最小二乘支持向量機(jī)
- 基于改進(jìn)最小二乘支持向量機(jī)組合模型的深基坑沉降變形預(yù)測(cè)
進(jìn)最小二乘支持向量機(jī)組合模型；通過引入自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解方法分解原始深基坑沉降變形數(shù)據(jù)，并結(jié)合粒子群優(yōu)化算法和遺傳算法對(duì)最小二乘支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，對(duì)分解的數(shù)據(jù)分別訓(xùn)練、預(yù)測(cè)后再疊加，得到最終預(yù)測(cè)結(jié)果；應(yīng)用所提出模型對(duì)濟(jì)南市某深基坑的累積沉降量進(jìn)行預(yù)測(cè)，同時(shí)與其他模型對(duì)比，驗(yàn)證所提出模型的實(shí)用性和優(yōu)越性。結(jié)果表明：所提出模型預(yù)測(cè)深基坑累積沉降量的平均相對(duì)誤差為0.035%，均方誤差為0.080 9 mm2，均方根誤差為0.283 8 mm，
- 改進(jìn)灰狼優(yōu)化最小二乘支持向量機(jī)的鋰電池剩余壽命預(yù)測(cè)
化最小二乘支持向量機(jī)（improved gray wolf optimization least-squares support vector machine， IGWO-LSSVM）的鋰電池剩余壽命間接預(yù)測(cè)方法。該方法從電池放電特性曲線中獲取3種表征電池性能退化的間接健康因子，通過引入tent混沌映射、收斂因子非線性遞減與萊維飛行策略對(duì)灰狼算法加以改進(jìn)，并結(jié)合LS-SVM模型，形成了具有全局優(yōu)化的改進(jìn)灰狼優(yōu)化最小二乘支持向量機(jī)的鋰電池壽命預(yù)測(cè)模型。最后利
重慶大學(xué)學(xué)報(bào) 2023年11期2023-12-30
- 基于Isomap-MPA-LSSVM 軟測(cè)量模型的PVC聚合過程轉(zhuǎn)化率預(yù)測(cè)
;最小二乘支持向量機(jī)中圖分類號(hào)：TP273;TQ325.3 文獻(xiàn)標(biāo)識(shí)碼：A DOI： 10.7535/hbgykj.2023yx01003在復(fù)雜的化學(xué)工業(yè)中，聚氯乙烯（polyvinylchloride，PVC）樹脂在國民經(jīng)濟(jì)建設(shè)中占有非常重要的地位，由于本身具有良好的機(jī)械性能、耐腐蝕性和不易燃燒等特性，廣泛用于工業(yè)、建筑、日常用品等領(lǐng)域[1]。PVC 聚合方式主要有懸浮法、溶液法、乳液法和本體法等[2]，本文是以懸浮法作為研究背景，進(jìn)行理論方法和應(yīng)用研究
河北工業(yè)科技 2023年1期2023-08-11
- 基于混沌尋參LSSVM的棉織物靛藍(lán)染色預(yù)測(cè)模型
用最小二乘支持向量機(jī)（LSSVM）算法建立了靛藍(lán)染色預(yù)測(cè)模型，并對(duì)模型的預(yù)測(cè)性能進(jìn)行了驗(yàn)證。結(jié)果表明：該模型對(duì)織物K/S值預(yù)測(cè)的平均絕對(duì)百分比誤差為1.759 7%，均方根相對(duì)誤差為0.029 4%，比網(wǎng)格尋參法的預(yù)測(cè)誤差更小，說明該模型具有較高的精度和良好的預(yù)測(cè)能力，可以為棉織物靛藍(lán)染色工藝的預(yù)測(cè)和優(yōu)化提供參考。關(guān)鍵詞： 混沌算法;最小二乘支持向量機(jī)（LSSVM）;Python;棉織物;靛藍(lán);染色預(yù)測(cè)模型中圖分類號(hào)： TS190.9; TP181文獻(xiàn)標(biāo)志
絲綢 2023年7期2023-08-10
- 基于LMD形態(tài)濾波的LSSVM方法研究
在最小二乘支持向量機(jī)中參數(shù)選擇困難及稀疏性差的問題，提出了局部均值分解（LMD）形態(tài)濾波的最小二乘支持向量機(jī)（LSSVM）方法。該方法首先利用LMD對(duì)信號(hào)進(jìn)行分解得到PF分量，并對(duì)信號(hào)做相關(guān)分析去除虛假分量，形態(tài)濾波降噪后再進(jìn)行LMD分解得到新PF分量，提取能量特征;其次，對(duì)LSSVM的核函數(shù)進(jìn)行改進(jìn)，解決核參數(shù)選擇的問題;應(yīng)用特征加權(quán)法對(duì)拉格朗日參數(shù)進(jìn)行特征加權(quán)，取其加權(quán)平均值作為剪枝方法的閾值，降低稀疏性;最后將能量特征信號(hào)輸入LSSVM中，對(duì)信息進(jìn)行
哈爾濱理工大學(xué)學(xué)報(bào) 2022年1期2022-05-10
- 基于最小二乘支持向量機(jī)的短時(shí)交通流預(yù)測(cè)
用最小二乘支持向量機(jī)方法來建立短時(shí)交通流預(yù)測(cè)的模型，在經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍之間尋求最佳折衷，并且通過實(shí)例研究來驗(yàn)證其有效性。結(jié)果表明，該模型適應(yīng)小樣本情況下對(duì)非線性動(dòng)態(tài)系統(tǒng)的學(xué)習(xí)，對(duì)短時(shí)交通流有較好的預(yù)測(cè)效果。關(guān)鍵詞 短時(shí)交通流預(yù)測(cè);最小二乘支持向量機(jī);結(jié)構(gòu)風(fēng)險(xiǎn)最小化;核函數(shù)中圖分類號(hào) U491.1 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949（2022）07-0047-030 引言短時(shí)交通流預(yù)測(cè)是交通控制與誘導(dǎo)的重要基礎(chǔ)，也一直是智能交通研究領(lǐng)域的熱點(diǎn)
交通科技與管理 2022年7期2022-04-15
- 基于遺傳算法的最小二乘支持向量機(jī)風(fēng)速預(yù)測(cè)模型研究
用最小二乘支持向量機(jī)（LS-SVM）方法對(duì)風(fēng)速進(jìn)行預(yù)測(cè)分析?？紤]到LS-SVM的參數(shù)選取方面尚無有效手段，嘗試結(jié)合遺傳算法對(duì)LS-SVM進(jìn)行參數(shù)選取。選取山西省陽泵市風(fēng)場(chǎng)前15 d的實(shí)測(cè)風(fēng)速數(shù)據(jù)，采用遺傳算法優(yōu)化LS-SVM參數(shù)后的預(yù)測(cè)模型，對(duì)第16天的風(fēng)速進(jìn)行預(yù)測(cè)分析。經(jīng)過模型計(jì)算，風(fēng)速的預(yù)測(cè)值與實(shí)測(cè)值的平均絕對(duì)百分比誤差只有5.95%。結(jié)果表明：模型計(jì)算結(jié)果理想，驗(yàn)證了采用遺傳算法優(yōu)化LS-SVM參數(shù)后用于風(fēng)速短期預(yù)測(cè)的有效性。研究成果可為風(fēng)電場(chǎng)實(shí)際運(yùn)
水利水電快報(bào) 2021年12期2021-12-20
- 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
和最小二乘支持向量機(jī)（LS-SVM）建立定量校正模型，并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%，二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96，LS-SVM模型的各
