基于粒子群优化算法的LS-SVM字符识别模型

提出一种基于粒子群优化算法优化相关参数的最小二乘支持向量机(LS-SVM)的字符识别模型.利用相关的字符数据,分别使用本方法和基于网格搜索的最小二乘支持向量机方法进行识别.仿真结果表明,该方法的精确度高于其它两种方法.     

基于改进粒子群优化LSSVM的飞机发动机故障诊断

针对以往飞机发动机故障诊断方法由于故障样本少而导致的诊断精度低,提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的飞机发动机故障诊断方法。首先,给出了基于LSSVM对飞机发动机进行故障诊断的模型;然后,为了提高LSSVM的诊断性能,采用改进的粒子群算法对LSSVM的参数进行训练,并定义了最终基于改进粒子群优化SVM的具体诊断算法;最后,通过飞机发动机故障诊断实例仿真实验证明了文中方法能正确地实现故障分类,具有较高的故障诊断精度,且与其他方法相比,具有较优的适应度和较快的收敛速度。     

基于最小二乘支持向量机算法的小地锚抗拔承载力研究

目的：基于最小二乘支持向量机算法预测小地锚的抗拔承载力。方法：最小二乘支持向量机算法中的输入参数包括等效地锚直径,地锚埋置深度,平均顶椎阻力,平均椎套摩擦力以及安装工艺。使用现场试验的119组数据中的83组数据进行最小二乘支持向量机回归模型分析,并使用剩余的36组数据测试模型的拟合良好性;同时用敏感度分析研究每个输入参数的作用。结论：通过与人工神经网络模型的对比,发现最小二乘支持向量机的性能表现优异。     

量子粒子群算法优化最小二乘支持向量机及其应用研究

最小二乘支持向量机寻优的算法在实际生活中有着广泛的应用,用量子粒子群算法（Q PSO ）优化最小二乘支持向量机模型（LS -SVM ）能极大地提高最小二乘支持向量机的寻优能力。本文利用 QPSO 算法优化 LS - SVM 模型,以MATLAB7．0为平台,对企业的销售管理问题进行寻优,兼顾了公司、营销部的利益以及客户的需求,做到均衡销售,最后使公司的利益最大,证明了方法的有效性。     

基于PSO-LSSVM的煤矿电能质量扰动识别研究

针对目前煤矿电力系统中对常见的暂态电能质量扰动识别精度不高的问题,提出基于粒子群优化最小二乘支持向量机（PSO-LSSVM）的扰动分类识别方法。介绍煤矿电力系统中常见的4种暂态扰动,利用广义S变换（GST）提取扰动中相空间时-频域的有用特征,然后利用PSO优化LSSVM分类器的惩罚因子c和参数σ,构建PSO-LSSVM分类器,最后将提取的特征量作为PSO LSSVM分类器的样本进行训练、测试。MATALA仿真结果表明,该方法能够准确可靠地对煤矿电能质量扰动进行识别与分类,对于煤矿电能质量监测具有较高参考价值。     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机(LS-SVM)的股票价格预测方法.采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优.预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测.     

基于最小二乘支持向量机的地铁车站客流预测

以地铁车站客流监测数据为分析基础,给出基于Bayes理论的地铁车站客流数据曲线自适应特征提取流程和方法,通过特征指标的提取和优选,选择4个特征指标组成地铁车站客流预测模型的特征输入向量。在提出的基于最小二乘支持向量机的地铁车站客流预测算法中,采用修剪算法,通过实例分析证明:基于最小二乘支持向量机的地铁车站客流预测算法具有较强的自学习能力和较高的预测准确率。     

灰色模型和最小二乘支持向量机在短期负荷组合预测中的应用

提出了结合数据预处理和灰色模型(GM)的最小二乘支持向量机(LS-SVM)短期负荷预测模型和算法.该模型在数据预处理的基础上,根据时刻T,通过缩小的样本集建立灰色模型,利用灰色模型的预测结果构建最小二乘支持向量机,最终,通过建立的最小二乘支持向量机对预测时刻进行预测.该算法不仅通过数据预处理策略提高了预测精度,而且避免了组合预测模型中权值选择问题.采用上述方法对河南电网负荷进行了预测分析,结果证明了该方法的有效性.     

