基于最小一乘的GA-SVR用电量预测

基于最小一乘准则和交叉验证思想下,提出了一种基于自适应遗传算法参数寻优的支持向量回归机模型。该模型采用最小一乘准则作为训练标准,提高了模型的整体稳定性。使用自适应遗传算法对支持向量回归模型进行参数寻优,加快了训练时间,提升了预测精度,同时,交叉验证方法的采用,又进一步地提升了模型的泛化能力和预测精度。采用该模型对江苏省全社会用电量进行预测的结果表明,其预测精度要优于传统的支持向量回归模型和一般的粒子群优化支持向量回归模型。     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

一种顾及用户朝向的PSO-LSSVM指纹定位算法

为了解决人体对WiFi信号遮蔽和最小二乘支持向量机参数优化的问题,提出了一种顾及用户朝向的粒子群优化最小二乘支持向量机指纹定位方法。建立全向指纹库,采用粒子群优化算法求出最小二乘支持向量机最优参数,通过最小二乘支持向量机训练出定位模型,将待测点指纹信息输入定位模型中,最终估算出待测点位置坐标。仿真实验结果表明所提算法在定位误差上达到0.72 m,普通的粒子群优化最小二乘支持向量机算法定位误差为0.84 m,提高了室内定位精度,具有实际的应用价值。     

项目网络组织协同治理绩效影响因素分析

为了能够更加准确地判断结构损伤位置和程度,本文提出了基于粒子群优化支持向量机（PSO SVM）方法对斜拉桥主梁进行损伤识别的新方法。该方法以最敏感索张力指标作为损伤识别指标,利用粒子群（PSO）算法寻找支持向量机（SVM）最优参数,建立SVM预测模型,以不同位置、不同损伤程度下最敏感索的张力指标作为SVM的训练和测试输入,由SVM的输出确定损伤位置。通过对实验室的模型斜拉桥的主梁损伤进行了仿真验证,结果表明：采用PSO算法很好地解决了采用SVM方法进行损伤识别时的参数选择随机性难题,实现了对SVM模型参数     

改进核函数的支持向量机智能诊断方法研究

针对目前支持向量机( SVM)智能诊断方法核函数选择困难以及参数选择具有随意性的问题,提出了基于模拟退 火算法改进核函数的SVM智能诊断方法,重新设计了支持向量机的核函数以及参数。多项式核函数是局部核函数具有 较强的拟合能力,而径向基核函数是全局核函数具有较强的外推能力,根据Mercer理论,建立一种由多项式核函数与径 向基核函数组合而成的复合核函数,并利用模拟退火算法全局寻优的优点,对支持向量机的参数做最优选择;改进后的 SVM运用于轴承故障诊断。研究结果表明：相对于传统SVM法,该方法具有较好的学习效率及较高的诊断准确率;该方 法运用于轴承故障诊断领域极大地提高了故障诊断的准确率以及诊断效率。该研究为基于模拟退火算法改进核函数的 SVM智能诊断方法应用于机械设备故障诊断提供了相应的理论和实践依据。     

基于改进克隆选择算法的最小二乘支持向量机

针对最小二乘支持向量机的参数选取问题,引入了克隆选择算法,提出了一种基于改进克隆选择算法的最小二乘支持向量机。同时根据最小二乘支持向量机的学习能力和泛化能力,在克隆选择算法的目标函数中加入两者的动态调节机制,这样改进的克隆选择算法在寻优过程中能够准确、快速地搜索到最小二乘支持向量机的最优参数。将本文模型用于乙烯裂解炉裂解深度值的学习和预测,经仿真实验表明:该预测模型的训练速度快,预测精度高。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

改进PSO算法优化LSSVM的柴油机排气预测

针对柴油机SCR系统对排气流量、排气成分和排气温度控制精度要求高的特点,提出一种基于粒子群优化支持向量机的排气预测模型。该方法采用改进粒子群算法寻找支持向量机最优的惩罚参数和核函数参数,提高模型的泛化能力,根据柴油机运行时的转速和负载,实时精准测算出排气流量、温度以及氮氧化合物浓度。结合柴油机实际排放实验仿真表明,与未经优化的PSO-SVM模型相比,该方法对柴油机排气预测有很高的精确度,可以将误差控制在1. 6%以内,平均误差仅为0. 665%。     

支持向量机替代模型的遗传优化设计

针对实际工程中常见的性能函数不能显式表示的优化问题,提出一种基于支持向量机替代模型的遗传优化设计方法。利用试验设计选取合适的设计参数样本点,通过实验或数值仿真获得响应输出,结合遗传算法构建具有参数优化功能的支持向量机替代模型;将支持向量机模型作为目标性能函数,结合其他约束条件完成优化模型的建立,并应用遗传算法进行优化,形成一套准确、高效、适应性强的优化方法。以典型电子装备功分器的结构尺寸优化为例,采用均匀试验设计和高频电磁场仿真软件HFSS获取替代模型训练的学习样本,建立功分器模型的幅度比、相位差和驻波3个响应面目标函数,并对该多目标优化问题进行遗传寻优。     

基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

改进PSO-SVM在说话人识别中的应用

为了加快粒子群优化算法的收敛速度,增强全局的搜索能力,通过对粒子群优化算法中惯性权重和全局最优值的分析,提出了一种根据迭代次数而自适应变化的惯性权重的粒子群优化方法。改进后的粒子群算法在防止陷入局部最优的能力方面有了明显的增强,同时,给出了应用粒子群优化算法训练支持向量机的方法,并将其应用于说话人识别。实验结果证实了在说话人识别中改进PSO-SVM方法比其他传统方法能获得更好的识别精度和识别速度。     