安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25
- 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
和最小二乘支持向量機(jī)（LS-SVM）建立定量校正模型，并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%，二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96，LS-SVM模型的各
安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25
- 基于BFO-LSSVM模型的爆破料級(jí)配預(yù)測(cè)研究
及最小二乘支持向量機(jī)（LS-SVM）理論構(gòu)建基于BFO算法的LS-SVM優(yōu)化模型（BFO-LSSVM）。使用35組爆破數(shù)據(jù)作為訓(xùn)練樣本對(duì)模型預(yù)測(cè)精度進(jìn)行檢驗(yàn)，選取孔排距、堵塞、孔深等因素作為輸入因子，爆破料級(jí)配作為預(yù)測(cè)模型輸出因子。結(jié)果表明，BFO-LSSVM預(yù)測(cè)模型的預(yù)測(cè)結(jié)果精度高于相同樣本容量下LS-SVM模型。以阿爾塔什水利樞紐工程料場(chǎng)開挖爆破數(shù)據(jù)為例，BFO-LSSVM模型預(yù)測(cè)結(jié)果平均誤差為1.47%，驗(yàn)證了該預(yù)測(cè)模型的可行性及實(shí)用性。關(guān)鍵詞：爆破
科技信息·學(xué)術(shù)版 2021年26期2021-11-18
- 一種利用單通道母體腹部心電信號(hào)提取胎兒心電信號(hào)的新技術(shù)
和最小二乘支持向量機(jī)（LSSVM）的胎兒心電提取新方法. 首先，利用SVD從單通道母體腹部心電信號(hào)中重構(gòu)分解矩陣，估計(jì)出母體心電參考信號(hào)，并利用SW方法對(duì)估計(jì)出的母體心電參考信號(hào)進(jìn)行平滑處理;然后，利用LSSVM建立非線性估計(jì)模型，通過該模型和平滑后的母體心電參考信號(hào)估計(jì)出腹部信號(hào)中的母體心電成分，并采用布谷鳥搜索算法（CS）優(yōu)化LSSVM的超參數(shù);最后，將腹部混合信號(hào)與CS-LSSVM模型估計(jì)出的母體心電成分相減，即可獲得初步胎兒心電信號(hào)，為了進(jìn)一步消除
- LabVIEW 與 MATLAB 聯(lián)合編程在制冷系統(tǒng)故障診斷中的應(yīng)用
入最小二乘支持向量機(jī)（LSSVM ），作為故障診斷的內(nèi)核，建立了制冷系統(tǒng)故障診斷平臺(tái)。對(duì)離心式冷水機(jī)組七類典型故障的診斷實(shí)驗(yàn)結(jié)果表明：該聯(lián)合編程方法可行，可以實(shí)現(xiàn)界面友好、功能豐富、方便快捷的制冷系統(tǒng)故障診斷;所建立的 PSO?LSSVM 模型總體診斷正確率高達(dá)99.70%，正常和每類故障的診斷正確率均在99%以上。該平臺(tái)具有一定的開放性和擴(kuò)展性，后續(xù)可以根據(jù)需要對(duì)診斷算法及其他功能模塊進(jìn)行更改或添加，也可增加不同算法之間的比較分析或集成診斷，改善其靈活性
能源研究與信息 2021年4期2021-08-08
- 有限二氧化碳資源條件下的溫室光氣耦合優(yōu)化調(diào)控模型
于最小二乘支持向量機(jī)（LS-SVM）的光合速率預(yù)測(cè)模型;然后，基于提出的光合速率預(yù)測(cè)模型，構(gòu)建在有限CO2資源條件下溫室CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫，可根據(jù)用戶輸入的CO2資源總量，自動(dòng)尋優(yōu)獲取最佳補(bǔ)氣時(shí)間與單位補(bǔ)氣量;最后，提出以光照度增長相對(duì)價(jià)值為評(píng)價(jià)指標(biāo)的經(jīng)濟(jì)性相對(duì)最優(yōu)的補(bǔ)光策略，在確定的補(bǔ)氣時(shí)間段內(nèi)進(jìn)行補(bǔ)光，最終實(shí)現(xiàn)了有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控，進(jìn)一步提高了設(shè)施溫室環(huán)境因子調(diào)控的精準(zhǔn)度與智能化水平。關(guān)鍵詞：?光合速率預(yù)測(cè);光氣耦合;調(diào)控
江蘇農(nóng)業(yè)學(xué)報(bào) 2021年2期2021-06-30
- 基于LS-SVM的直冷機(jī)組凝汽器積灰狀態(tài)預(yù)測(cè)研究
;最小二乘支持向量機(jī);換熱系數(shù)1引言我國燃煤發(fā)電量占比高達(dá)72%，其所需的煤炭與水資源地理分布矛盾顯著，為了克服火電機(jī)組增加的需求和缺水之間的矛盾，從2002年開始，有著明顯節(jié)水和環(huán)保效用的直接空冷機(jī)組，被廣泛應(yīng)用于火力發(fā)電[1]。然而"三北"地區(qū)揚(yáng)塵多，灰塵易于積聚在空冷凝汽器（Air Cooled Condenser，ACC）翅片管上，ACC長期置于室外運(yùn)行，其特有的緊密排布結(jié)構(gòu)使其更易累積灰垢[2]?；夜傅睦鄯e增加了翅片管散熱的難度，降低了冷流體帶走
電子樂園·上旬刊 2021年1期2021-05-19
- 風(fēng)電齒輪箱復(fù)合故障診斷方法研究
的最小二乘支持向量機(jī)（DEWOA-LSSVM）故障診斷模型進(jìn)行故障診斷。通過變分模態(tài)方法將收集的信號(hào)分解為K個(gè)模態(tài)分量，通過加權(quán)排序熵對(duì)其進(jìn)行量化處理，得到特征向量，將特征向量輸入到經(jīng)過改進(jìn)鯨魚算法優(yōu)化后的最小二乘支持向量機(jī)模型完成故障診斷，并通過試驗(yàn)驗(yàn)證該方法的有效性。關(guān)鍵詞：故障診斷;變分模態(tài)分解;加權(quán)排序熵;鯨魚算法;最小二乘支持向量機(jī)中圖分類號(hào)：TH165.3文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)：1003-5168（2020）17-0072-04Research
河南科技 2020年17期2020-08-04
- 基于LS-SVM的艦艇修理能力評(píng)估研究
響最小二乘支持向量機(jī)（LSSVM）回歸性能的參數(shù)進(jìn)行優(yōu)化。通過專家打分?jǐn)?shù)據(jù)驗(yàn)證，結(jié)果表明，該方法在小樣本條件下的泛化能力較好，能夠科學(xué)、準(zhǔn)確地評(píng)估艦艇修理能力，具有較高的評(píng)估效率。關(guān)鍵詞：艦艇修理;評(píng)估;最小二乘支持向量機(jī);粒子群優(yōu)化Abstract： Evaluation of warship maintenance capability is limited by several factors， The historical data is lack
裝備維修技術(shù) 2020年31期2020-07-08
- 基于GP-LVM和LS-SVM航班延誤等級(jí)預(yù)測(cè)研究