基于扩展粒子群优化的支持向量机短时交通流预测

为了快速、准确地对交通流进行实时预测,将扩展粒子群算法应用到支持向量机的短时交通流预测优化中.首先对交通流样本数据进行重构,建立支持向量机预测模型.然后通过扩展粒子群算法对模型中的参数进行寻优,得出最优参数和优化时间.最后经过实验仿真,比较了基于网格搜索法优化的支持向量机、基于标准粒子群优化的支持向量机和基于扩展粒子群优化的支持向量机的泛化测试结果.结果表明,基于扩展粒子群优化的支持向量机在短时交通流预测中更具优势.     

最小二乘支持机及其数学原理和应用研究

介绍了最小二乘支持向量机（Least Squares Support VectorMachines,LS-SVM）的数学基础和具体应用。用二次损失函数取代支持向量机中的不敏感损失函数,将不等式约束条件变为等式约束,从而将二次规划问题转变为线性方程组的求解,提高了运算速度。并将其与偏最小二乘法、标准支持向量机进行了对比,结果表明,最小二乘支持向量机泛化能力更强,计算效率更高。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。     

基于VDM-ISSA-LSSVM的云资源短期负载预测模型

准确预测云资源短期负载对提高云平台资源管理效率、保障云服务质量至关重要。针对传统模型在面对小样本、非线性云资源负载数据时预测精度不高，提出一种基于变分模态分解(VMD)和改进麻雀搜索算法(ISSA)优化最小二乘支持向量机(LSSVM)的云资源短期负载预测模型。将原始负载数据通过VMD分解成多个相对平稳的模态分量；对麻雀搜索算法进行优化，增强种群多样性，提高寻优性能和收敛速度。利用改进麻雀搜索算法优化LSSVM的关键参数，建立VMD-ISSA-LSSVM预测模型。利用Wikipedia网站的云资源负载数据进行仿真，结果表明，所提模型在预测精度上优于参照模型。     

基于七个运行参数建立煤粉锅炉NO_x排放模型（英文）

目的:采用最小二乘支持向量机建立煤粉锅炉NO_x排放模型,即建立输入参数与NO_x之间的关系。合理选择输入参数不仅会降低模型的复杂度,而且会提高模型的精度。为此,本文探讨各输入参数对模型的影响,并最终保留合适数量的输入参数建立NO_x排放模型。创新点:1.采用最小二乘支持向量机建立NO_x排放模型;2.通过敏感性分析确定模型的最终输入参数。方法:1.根据专家知识及运行经验确定NO_x排放模型的初始输入参数(图2);2.根据锅炉的运行历史数据,采用最小二乘支持向量机建立NO_x排放模型;3.采用敏感性分析方法确定NO_x排放模型的最终输入参数(图11),并用其进行建模以验证模型的有效性。结论:1.采用最小二乘支持向量机建立的1000 MW超超临界前后墙对冲锅炉NO_x排放模型,可靠性和精度较高;2.经过敏感性分析,NO_x排放模型的输入参数由初始的33个降为7个,模型的复杂度降低且精度提高。     

