代算法对样本中每个特征的重要性程度进行测定;按特征的重要性大小进行LSSVM样本的特征选择;运用LSSVM对选出的特征子集进行训练和测试,称该方法为KP_LSSVM。UCI数据集上的实验结果表明,相较于PCA_LSSVM、KPCA_LSSVM和LSSVM方法,提出的方法可以取得更为准确的分类结果,验证了该方法的有效性。     

基于无偏置项LSSVM的稳健在线过程建模方法

针对直接利用最小二乘支持向量机(LSSVM)对动态过程在线建模时预测精度易受过程输出测量值上的粗大误差和噪声影响的问题,在分析样本序列结构特征和噪声作用特征基础上,提出一种基于无偏置项LSSVM的稳健在线过程建模方法。该方法在每一预测周期中根据预测误差与设定阈值之间的关系来识别和恢复异常测量值、识别和修正含噪声测量值,从而降低样本中的噪声,使得出的LSSVM较好地跟踪过程的动态特性。这种在线过程建模方法具有稳健性,能减少输出值上粗大误差和高斯白噪声对LSSVM预测精度的影响,提高预测精度。数字仿真显示该方法的有效性和优越性。     

融合先验知识的模糊最小二乘支持向量机模型及其应用

为了解决最小二乘支持向量机(LSSVM)对噪声或孤立点敏感的问题,融合数据样本中的先验知识,提出一种基于噪声分布模型和样本紧密度的模糊最小二乘支持向量机模型。在训练的过程中,考虑样本的噪声分布信息。为了区分有效样本和噪声,研究了基于样本紧密度的策略。运用该策略和噪声分布模型,可自动生成相应样本的模糊隶属度。该方法提高了最小二乘支持向量机的抗噪声能力以及处理含有噪声或孤立点样本的灵活性。将提出的方法运用于润滑油精制生产过程的故障诊断。实验结果表明,该方法具有很好的分类精度和鲁棒性。     

郑武客专线粉质土地基沉降观测数据异常值判别及沉降预测研究

郑武客专沿线广泛分布有深厚的粉质土,客运专线对工后沉降控制非常严格,根据沉降监测数据控制填土速率,保证路堤在施工中的安全与稳定,预测工后沉降确定无渣轨道的施工期,控制工后沉降在设计允许范围之内是路堤填筑的关键。对路基沉降观测数据的可靠性、沉降数据的预处理以及沉降观测异常数据判别方法进行了系统的叙述,尝试用最小二乘支持向量机对沉降数据进行预处理;讨论了各种预测模型的特点及适用性。基于沉降资料可靠性和沉降预测方法两方面的研究,形成了粉质土地基沉降系统预测方法,并通过实例详细介绍了预测过程。预测结果显示郑武粉质土地基沉降已基本趋于稳定,运行期不会发生较大的工后沉降,郑武客专地基处理及施工方法是成功的。     

基于PSO-LSSVM的矿井冲击地压分级预测研究

为准确预测煤矿冲击地压灾害,提出一种基于粒子群算法(PSO)优化最小二乘支持向量机(LSSVM)预测方法,即冲击地压分级预测的PSO-LSSVM方法。该方法综合考虑煤矿开采深度、地质构造、煤的坚固性系数、最大主应力、煤层倾角变化、煤厚变化、顶板岩层厚度、开采工艺、顶板和底板岩石强度共10项指标因素,构建冲击地压预测指标体系。利用PSO搜索方法对LSSVM模型的核参数σ和惩罚因子 f快速寻优,再将优化参数输入LSSVM模型中,构建基于PSO-LSSVM方法的冲击地压危险性分级预测方法,并进行工作面实例预测。研究结果表明:与其他预测方法相比,PSO-LSSVM方法具有计算效率高、准确性高、操作简便等特点,现场应用效果良好。     

基于自抗扰控制器的两电机变频调速系统最小二乘支持向量机逆控制

针对多输入多输出(multiple input multiple output,MIMO)非线性强耦合的两电机变频调速系统,对其数学模型进行可逆性存在分析,进一步设计最小二乘支持向量机(least squares support vector machines,LSSVM)逆系统,串联于两电机系统之前,组成基于阶逆的伪线性复合系统,实现MIMO系统的线性化与解耦。在此基础上,采用自抗扰控制器(active disturbances rejection control,ADRC)抑制伪线性复合系统中非线性因素的作用,引入扩张状态观测器对不确定性的估计,使之参与LSSVM逆模型的构造。仿真和实验结果表明,新型控制策略可以有效减小负载扰动和LSSVM建模误差的影响,具有良好的解耦控制效果和鲁棒性。     

基于最小二乘支持向量机的T-S模型在线辨识

提出一种基于时间窗最小二乘支持向量机的T-S模型在线辨识算法，包括结构辨识和参数辨识．该算法以时间窗内数据的势能作为结构辨识依据，同时采用最小二乘支持向量机辨识系统参数：具有辨识速度快、精度高的特点．仿真结果证明了算法的有效性．     

Implementing PSO-LSSVM model to approximate vaporization enthalpy of pure hydrocarbons and petroleum fractions

The purpose of the present research was to estimate the heat of vaporization for petroleum fractions and pure hydrocarbons by the least-square support vector machine (LSSVM) as a function of the specific gravity, molecular weight, and boiling point temperature. Moreover, a particle swarm optimization technique was applied to determine optimal dependent parameters of LSSVM. In addition, results obtained from the proposed LSSVM model have been compared to some developed correlations by scholars. According to statistical observations, the LSSVM model has acceptable predictions by the value of mean relative deviation and R-squared (R²) equal to 0.51% and 0.9998, respectively. The present predictive manner can be used in petroleum engineering for an accurate approximation of heat of vaporization.