;最小二乘支持向量機(jī)根據(jù)《民航行業(yè)統(tǒng)計(jì)發(fā)展公報(bào)》航班不正常原因統(tǒng)計(jì)分類中，天氣原因占50%左右，復(fù)雜的航空氣象影響著航班正常的運(yùn)行，航班延誤問題逐漸增多成為民航運(yùn)輸業(yè)發(fā)展道路上的阻礙。本文對(duì)樞紐機(jī)場(chǎng)的航班運(yùn)行數(shù)據(jù)進(jìn)行分析計(jì)算，預(yù)測(cè)得出機(jī)場(chǎng)航班延誤等級(jí)，給相關(guān)部門調(diào)度運(yùn)行提供依據(jù)。氣象問題極大地影響了機(jī)場(chǎng)跑道的容量架次標(biāo)準(zhǔn)，甚至在惡劣的天氣條件下關(guān)閉跑道，對(duì)航班產(chǎn)生影響的氣象因素較多，將海量數(shù)據(jù)參數(shù)引入預(yù)測(cè)模型，在運(yùn)算中使得模型訓(xùn)練時(shí)間加長且預(yù)測(cè)結(jié)果出現(xiàn)偏離
無線互聯(lián)科技 2020年6期2020-04-30
- 基于灰狼優(yōu)化算法的最小二乘支持向量機(jī)紅棗產(chǎn)量預(yù)測(cè)研究
?最小二乘支持向量機(jī)預(yù)測(cè)時(shí)，其參數(shù)的選取大部分只依賴于人工經(jīng)驗(yàn)，無法實(shí)現(xiàn)自適應(yīng)尋優(yōu)，阻礙了其學(xué)習(xí)與泛化能力。針對(duì)該問題，采用灰狼優(yōu)化算法對(duì)最小二乘支持向量機(jī)參數(shù)尋優(yōu)，以1978—2016全國紅棗產(chǎn)量數(shù)據(jù)為研究對(duì)象，利用最小二乘支持向量機(jī)的最優(yōu)參數(shù)對(duì)紅棗產(chǎn)量數(shù)據(jù)進(jìn)行擬合與預(yù)測(cè)。為避免過擬合現(xiàn)象，將1978—2007和2013—2016年數(shù)據(jù)分別作為模型的訓(xùn)練與預(yù)測(cè)數(shù)據(jù)，2008-2012年數(shù)據(jù)用于交叉驗(yàn)證，同時(shí)為檢驗(yàn)該模型的預(yù)測(cè)性能，將其與ARIMA模型的預(yù)
安徽農(nóng)業(yè)科學(xué) 2020年6期2020-04-13
- 基于LS-SVM棉針織物軋烘軋蒸染色工藝的預(yù)測(cè)模型
于最小二乘支持向量機(jī)（LS-SVM），以氯化鈉質(zhì)量濃度、碳酸鈉質(zhì)量濃度、烘干時(shí)間和汽蒸時(shí)間作為預(yù)測(cè)模型的輸入變量，染色織物K/S值作為輸出變量，建立了多因素模型并進(jìn)行預(yù)測(cè)。結(jié)果表明，織物實(shí)驗(yàn)K/S值和模型預(yù)測(cè)值的相關(guān)系數(shù)高達(dá)0.999 96，平均相對(duì)誤差小于0.5%，說明該模型具有較高的精度，該建模方法可用于染色織物K/S值的預(yù)測(cè)，可以用于棉針織物軋烘軋蒸染色工藝的預(yù)測(cè)和優(yōu)化。關(guān)鍵詞：活性染料;軋烘軋蒸工藝;最小二乘支持向量機(jī);多因素模型;棉針織物中圖分類
現(xiàn)代紡織技術(shù) 2020年1期2020-04-10
- 基于CEEMD-LSSVM的縫紉機(jī)軸承故障診斷
和最小二乘支持向量機(jī)（LSSVM）的縫紉機(jī)軸承故障診斷算法——CEEMD-LSSVM。首先，采用CEEMD算法，對(duì)縫紉機(jī)軸承振動(dòng)原始數(shù)據(jù)進(jìn)行分解，得到各固有模態(tài)分量（IMF）和剩余分量;其次，采用LSSVM算法，對(duì)各分量建立相應(yīng)的預(yù)測(cè)模型，進(jìn)行仿真預(yù)測(cè)，尤其是為提高預(yù)測(cè)精度，采用改進(jìn)粒子群算法對(duì)ERBF核函數(shù)進(jìn)行優(yōu)化;最后，對(duì)各自預(yù)測(cè)得到的結(jié)果進(jìn)行疊加，得到實(shí)際預(yù)測(cè)結(jié)果。以西安標(biāo)準(zhǔn)縫紉機(jī)公司GC-6730縫紉機(jī)電機(jī)主軸軸承為研究對(duì)象，對(duì)算法進(jìn)行應(yīng)用，明確了
工業(yè)技術(shù)創(chuàng)新 2020年6期2020-01-11
- 光伏影響下考慮氣象負(fù)荷分解和LSSVM的負(fù)荷預(yù)測(cè)
和最小二乘支持向量機(jī)算法分別對(duì)二者進(jìn)行預(yù)測(cè)。之后采用主導(dǎo)氣象因素辨識(shí)方法分析影響凈負(fù)荷的主要?dú)庀笠蛩?，合理選取預(yù)測(cè)模型的輸入向量，實(shí)現(xiàn)了考慮光伏影響與氣象敏感負(fù)荷分解的LSSVM負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)證明所提出的模型能夠明顯提高負(fù)荷預(yù)測(cè)的準(zhǔn)確度。關(guān)鍵詞：光伏;實(shí)時(shí)氣象因素;氣象敏感負(fù)荷分解;最小二乘支持向量機(jī);負(fù)荷預(yù)測(cè)中圖分類號(hào)：TP39? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：ALoad
計(jì)算技術(shù)與自動(dòng)化 2020年4期2020-01-05
- 荊門市竹皮河流域地表水污染預(yù)報(bào)研究
用最小二乘支持向量機(jī)對(duì)8周的數(shù)據(jù)進(jìn)行了測(cè)試。分析結(jié)果可知：只有第六個(gè)污染等級(jí)預(yù)報(bào)錯(cuò)誤，其他的七個(gè)污染等級(jí)均預(yù)報(bào)正確。這可充分的說明，五個(gè)指標(biāo)與水污染等級(jí)之間存在一種強(qiáng)烈的對(duì)應(yīng)關(guān)系，也說明所使用的LS-SVM算法的正確性和有效性。同時(shí)為了對(duì)比說明，運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測(cè)。訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)與LS-SVM預(yù)測(cè)法一致。對(duì)比預(yù)測(cè)結(jié)果發(fā)現(xiàn)：RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與LS-SVM預(yù)測(cè)結(jié)果相比，存在預(yù)測(cè)精度不高的問題。同時(shí)，LS-SVM算法具有簡便的操作性。通過對(duì)
綠色科技 2019年16期2019-11-22
- 基于組合模型的接地網(wǎng)腐蝕速率預(yù)測(cè)算法
進(jìn)最小二乘支持向量機(jī)與誤差校正的組合模型，將其應(yīng)用于接地網(wǎng)腐蝕速率預(yù)測(cè)。該法采用遺傳算法優(yōu)化最小二乘支持向量機(jī)參數(shù)，為提高模型的預(yù)測(cè)精度，應(yīng)用誤差預(yù)測(cè)校正模型修正其預(yù)測(cè)結(jié)果，降低了極大誤差出現(xiàn)的可能性，提高了預(yù)測(cè)模型的穩(wěn)定性。結(jié)果表明，采用組合模型對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè)，比采用最小二乘支持向量機(jī)模型具有更高的預(yù)測(cè)精度，更適用于接地網(wǎng)腐蝕速率的預(yù)測(cè)。關(guān)鍵詞：接地網(wǎng);腐蝕速率;預(yù)測(cè);最小二乘支持向量機(jī);遺傳算法;誤差校正中圖分類號(hào)：TP301? ? ? ?
