支持向量机的副热带高压预测模型

提出了一种新的支持向量机(supportvectormachines,svm)机械系统状态组合预测模型。应用fpe(finalprincipleerror)准则优化样本的维数,采用时域内的振动烈度和频域内的特征频率分量作为预测机械系统状态的敏感因子,构建了预测模型。支持向量机采用新型的结构风险最优化准则,预测能力强、鲁棒性好。采用径向基函数和ε损失函数,将该模型应用于实验台和旋转注水机组的状态预测,取得了较好的效果。这表明利用支持向量机的组合预测模型,可以降低设备维修代价,提高设备的安全性和可靠性。

为了科学预测与评估煤矿采动引起的建筑物采动损害程度,在系统分析建筑物采动损害影响因素的基础上,基于支持向量机理论,利用矿区典型建筑物采动损害案例,首次建立了煤矿开采影响下建筑物采动损害程度的支持向量机预测模型,并测试了该模型的可行性和可靠性.研究成果可为建筑物采动损害预测提供一条新的技术途径.

基于支持向量机的砂土液化预测模型——分析了砂土液化的主要影响因素，建立了砂土液化的支持向量机预测模型。该模型能通过有限经验数据的学习，建立砂土液化类型与其影响因素之间的非线性关系。运用所建立的模型对具体的砂土液化类型进行了评判，评判结果表明，...

根据电力负荷序列的混沌特性,提出混沌理论和蚁群优化支持向量机结合的电力系统短期负荷预测新方法,以相空间重构理论确定支持向量机的输入量个数;训练样本集由对应预测相点的最近邻相点集构成,且是按预测相点步进动态相轨迹生成;采用蚁群优化算法对支持向量机敏感参数进行优化,从而可增强预测模型对混沌动力学的联想和泛化推理能力,提高负荷预测的精度和提高预测稳定性。对某地区负荷系统日、周预测仿真测试,证明其可获得稳定的较高预测精度。

准确及时地进行洪水预测对洪水预报、洪水实时调度及水资源的合理调度起着非常关键的作用.提出一种粗糙集理论和支持向量机相结合的洪水预测模型,利用粗糙集理论对支持向量机的输入数据集进行约简预处理,通过发现数据间的关系去掉冗余输入信息,简化输入空间的表达信息,提高支持向量机训练的速度,获得较高的预测精度.实验结果表明,该模型能提高支持向量机训练的速度,获得较高的预测精度.

为了预测水泵在运行中的振动状态,提高水泵运行的安全性和经济性,采用了统计学习理论中的核心算法——支持向量机与自回归方法相结合,建立了水泵振动预测模型(svar)。并通过实例,与基于灰色理论建立的预测模型(gm)和基于自回归方法建立的预测模型(ar)进行了比较。结果表明:基于支持向量自回归的水泵振动预测模型(svar)具有精度高、速度快、易于建模的特点。应用该方法建立的预测模型能够很好地预测水泵运行中的振动情况,有效地避免水泵运行中由振动引起的故障。

高强混凝土强度预测的支持向量机模型及应用——高强混凝土的强度受多种因素的影响，其强度的预测是一个动态性的系统工程。采用支持向量机理论，建立了高强混凝土的强度预测的支持向量机预测模型。并将该模型计算结果与实测混凝土28d抗压强度、bp网络计算的强度...

http://www.***.*** 单桩竖向极限承载力预测的支持向量机模型 赵月平，王威 河南工业大学土木建筑学院，河南郑州（450052） 摘要：在综合分析了各种单桩竖向极限承载力分析方法的基础上，提出了基于支持向量机 的单桩竖向极限承载力预测方法，并在matlab中编制了相应的支持向量机程序，建立 了相应的单桩竖向极限承载力预测模型。以大量的实例数据为学习样本和测试样本，讨论 了基于支持向量机的单桩竖向极限承载力分析方法及其可行性。研究表明，用支持向量机 方法来预测单桩竖向极限承载力是可行的。 关键词：单桩；竖向极限承载力；支持向量机(svm)；预测 中图分类号：tu413.4文献标识码：a 0引言 桩基础作为我国工程建设中重要的基 础形式，具有承载力高、沉降量小，且调 节不均匀沉降能力强的特性，得到广泛应 用。桩基作为建筑物

为提高水库来水量的预测精度,提出了一种基于最小二乘支持向量机(ls-svm)的来水量预测模型。实例应用结果表明,该模型预测能力强、预测精度高,其预测精度明显高于bp模型,为来水量预测提供了一种可靠、有效的方法。