基于遗传算法优化最小二乘支持向量回归机的平板型固体氧化物燃料电池的控制相关动态辨识建模

研究目的：为了同时预测固体氧化物燃料电池（SOFC）的电压、温度动态特性和设计控制器,建立SOFC的控制相关动态辨识模型。创新要点：为了建立SOFC更精确的最小二乘支持向量回归机（LSSVR）动态模型,采用遗传算法（GA）优化LSSVR的参数。所建GA-LSSVR模型可同时预测SOFC的电压和温度动态特性。研究方法：1.分析SOFC的电化学和能量平衡子模型。2.利用所选择的最优LSSVR参数,建立了SOFC的GA-LSSVR动态辨识模型。通过仿真分析和比较,验证了所建模型的有效性（图3和4）。3.利用所建模型的预测结果,与模拟退火算法优化最小二乘支持向量回归机（SAA-LSSVR）和5折交叉验证最小二乘支持向量回归机（5FCV-LSSVR）模型的预测结果进行了比较,表明所建立的GA-LSSVR模型具有较高的预测精度（表3和4）。重要结论：通过比较SAA-LSSVR和5FCV-LSSVR模型的预测结果,发现所建GA-LSSVR模型具有较好的预测性能和精度。基于所建立的GA-LSSVR模型可进行有效的多变量控制器设计。     

基于粒子群算法的双子支持向量机研究

针对标准支持向量机训练时间过长与参数选择无指导性问题,给出一种通过粒子群优化双支持向量机模型参数的方法。与标准支持向量机不同,该方法的时间复杂度更小,特别适合不均衡的数据样本分类问题,对求解大规模的数据分类问题有很大优势。将该算法与标准的支持向量机分类器在不同的文本数据集上进行仿真实验对比,以验证算法的有效性。结果表明基于粒子群优化的双子支持向量机分类器的分类结果高于标准支持向量机分类结果。     

基于混合学习算法的径向基函数神经网络设计

隐藏层中心点参数的选择和权值向量的快速计算是径向基函数神经网络设计的关键问题.基于"半月"数据集,论文提出了一种上下半月单独计算聚类中心的K-均值聚类、递归最小二乘算法计算权值向量的混合学习算法.基于三层RBF神经网络结构,以支持向量机作为分类器,开展了K-均值+最小均方算法及K-均值+递归最小二乘算法2种混合模式的对比实验.实验结果表明,"K-均值+RLS"算法相比"K-均值+LMS"算法具有更快的收敛性,在应对线性不可分的情况,上下半月单独作用的K-均值聚类算法表现更优越,综合考虑收敛速度及分类精度两个指标,论文提出的上下半月单独计算中心点的K-均值聚类+RLS的混合学习算法获得较优的性能.     

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

ZStack传感器网络定位系统设计

在无线传感器网络定位系统中,由于元器件品控和外界环境等因素的差异,以往测出的衰减模型参数的经验值并不能适应当下的定位环境,以至定位精度很低,实验过程不具重复性。根据待定位节点临近的参考节点多次互发报文,经过最小二乘法拟合出衰减模型参数。算法对所有参考节点根据RSSI值进行排序,选取RSSI值最小的3个节点用三边定位算法计算待定位节点坐标。最后,设计了一个基于ZStack协议栈的定位原型系统。算法经过进一步简化,大幅度减小了由于衰减模型参数不准确对定位精度的影响,为今后深入研究室内定位打下基础。     

基于最小二乘支持向量机的油罐故障诊断方法

根据油罐故障分析,建立了油罐故障诊断模型。采用新型的支持向量机-最小二乘向量机(LS-SVM)的算法对此诊断模型进行预测,获得了满意的效果。该方法易于使用,很少受不确定性因素的影响,有很高的预测准确性。     

KPCA和FCM的击穿电压预测建模

针对变压器油击穿电压在线测量困难,提出核主元分析(KPCA)和模糊C均值聚类(FCM)的变压器油击穿电压预测模型。首先,通过KPCA提取输人数据的非线性主元;然后采用FCM将提取的主元集分成具有不同聚类中心的子集,同时,采用差分进化算法对KPCA核参数和FCM聚类数寻优,分别为每一子集建立最小二乘支持向量机(LSSVM)子模型;最后通过子模型切换策略得到模型的最终输出。实验结果表明,提出的预测模型具有较好的泛化能力和预测精度。