計(jì)算技術(shù)與自動(dòng)化 2019年3期2019-11-05
- 基于近紅外光譜分析技術(shù)的轉(zhuǎn)Bt基因水稻種子及其親本快速鑒別方法
用最小二乘支持向量機(jī)方法建立光譜反射率值與類別值之間的預(yù)測(cè)模型。3種水稻種子樣本數(shù)均為350個(gè)，共計(jì)1 050個(gè)樣本，將其分成900個(gè)訓(xùn)練集樣本和150個(gè)預(yù)測(cè)集樣本，預(yù)測(cè)準(zhǔn)確率達(dá)94.67%。說明本研究提出的方法對(duì)于轉(zhuǎn)Bt基因水稻種子及其親本具有很好的分類和鑒別能力，且檢測(cè)過程比傳統(tǒng)理化檢測(cè)手段簡單，操作性強(qiáng)。該研究為今后轉(zhuǎn)基因水稻種子及其親本的快速無損檢測(cè)提供了新的方法。關(guān)鍵詞：轉(zhuǎn)基因水稻;ISOMAP流形降維;最小二乘支持向量機(jī);近紅外光譜技術(shù)中圖分類
江蘇農(nóng)業(yè)科學(xué) 2019年13期2019-10-25
- 基于光譜和Gabor紋理信息融合的油桃品種識(shí)別
的最小二乘支持向量機(jī)（least squares support vector machine，簡稱LS-SVM）和極限學(xué)習(xí)機(jī)（extreme learning machine，簡稱ELM）油桃品種判別模型。結(jié)果表明，基于融合特征的LS-SVM和ELM模型識(shí)別率分別為94.7%、92.1%，較單獨(dú)采用光譜信息和紋理信息的識(shí)別率都高，說明采用光譜信息和Gabor紋理信息融合的方法可以實(shí)現(xiàn)油桃品種判別，為農(nóng)產(chǎn)品無損檢測(cè)提供參考價(jià)值。關(guān)鍵詞：油桃品種識(shí)別;光譜信
江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25
- 基于PSO-LSSVM算法的造紙過程短期電力負(fù)荷預(yù)測(cè)模型
和最小二乘支持向量機(jī)（LSSVM）相結(jié)合（PSO-LSSVM）的短期電力負(fù)荷預(yù)測(cè)方法，該方法可對(duì)造紙廠未來每30 min的電力負(fù)荷進(jìn)行預(yù)測(cè)。結(jié)果表明，采用PSO-LSSVM算法對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)時(shí)，預(yù)測(cè)結(jié)果的相對(duì)百分誤差絕對(duì)值的平均值約為0.75%，精度高于其他行業(yè)的電力負(fù)荷預(yù)測(cè)值，模型具有良好的可行性和有效性。關(guān)鍵詞：數(shù)學(xué)建模;短期預(yù)測(cè);電力負(fù)荷;最小二乘支持向量機(jī);粒子群優(yōu)化中圖分類號(hào)：TS7文獻(xiàn)標(biāo)識(shí)碼：A近年來，我國造紙工業(yè)產(chǎn)能迅速擴(kuò)大，紙及紙板
中國造紙學(xué)報(bào) 2019年1期2019-09-10
- 基于大數(shù)據(jù)分析的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估
—最小二乘支持向量機(jī)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)樣本進(jìn)行訓(xùn)練，建立網(wǎng)絡(luò)安全態(tài)勢(shì)的評(píng)估模型，并進(jìn)行具體網(wǎng)絡(luò)安全態(tài)勢(shì)仿真測(cè)試。結(jié)果表明，所提模型可以準(zhǔn)確描述網(wǎng)絡(luò)安全態(tài)勢(shì)變化特點(diǎn)，獲得高精度的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估結(jié)果，評(píng)估誤差要遠(yuǎn)遠(yuǎn)低于對(duì)照模型，為網(wǎng)絡(luò)安全管理提供了一種有效的研究方法。關(guān)鍵詞： 大數(shù)據(jù)分析; 學(xué)習(xí)樣本; 仿真測(cè)試; 樣本重構(gòu); 最小二乘支持向量機(jī); 網(wǎng)絡(luò)安全中圖分類號(hào)： TN915.08?34; TP391 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ?
現(xiàn)代電子技術(shù) 2019年13期2019-07-08
- 基于粒子群最小二乘支持向量機(jī)的股指波動(dòng)率預(yù)測(cè)
化最小二乘支持向量機(jī)（LSSVM-PSO）的波動(dòng)率預(yù)測(cè)方法，利用LSSVM優(yōu)良的非線性逼近能力預(yù)測(cè)波動(dòng)率，通過PSO算法的全局快速優(yōu)化特點(diǎn)選擇LSSVM最優(yōu)參數(shù)。以中國股市實(shí)際交易數(shù)據(jù)為樣本，通過樣本內(nèi)預(yù)測(cè)和樣本外預(yù)測(cè)驗(yàn)證了該方法的有效性。結(jié)果表明，LSSVM-PSO模型具有較高的預(yù)測(cè)精度和計(jì)算效率，是一種有效的股指波動(dòng)率預(yù)測(cè)方法。[關(guān)鍵詞]波動(dòng)率預(yù)測(cè);最小二乘支持向量機(jī);粒子群優(yōu)化算法[中圖分類號(hào)]F830;TP1831 引 言股指波動(dòng)率是衡量金融資產(chǎn)風(fēng)
新財(cái)經(jīng) 2019年7期2019-06-27
- 基于微粒群優(yōu)化LSSVM的室內(nèi)指紋定位算法
用最小二乘支持向量機(jī)（LSSVM）定位過程中參數(shù)選取對(duì)定位精度的影響，提出一種基于微粒群進(jìn)行參數(shù)優(yōu)化的室內(nèi)指紋定位算法。該算法通過離線采集的RSSI數(shù)據(jù)訓(xùn)練最小二乘支持向量機(jī)，利用微粒群算法尋找并確定LSSVM全局最優(yōu)參數(shù)，獲得基于位置指紋的LSSVM定位模型。仿真結(jié)果表明，相對(duì)于傳統(tǒng)LSSVM定位，PSO-LSSVM有效提高了定位準(zhǔn)確度，并能在小樣本情況下保持良好的定位精度。關(guān)鍵詞：指紋定位;微粒群算法;最小二乘支持向量機(jī);RSSIDOI：10. 119
軟件導(dǎo)刊 2019年4期2019-06-09
- 基于最小二乘支持向量機(jī)導(dǎo)彈訂購價(jià)格預(yù)測(cè)模型研究
用最小二乘支持向量機(jī)方法對(duì)數(shù)據(jù)樣本訓(xùn)練優(yōu)化，并應(yīng)用實(shí)例進(jìn)行了建模分析研究。關(guān)鍵詞：性能;最小二乘支持向量機(jī);訂購價(jià)格;預(yù)測(cè)中圖分類號(hào)：G641? ? ? ?文獻(xiàn)標(biāo)志碼：A? ? ?文章編號(hào)：1673-291X（2019）26-0187-02引言采取最小二乘支持向量機(jī)（LS-SVM）法對(duì)導(dǎo)彈訂購目標(biāo)價(jià)格進(jìn)行預(yù)測(cè)，預(yù)測(cè)結(jié)果與傳統(tǒng)的支持向量機(jī)（SVM）預(yù)測(cè)結(jié)果相比較，不僅滿足了預(yù)測(cè)的精度，而且也解決了模型計(jì)算的復(fù)雜性，提高了求解的速度，對(duì)導(dǎo)彈全壽命周期費(fèi)用的預(yù)測(cè)
經(jīng)濟(jì)研究導(dǎo)刊 2019年26期2019-04-17
- 基于EMD的金剛石砂輪磨損狀態(tài)聲發(fā)射監(jiān)測(cè)