基于支持向量机的养老保障满意度 非线性模型

目前对养老保障满意度的研究所采用的统计方法,都是基于养老保障满意度与影响因素之间的线性关系,且未对所建模型进行检验及理论预测。由于事物之间关系复杂,变量之间往往呈现非线性关系。采用支持向量机算法结合粒子群优化算法,建立养老保障满意度非线性模型。用于研究的养老保障满意度样本数为8 339份。结果显示,基于支持向量机的分类模型对养老保障满意度预测精度高于76%,预测性能优于二元逻辑回归预测结果。表明养老保障满意度与受教育程度、受教育满意度、家庭经济状况满意度、总体生活满意度、对社会总体评价等5个影响因素之间存在非线性关系。因此,应用支持向量机算法建立养老保障满意度非线性模型是可行的。     

基于免疫量子粒子群优化的属性约简

受生物免疫系统启发,把疫苗提取和疫苗接种思想应用到量子粒子群算法,提出了免疫量子粒子群算法。免疫接种可以指导粒子朝着更优方向进化,提高了量子粒子群的收敛速度和寻优能力。分别采用Hu算法、粒子群算法、量子粒子群、免疫量子粒子群多种算法应用于粗糙集属性约简。实验结果表明,基于免疫量子粒子群优化的约简算法在收敛速度和寻优能力都取得了更好的效果。     

基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能,从而导致故障诊断正确率下降,提出一种将离散粒子群算法(PSO)与支持向量机(SVM)相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留,有效地提高了故障诊断性能。基于连续搅拌釜式反应器(CSTR)的仿真实例验证了该算法的有效性。     

截断误差的光滑型支持向量顺序回归

支持向量顺序回归算法已成功应用于解决顺序回归问题,但其易受训练样本中野点的干扰。为此,提出一种截断误差的光滑型支持向量顺序回归(TLS-SVOR)算法。学习顺序回归模型时,将错划样本形成的误差s限制在范围u内。TLS-SVOR首先用包含参数u的分段多项式近似s;再引入光滑型支持向量机分类算法的思路,将优化目标转变为二次连续可微的无约束问题,从而由牛顿法直接求得唯一的决策超平面。采用两阶段的均匀设计方法确定TLS-SVOR的最优参数。实验结果表明,相比其他顺序回归算法,TLS-SVOR在多个数据集能获得更高的精度。     

高铁隧道断层破碎带围岩参数反演研究

针对隧道断层破碎段围岩力学参数缺失问题,基于遗传算法(GA)优化的支持向量机(SVM)算法,建立了高铁隧道围岩力学参数反演模型,以实际监测数据为理论依据,反演得到阳山隧道F26断层段围岩力学参数,结合有限差分软件FLAC 3D以阳山高铁隧道为工程实例进行正演分析,正演结果与实测数据对比完成误差分析。结果表明,样本数量影响算法的性能,具体表现为在设计样本数量区间范围内遗传算法参数寻优的结果精度及支持向量机模型的预测精度与设计样本数量呈正相关。模拟围岩变形值与实际监测数据的相对误差均低于10%,证明了反演方法及模型的可靠性。研究成果为解决高铁隧道断层破碎带围岩力学参数缺失问题提供参考。     

一种改进的θ-PSO算法

基于相位角的粒子群优化算法θ-PSO在处理一些标准测试函数时比基本的PSO算法有着更好的寻优性能,但该算法在处理一些复杂函数时,也存在不易跳出局部最小的困惑。本文在基本θ-PSO的基础上改进了相位角的更新策略,当粒子相位在到达边界时进行反弹,而不是限制在边界。为进一步提高算法的性能,对改进的算法进行了变异扰动操作,使得该算法在处理一些复杂的测试函数时,有着更好的寻优性能,能在有限步的迭代过程中,克服局部最小,到达优化目标的设定值。     

基于混合蚁群粒子群算法的立体库堆垛机路径优化

针对自动化立体仓库中的堆垛机路径优化问题，课题组通过分析立体仓库中堆垛机的工作特点与运行情况，提出了基于混合蚁群粒子群算法的路径优化方法，在传统的蚁群算法中结合粒子群算法思想，使算法同时具备蚁群算法的正反馈与粒子群的多样性。通过对实例进行MATLAB仿真分析表明：混合算法路径优化速度较快，且比以往的路径更短。研究使堆垛机的运行效率得到提高。     

混合学习法前向网络多属性储层参数预测

应用前向网络描述地震属性和储层参数间的非线性映射关系时，经典的误差反向传播算法存在收敛速度慢，易陷入局部极值等诸多不足。研究了融合粒子群优化算法和误差反向传播算法的混合学习法前向网络多属性储层参数预测技术。粒子群优化算法是一种群体随机搜索演化计算技术，具有较快的收敛速度和较强的全局搜寻能力；误差反向传播算法本质上是梯度下降算法，注重局部搜索。混合学习法为两种学习算法交替执行，首先以粒子群优化算法训练网络，当误差能量在规定的迭代次数内不再发生变化时，采用误差反向传播算法实现局部寻优。理论函数逼近测试和实际储层参数预测实验说明了混合学习法具有学习时间短、求解效率高、可靠性强的优点，具有良好的应用前景。