為最小二乘支持向量機(jī)的輸入?yún)?shù)，對(duì)金剛石砂輪的輕度磨損狀態(tài)和嚴(yán)重磨損狀態(tài)成功地進(jìn)行了智能監(jiān)測(cè).關(guān)鍵詞：氧化鋯磨削;金剛石砂輪磨損狀態(tài)監(jiān)測(cè);聲發(fā)射;經(jīng)驗(yàn)?zāi)B(tài)分解;最小二乘支持向量機(jī)中圖分類號(hào)：TG58，TP183 ??????????????????????文獻(xiàn)標(biāo)志碼：AAcoustic Emission Intelligent Monitoring of Diamond GrindingWheel Wear Based on Empirical Mode
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2019年2期2019-04-13
- 基于灰色關(guān)聯(lián)分析的LS-SVM的高鐵客流量預(yù)測(cè)
和最小二乘支持向量機(jī)（LS-SVM），構(gòu)建基于GRA的LS-SVM高鐵客流量預(yù)測(cè)模型（GRA-LS-SVM）。將高鐵客流量的影響因素初步設(shè)為17項(xiàng)，利用灰色關(guān)聯(lián)分析從中選取主要影響因素，并將其作為輸入變量，構(gòu)建LS-SVM。以我國高鐵客流量數(shù)據(jù)為例，驗(yàn)證GRA-LS-SVM的有效性。結(jié)果顯示，GRA-LS-SVM不僅簡化了模型結(jié)構(gòu)，而且提高了高鐵客流量預(yù)測(cè)精度。關(guān)鍵詞：高鐵客流量 灰色關(guān)聯(lián)分析 最小二乘支持向量機(jī)1.引言隨著各種交通工具的發(fā)展，客運(yùn)市場(chǎng)競爭
中國市場(chǎng) 2019年31期2019-01-06
- 網(wǎng)絡(luò)大數(shù)據(jù)平臺(tái)異常風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)
過最小二乘支持向量機(jī)對(duì)網(wǎng)絡(luò)大數(shù)據(jù)進(jìn)行高效率建模，實(shí)現(xiàn)網(wǎng)絡(luò)大數(shù)據(jù)異常監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明，所設(shè)計(jì)系統(tǒng)具有監(jiān)測(cè)效率和穩(wěn)定性高、性能佳的優(yōu)勢(shì)。關(guān)鍵詞： 網(wǎng)絡(luò)大數(shù)據(jù)； 異常風(fēng)險(xiǎn)； 監(jiān)測(cè)系統(tǒng)； 控制模塊； Hadoop； 最小二乘支持向量機(jī)中圖分類號(hào)： TN931+.3?34； TP314 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）22?0143?04Abstract： When the support vector machine is used
現(xiàn)代電子技術(shù) 2018年22期2018-11-13
- 基于偏最小二乘及最小二乘支持向量機(jī)的 と斯ぜ硬誶道糙率預(yù)測(cè)模型
合最小二乘支持向量機(jī)（LSSVM）建立了人工加糙渠道糙率預(yù)測(cè)模型。結(jié)合實(shí)例，通過對(duì)某人工加糙渠道相關(guān)試驗(yàn)數(shù)據(jù)進(jìn)行PLSLSSVM模型的訓(xùn)練及預(yù)測(cè)，并將預(yù)測(cè)結(jié)果與單獨(dú)使用PLS、LSSVM及公式法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比，其結(jié)果顯示：基于PLSLSSVM模型的預(yù)測(cè)平均絕對(duì)百分比誤差MAPE為138%，均方根誤差RMSE為224×10-4，預(yù)測(cè)精度均優(yōu)于PLS、LSSVM及公式法的預(yù)測(cè)結(jié)果。結(jié)果表明，將PLS與LSSVM相結(jié)合的PLSLSSVM模型，綜合了PLS與L
南水北調(diào)與水利科技 2018年4期2018-11-12
- 基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測(cè)
個(gè)最小二乘支持向量機(jī)預(yù)測(cè)模型，進(jìn)行光伏發(fā)電量的超短期預(yù)測(cè)。通過實(shí)驗(yàn)對(duì)訓(xùn)練好的模型進(jìn)行預(yù)測(cè)精度的評(píng)估，結(jié)果表明，與未結(jié)合周天氣特征的預(yù)測(cè)模型相比，該模型的平均預(yù)測(cè)精度提高了30%左右。關(guān)鍵詞： 光伏發(fā)電量預(yù)測(cè)； 最小二乘支持向量機(jī)； 周天氣特征； 超短期預(yù)測(cè)中圖分類號(hào)：TP39 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1006-8228（2018）08-36-04Forecast of PV power generation based on data miningZho
計(jì)算機(jī)時(shí)代 2018年8期2018-10-17
- 基于灰狼優(yōu)化算法的最小二乘支持向量機(jī)在軟件老化預(yù)測(cè)中的應(yīng)用
的最小二乘支持向量機(jī)參數(shù)主要涉及懲罰因子和核函數(shù)參數(shù)，這兩個(gè)參數(shù)的選擇將直接影響最小二乘支持向量機(jī)的學(xué)習(xí)和泛化能力。為了提高最小二乘支持向量機(jī)的預(yù)測(cè)結(jié)果，文章用灰狼優(yōu)化算法對(duì)其參數(shù)尋優(yōu)，建立軟件老化預(yù)測(cè)模型。通過實(shí)驗(yàn)證明了該模型，對(duì)軟件老化的預(yù)測(cè)表現(xiàn)出很好的效果。關(guān)鍵詞：軟件老化預(yù)測(cè)；最小二乘支持向量機(jī)；灰狼優(yōu)化算法遺留在軟件中的缺陷會(huì)隨軟件系統(tǒng)長期持續(xù)運(yùn)行造成計(jì)算機(jī)內(nèi)存泄漏、舍入誤差積累、文件鎖未釋放等現(xiàn)象發(fā)生，導(dǎo)致系統(tǒng)性能衰退甚至崩潰。這些軟件老化現(xiàn)象
無線互聯(lián)科技 2018年15期2018-09-20
- 基于圖像處理技術(shù)的火災(zāi)識(shí)別方法的應(yīng)用與研究
在最小二乘支持向量機(jī)超參數(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法，提出改進(jìn)的最小二乘支持向量機(jī)的火災(zāi)圖像處理方法，構(gòu)建了FR?LSSVM模型。通過對(duì)比采用BP神經(jīng)網(wǎng)絡(luò)、最小二乘法支持向量機(jī)、FR?LSSVM和標(biāo)準(zhǔn)支持向量機(jī)的實(shí)驗(yàn)結(jié)果可以得出，改進(jìn)算法具有更好的穩(wěn)定性、更快的運(yùn)算速度和更高的識(shí)別率，有利于提高火災(zāi)識(shí)別的有效性，進(jìn)而保護(hù)人們的生命財(cái)產(chǎn)安全。關(guān)鍵詞： 圖像處理； 火災(zāi)識(shí)別； 快速留一法； 共軛梯度； BP 神經(jīng)網(wǎng)絡(luò)； 最小二乘支持向量機(jī)中圖分
現(xiàn)代電子技術(shù) 2018年13期2018-07-10
- 組合模型在電子設(shè)備故障預(yù)測(cè)中的應(yīng)用
的最小二乘支持向量機(jī)（LSSVM）和隱馬爾可夫（HMM）組合故障預(yù)測(cè)模型，本模型充分利用了LSSVM解決小樣本數(shù)據(jù)時(shí)計(jì)算速度快，可對(duì)信號(hào)進(jìn)行非線性預(yù)測(cè)和HMM數(shù)據(jù)結(jié)構(gòu)嚴(yán)謹(jǐn)，計(jì)算性能可靠，狀態(tài)識(shí)別精度高的優(yōu)點(diǎn)，將二者相結(jié)合實(shí)現(xiàn)故障狀態(tài)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果證明，文章所提出的組合故障預(yù)測(cè)模型能直接得到該設(shè)備的預(yù)測(cè)狀態(tài)，而且相對(duì)精度較高。關(guān)鍵詞：最小二乘支持向量機(jī)；隱馬爾可夫；狀態(tài)預(yù)測(cè)中圖分類號(hào)：TP206 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）15-
科技創(chuàng)新與應(yīng)用 2018年15期2018-06-06
- 基于組合核CPSO—LSSVM模擬電路故障診斷
用最小二乘支持向量機(jī)作為分類器對(duì)模擬電路進(jìn)行故障模式識(shí)別，并選用組合核函數(shù)作為分類器的核函數(shù)，對(duì)于最小二乘支持向量機(jī)系數(shù)的優(yōu)化選取，將采用混沌粒子群算法，在粒子群算法中加入混沌理論，增加種群的多樣性和粒子搜索的遍歷性，避免陷入局部最優(yōu)解，加快全局收斂，得到最優(yōu)系數(shù)。關(guān)鍵詞：故障模式識(shí)別；最小二乘支持向量機(jī)；組合核函數(shù)；混沌粒子群算法一、組合核LSSVM（一）LSSVM特點(diǎn)最小二乘支持向量機(jī)（Least Square Support Vector Machi
報(bào)刊薈萃（上） 2018年5期2018-05-30
- 灰色最小二乘支持向量機(jī)在電子產(chǎn)品壽命預(yù)測(cè)中應(yīng)用
及最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、運(yùn)算速度快、非線形擬合精度高、參數(shù)優(yōu)化好、小樣本等優(yōu)點(diǎn)，提出了一種灰色理論和最小二乘支持向量機(jī)組合預(yù)測(cè)方法。與灰色GM（l，l）和單一最小二乘支持向量機(jī)對(duì)比表明，灰色最小二乘支持向量機(jī)組合預(yù)測(cè)模型具有較高的預(yù)測(cè)精度，是節(jié)省試驗(yàn)費(fèi)用及提高評(píng)價(jià)精度的一種簡便實(shí)用且高效的新方法。關(guān)鍵詞：壽命預(yù)測(cè)；灰色理論；最小二乘支持向量機(jī)；組合預(yù)測(cè)0引言灰色預(yù)測(cè)模型具有所需樣本少、計(jì)算簡便的優(yōu)點(diǎn)[1]，最小二乘支持向量機(jī)具有泛化能力強(qiáng)、
科學(xué)與財(cái)富 2018年8期2018-05-09
- 基于最小二乘支持向量機(jī)的電子音樂識(shí)別研究
于最小二乘支持向量機(jī)的電子音樂識(shí)別模型。首先收集電子音樂的數(shù)據(jù)，并采用小波分析對(duì)電子音樂數(shù)據(jù)進(jìn)行去噪處理，然后提取電子音樂的特征，并對(duì)特征進(jìn)行歸一化處理，最后采用最小二乘支持向量機(jī)對(duì)處理后的電子音樂數(shù)據(jù)進(jìn)行訓(xùn)練，建立電子音樂識(shí)別模型。采用具體電子音樂數(shù)據(jù)對(duì)模型的有效性進(jìn)行驗(yàn)證，結(jié)果表明，與傳統(tǒng)電子音樂識(shí)別模型相比，支持向量機(jī)對(duì)噪聲數(shù)據(jù)具有良好的魯棒性，可以有效識(shí)別各種類型的電子音樂，而且電子音樂的識(shí)別速度更優(yōu)。關(guān)鍵詞： 電子音樂; 短時(shí)特征; 特征向量歸一
現(xiàn)代電子技術(shù) 2018年9期2018-05-05
- 基于灰色支持向量機(jī)模型的基金波動(dòng)率預(yù)測(cè)
與最小二乘支持向量機(jī)組合預(yù)測(cè)模型在波動(dòng)率上的應(yīng)用的可行性，通過對(duì)灰色模型進(jìn)行殘差修正和背景值修正以及對(duì)最小二乘支持向量機(jī)進(jìn)行參數(shù)尋優(yōu)，來提高組合預(yù)測(cè)模型的預(yù)測(cè)精度和推廣泛化能力。經(jīng)波動(dòng)率預(yù)測(cè)的實(shí)證分析得出建立的組合模型比支持向量機(jī)模型有較好的預(yù)測(cè)效果。【關(guān)鍵詞】灰色系統(tǒng) 最小二乘支持向量機(jī) 波動(dòng)率預(yù)測(cè)目前國內(nèi)外有關(guān)基金波動(dòng)預(yù)測(cè)方法主要可以分為兩類：第一，統(tǒng)計(jì)方法[James D.，Parvez Ahmed.Chiang et al]。第二，人工智能方法[C
時(shí)代金融 2018年6期2018-03-26
- 最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的運(yùn)動(dòng)員成績預(yù)測(cè)
出最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的運(yùn)動(dòng)員成績預(yù)測(cè)模型。首先通過提升小波和最小二乘支持向量機(jī)對(duì)運(yùn)動(dòng)員成績進(jìn)行建模和預(yù)測(cè)，然后通過誤差校正方式對(duì)運(yùn)動(dòng)員成績的預(yù)測(cè)結(jié)果進(jìn)行校正，最后通過運(yùn)動(dòng)員成績預(yù)測(cè)實(shí)例對(duì)模型的有效性進(jìn)行測(cè)試，并與其他運(yùn)動(dòng)員預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn)，驗(yàn)證其優(yōu)越性，結(jié)果表明，所提模型降低了運(yùn)動(dòng)員成績的預(yù)測(cè)誤差，并且通過誤差校正提高了運(yùn)動(dòng)員成績預(yù)測(cè)結(jié)果的穩(wěn)定性，預(yù)測(cè)精度要優(yōu)于其他運(yùn)動(dòng)員成績預(yù)測(cè)模型。關(guān)鍵詞： 運(yùn)動(dòng)員成績； 最小二乘支持向量機(jī)； 誤差校正
現(xiàn)代電子技術(shù) 2018年5期2018-03-03
- 基于PSO優(yōu)化的LSSVM的電力系統(tǒng)電壓優(yōu)化的研究
化最小二乘支持向量機(jī)（PSO-LSSVM）來對(duì)電力系統(tǒng)電壓進(jìn)行優(yōu)化。通過實(shí)例的結(jié)果分析，該方法對(duì)電壓的合格率有所提高，對(duì)電壓性能有明顯的改善，損耗也下降了，且收斂速度加快，有助于解決地區(qū)電力系統(tǒng)電壓優(yōu)化和治理問題。關(guān)鍵詞：數(shù)學(xué)模型；粒子群優(yōu)化；最小二乘支持向量機(jī)；電壓優(yōu)化0 引言電力系統(tǒng)的無功優(yōu)化作為非線性的規(guī)劃問題，存在著多個(gè)不等式的約束條件。而且控制變量的類型也比較復(fù)雜，既有連續(xù)值，又有離散值。所以導(dǎo)致無功優(yōu)化的分析過程變得更加復(fù)雜。無功優(yōu)化的常見方法
軟件 2017年9期2018-03-02
- 分段最小二乘支持向量機(jī)的故障診斷
段最小二乘支持向量機(jī)的方法，該方法首先利用模糊C聚類（FCM）對(duì)樣本進(jìn)行聚類分析，達(dá)到劃分發(fā)酵階段和建立局部模型的目的，然后采用最小二乘支持向量機(jī)（LS-SVM）的方法對(duì)各類樣本進(jìn)行建模。實(shí)驗(yàn)結(jié)果表明，使用該方法建立的啤酒發(fā)酵過程溫度故障診斷模型具有較高的準(zhǔn)確性。經(jīng)過比較，該方法建立的模型的泛化能力要強(qiáng)于其他SVM方法建立的模型。關(guān)鍵詞：支持向量機(jī);模糊C均值聚類;最小二乘支持向量機(jī);啤酒發(fā)酵;建模DOI：10.15938/j.jhust.2018.06.
哈爾濱理工大學(xué)學(xué)報(bào) 2018年6期2018-02-13
- 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測(cè)研究
于最小二乘支持向量機(jī)的網(wǎng)絡(luò)流量異常檢測(cè)模型；最后，在Maltab 2014平臺(tái)下進(jìn)行網(wǎng)絡(luò)流量異常檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明，該模型可以準(zhǔn)確對(duì)網(wǎng)絡(luò)流量異?，F(xiàn)象進(jìn)行檢測(cè)，獲得了比其他模型更優(yōu)的網(wǎng)絡(luò)流量異常檢測(cè)結(jié)果，具有更高的實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞： 網(wǎng)絡(luò)安全； 流量異常檢測(cè)； HDOOP平臺(tái)； 最小二乘支持向量機(jī)； 大數(shù)據(jù)環(huán)境； 檢測(cè)模型中圖分類號(hào)： TN915.08?34； TP392 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2018）03?0084?0
現(xiàn)代電子技術(shù) 2018年3期2018-01-31
- LS—SVM和混合主元分析的電梯故障類型檢測(cè)研究
于最小二乘支持向量機(jī)（LS-SVM）和混合主元分析的方法。在此方法中，首先利用小波包分析對(duì)電梯轎廂X、Y、Z三個(gè)方向傳感器所得數(shù)值進(jìn)行特征值提取，提取出9個(gè)特征向量用來描述電梯具體運(yùn)行狀態(tài)。然后將特征向量送入LS-SVM進(jìn)行訓(xùn)練和分類，得出每個(gè)特征向量與正常運(yùn)行時(shí)的殘差值，根據(jù)殘差值判斷電梯狀態(tài)。最后利用混合主元分析得出主元特征向量，作出主元特征向量的組合形式貢獻(xiàn)圖判斷電梯故障原因。關(guān)鍵詞：最小二乘支持向量機(jī)；小波包分析；混合主元分析；主元特征向量中圖分類
科技創(chuàng)新與應(yīng)用 2017年21期2017-08-24
- 基于最小二乘支持向量機(jī)的無人機(jī)遙感影像分類
：最小二乘支持向量機(jī)；粒子群優(yōu)化；網(wǎng)格搜索；交叉驗(yàn)證；無人機(jī)遙感中圖分類號(hào)： TP751；S127文獻(xiàn)標(biāo)志碼： A文章編號(hào)：1002-1302（2017）09-0187-05隨著無人機(jī)技術(shù)[1]的成熟，輕量型的多光譜傳感器被廣泛搭載并獲取數(shù)據(jù)[2-3]，在國土資源[4-5]、環(huán)境災(zāi)害[6-7]、農(nóng)情監(jiān)測(cè)[8-12]等眾多領(lǐng)域得到廣泛應(yīng)用。針對(duì)多波段影像數(shù)據(jù)的分類處理[13]也一直是各行業(yè)應(yīng)用所面對(duì)的首要問題，已經(jīng)成為研究熱點(diǎn)之一。支持向量機(jī)（support
江蘇農(nóng)業(yè)科學(xué) 2017年9期2017-07-15
- 基于自適應(yīng)最小二乘支持向量機(jī)逆系統(tǒng)的鏈?zhǔn)絊TATCOM控制策略
用最小二乘支持向量機(jī)自適應(yīng)地估計(jì)動(dòng)態(tài)的模型非線性部分，通過反饋的方式加入到逆系統(tǒng)的輸入端，從而補(bǔ)償?shù)魧?shí)際系統(tǒng)模型中的非線性部分，實(shí)現(xiàn)真正意義上的偽線性模型。由于是線性系統(tǒng)的解耦模型，采用線性二次型最優(yōu)控制算法，實(shí)現(xiàn)配電網(wǎng)的無功補(bǔ)償。仿真和實(shí)驗(yàn)結(jié)果表明，本文所提的算法很好的解決了配電網(wǎng)的無功補(bǔ)償問題，且具有很好的魯棒性和動(dòng)態(tài)性能。關(guān)鍵詞：最小二乘支持向量機(jī)；靜止同步補(bǔ)償器；逆系統(tǒng)；線性二次型調(diào)節(jié)器中圖分類號(hào)：TP273 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1007-4
電機(jī)與控制學(xué)報(bào) 2017年7期2017-07-10
- 基于LS—SVM的制冷系統(tǒng)故障診斷
于最小二乘支持向量機(jī)（LSSVM）的制冷系統(tǒng)故障診斷模型，并采用ASHRAE制冷系統(tǒng)故障模擬實(shí)驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練與驗(yàn)證.對(duì)一臺(tái) 90冷噸（約316 kW）的離心式冷水機(jī)組的7類制冷循環(huán)典型故障進(jìn)行了實(shí)驗(yàn).研究結(jié)果表明，LS-SVM模型對(duì)制冷系統(tǒng)七類故障的總體診斷正確率比支持向量機(jī)（SVM）診斷模型、誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)診斷模型分別提高0.12%和1.32%；盡管對(duì)個(gè)別局部故障（冷凝器結(jié)垢、冷凝器水流量不足、制冷劑含不凝性氣體）的診斷性能較SVM模型
能源研究與信息 2017年1期2017-05-15
- 基于粒子群優(yōu)化的最小二乘支持向量機(jī)圖像分割研究
將最小二乘支持向量機(jī)（Least Squares Support Vector Machines，LS-SVM）應(yīng)用于圖像分割，并利用粒子群算法對(duì)其參數(shù)進(jìn)行優(yōu)化。通過對(duì)經(jīng)典的二分類與多分類問題的測(cè)試及彩色實(shí)物圖像分割實(shí)驗(yàn)，結(jié)果表明，LS-SVM能綜合使用圖像多種特征，能夠準(zhǔn)確實(shí)現(xiàn)對(duì)圖像感興趣區(qū)域的分割，且分割速度比一般的支持向量機(jī)提高很多。關(guān)鍵詞：最小二乘支持向量機(jī)；彩色圖像；圖像分割；參數(shù)優(yōu)化引言支持向量機(jī)（Support Vector Machine，
科技創(chuàng)新與應(yīng)用 2017年9期2017-04-26
- 基于EMD與果蠅參數(shù)尋優(yōu)的LSSVM的機(jī)場(chǎng)能耗預(yù)測(cè)
的最小二乘支持向量機(jī)（Least Squares Support Vector Machines，LSSVM）的能耗預(yù)測(cè)方法。在原有LSSVM方法基礎(chǔ)上，運(yùn)用EMD對(duì)天津機(jī)場(chǎng)能耗數(shù)據(jù)進(jìn)行預(yù)處理，得到若干個(gè)本征分量。根據(jù)各分量的變化規(guī)律構(gòu)造不同的最小二乘支持向量機(jī)模型分別預(yù)測(cè)，加入果蠅參數(shù)優(yōu)化算法尋找最優(yōu)的最小二乘支持向量機(jī)正則化參數(shù)與核函數(shù)參數(shù)。最后將各分量的預(yù)測(cè)結(jié)果疊加得到最終的預(yù)測(cè)值。仿真結(jié)果表明，經(jīng)過EMD處理后各個(gè)分量突出了原能耗數(shù)據(jù)的特性，降低了
計(jì)算機(jī)時(shí)代 2017年4期2017-04-26
- 基于LS?SVM的一次風(fēng)機(jī)振動(dòng)在線監(jiān)測(cè)及故障預(yù)警
于最小二乘支持向量機(jī)（LS?SVM）的一次風(fēng)機(jī)振動(dòng)狀態(tài)估計(jì)和故障預(yù)警方法。結(jié)合山西河曲發(fā)電廠1號(hào)機(jī)組的1#一次風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù)，應(yīng)用Matlab對(duì)提出的方法進(jìn)行驗(yàn)證和分析。研究結(jié)果表明，該預(yù)測(cè)方法有較高的估計(jì)精度，能夠及時(shí)辨別一次風(fēng)機(jī)在運(yùn)行中的振動(dòng)異常，適用于火電廠輔機(jī)設(shè)備的故障診斷，具有一定的工程應(yīng)用價(jià)值。關(guān)鍵詞： 一次風(fēng)機(jī)； 在線監(jiān)測(cè)； 最小二乘支持向量機(jī)（LS?SVM）； 故障預(yù)警中圖分類號(hào)： TN911?34 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004
現(xiàn)代電子技術(shù) 2017年7期2017-04-14
- 一種模擬電路故障診斷方法研究
最小二乘支持向量機(jī)； 粒子群優(yōu)化算法中圖分類號(hào)： TN710.4?34； TP391 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）06?0183?04Abstract： The LSSVM algorithm is applied to the analog circuit fault diagnosis model， and its parameters are optimized with particle swarm optimiz
現(xiàn)代電子技術(shù) 2017年6期2017-04-10
- 基于滾動(dòng)時(shí)間窗的PSO—LSSVM的通信基站能耗建模
窗最小二乘支持向量機(jī)（LSSVM）的基站能耗建模方法.該方法通過選取預(yù)處理的基站配置參數(shù)與實(shí)時(shí)數(shù)據(jù)建立滾動(dòng)時(shí)間窗，采用PSO優(yōu)化訓(xùn)練模型參數(shù)，并通過LSSVM回歸估計(jì)訓(xùn)練模型，得到隨時(shí)間窗數(shù)據(jù)變化的基站動(dòng)態(tài)能耗模型.仿真試驗(yàn)與樣本基站實(shí)測(cè)數(shù)據(jù)的驗(yàn)證結(jié)果表明，本文建立的能耗模型具有較高的預(yù)測(cè)精度及泛化能力，對(duì)基站節(jié)能工程的評(píng)估具有良好的應(yīng)用前景.關(guān)鍵詞：通信基站；能耗模型；最小二乘支持向量機(jī)；粒子群；滾動(dòng)時(shí)間窗中圖分類號(hào)：TP18；TN929.5 文獻(xiàn)標(biāo)志碼
湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2017年2期2017-03-17
- 基于最小二乘支持向量機(jī)的VaR計(jì)算方法研究
將最小二乘支持向量機(jī)與傳統(tǒng)的蒙特卡羅模擬法結(jié)合，對(duì)波動(dòng)率進(jìn)行估計(jì)。實(shí)證分析表明，該方法可行有效。Abstract： VaR is a tool making the investment risk quantification， which aims at estimating the possible or potential maximum loss in the future of a given financial asset or portfol
價(jià)值工程 2017年6期2017-03-15
- 電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估模型仿真分析
用最小二乘支持向量機(jī)對(duì)電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估樣本進(jìn)行學(xué)習(xí)，構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)的評(píng)估模型；最后對(duì)模型的有效性和優(yōu)越性進(jìn)行分析。結(jié)果表明，該模型提高了電子商務(wù)交易風(fēng)險(xiǎn)的評(píng)估精度，能夠?yàn)殡娮由虅?wù)交易提供有價(jià)值的參考信息。關(guān)鍵詞： 電子商務(wù)； 交易風(fēng)險(xiǎn)； 風(fēng)險(xiǎn)評(píng)估； 最小二乘支持向量機(jī)中圖分類號(hào)： TN919?34； TP181 文獻(xiàn)標(biāo)識(shí)碼： A 文章編號(hào)： 1004?373X（2017）03?0140?03Simulation analysis of asses
現(xiàn)代電子技術(shù) 2017年3期2017-03-04
- 基于聯(lián)合互信息的動(dòng)液面預(yù)測(cè)模型
立最小二乘支持向量機(jī)（Least Squares Support Vector Machine，LSSVM）模型，采用改進(jìn)黑洞算法（Black Hole，BH）優(yōu)化模型參數(shù)，預(yù)測(cè)出動(dòng)液面，然后計(jì)算輔助變量與動(dòng)液面的聯(lián)合互信息，判斷聯(lián)合互信息的波動(dòng)是否在合理范圍內(nèi)，以此作為模型更新的標(biāo)準(zhǔn)，提高動(dòng)液面預(yù)測(cè)精度，最后將上述方法應(yīng)用到遼河油田某采油平臺(tái)實(shí)際生產(chǎn)數(shù)據(jù)中，仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。關(guān)鍵詞：動(dòng)液面；最小二乘支持向量機(jī)；聯(lián)合互信息；動(dòng)態(tài)模型中圖分類
科技與創(chuàng)新 2016年18期2016-11-04
- 基于量子差分進(jìn)化優(yōu)化LSSVM的短期負(fù)荷預(yù)測(cè)
的最小二乘支持向量機(jī)（least squares-support vector machine，LSSVM）模型。通過采用量子比特編碼方案有效選取最小二乘支持向量機(jī)的參數(shù)，克服了最小二乘支持向量機(jī)算法中依據(jù)經(jīng)驗(yàn)選定參數(shù)的盲目性。實(shí)例驗(yàn)證結(jié)果表明，與BP神經(jīng)網(wǎng)路和單純的最小二乘支持向量機(jī)算法相比，QDE-LSSVM有更高的預(yù)測(cè)精度，更適用于當(dāng)前中國短期負(fù)荷的需要?！娟P(guān)鍵詞】短期負(fù)荷預(yù)測(cè)；參數(shù)優(yōu)化；量子差分進(jìn)化；最小二乘支持向量機(jī)引言“十三五”規(guī)劃期間，隨著電
成長·讀寫月刊 2016年9期2016-10-21
- 基于粒子群算法與最小二乘支持向量機(jī)的ET0模擬
與最小二乘支持向量機(jī)的ET0模擬鞠彬1,2,王嘉毅3(1.河海大學(xué)水文水資源學(xué)院,江蘇 南京210098; 2.中國電建集團(tuán)華東勘測(cè)設(shè)計(jì)院有限公司，浙江 杭州310014;3.河海大學(xué)水利水電學(xué)院，江蘇 南京210098)摘要：以月最高氣溫、月最低氣溫、月平均氣溫、平均風(fēng)速、日照時(shí)數(shù)以及相對(duì)濕度6個(gè)氣象因子的不同組合作為輸入數(shù)據(jù),以FAO Penman-Monteith公式計(jì)算結(jié)果作為標(biāo)準(zhǔn)值,構(gòu)建基于粒子群優(yōu)化算法與最小二乘支持向量機(jī)的ET0預(yù)測(cè)模型(PS
水資源保護(hù) 2016年4期2016-08-13