对加工系统进行补偿是提高机械加工精度的有效手段。通过对加工系统的研究,建立误差预测模型,是进行误差补偿的必要途径。本文以镗孔加工为实验对象,提出了基于支持向量机(supportvectormachine,svm)的加工系统误差预测模型,实验结果显示,支持向量机可以应用于误差预测建模,且在系统误差的预测精度上高于基于径向基(rbf)神经网络的误差预测模型。

使用组合模型进行了风速预测,然后在此基础上进行了风电功率的预测.利用灰色模型进行风速中确定性趋势预测,针对灰色gm(1,1)模型的建模机理和风速预测特点对其进行了改进,建立了改进的灰色gm(1,1)风速预测模型;同时使用支持向量机进行风速的随机性预测;用建立的组合预测模型输出的风速作为风电功率预测的一个输入,利用支持向量机模型进行了提前一小时的风电功率预测.算例表明,该方法可有效提高风速预测精度,进而提高风电功率的预测精度.

针对防洪风险因风险主体而异的特点,提出了防洪脆弱性的定义,选取影响临灾破坏程度的因子建立了评价指标体系,以所选指标的自然断裂法分级作为训练样本,建立了基于支持向量机的评价模型。应用实例的评价结果符合北江下游的防洪态势,说明了该模型方法的可行性、合理性和有效性。与传统的计点系统模型相比,支持向量机模型的评价结果更接近实际情况。

工程岩体抗剪强度参数选取的支持向量机模型——影响工程岩体抗剪强度参数的因素复杂，且具有不确定性，由于支持向量机模型不仅能考虑定量因素，而且能考虑定性因素的影响，因而支持向量机适用于解决非确定性的工程岩体抗剪强度参数的选取问题。文中建立了选取工...

季节型电力负荷同时具有增长性和波动性的二重趋势,使得负荷的变化呈现出复杂的非线性组合特征。对此,提出了一种综合最优灰色支持向量机预测模型,研究了同时考虑2种非线性趋势的复杂季节型负荷预测问题,说明了此优化模型分别优于2种单一负荷预测模型。在此基础上,对一般粒子群算法引入粒子速度自适应可调机制,并利用改进粒子群算法优化组合预测模型中的权值。对电力负荷预测应用实例的计算结果表明,该模型较大提高了季节型负荷预测的精度,具有较好的性能。

基于支持向量机的建筑物空调负荷预测模型——建立了基于支持向量机理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用模型和神经网络模型进行了训练和预测。仿真结果表明,模型具有更高的预测精度和更好的泛化能力,是建筑物空...

提出一种联合灰色模型(greymodel,gm)和最小二乘支持向量机回归(leastsquaresupportvectorregression,lssvr)算法的电力短期负荷智能组合预测方法。在考虑负荷日周期性的基础上,通过对历史负荷数据的不同取舍,构建出各种不同的历史负荷数据序列,并对每个历史数据序列分别建立能修正β参数的gm(1,1)灰色模型进行负荷预测;采用最小二乘支持向量机回归算法对不同灰色模型的预测结果进行非线性组合,以获取最终预测值。该方法在充分利用灰色模型所需原始数据少、建模简单、运算方便等优势的基础上,结合最小二乘支持向量机所具有的泛化能力强、非线性拟合性好、小样本等特性,提高了预测精度。仿真结果验证了所提出组合方法的有效性和实用性。

由于公路工程造价的影响因素错综复杂,且历史数据非常有限,使公路工程造价预测成为典型的小样本条件下非线性回归问题。针对传统的回归方法解决这类问题的不足,该文提出一种新型的公路工程造价预测模型。该模型基于最小二乘支持向量机的基本原理,结合公路工程的具体特征,实现了公路工程造价的智能化预测。新模型充分发挥了最小二乘支持向量机在解决有限样本及非线性回归问题中的优势,建立了较准确的预测模型,且训练速度较普通支持向量机更快。实证数据分析验证了本模型的有效性。

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.

支持向量机(supportvectormachine,svm)作为一种新颖的机器学习方法已成功应用于短期电力负荷预测,然而应用研究发现svm算法性能参数的设置将直接影响负荷预测的精度.为此在对svm参数性能分析的基础上,提出了sce-ua(shuffledcomplexevolution-universityofarizona)支持向量机短期电力负荷预测模型建模的思路及关键参数的选取,在建模过程中引入了径向基核函数,简化了非线性问题的求解过程,并应用sce-ua算法辨识svm的参数.贵州电网日96点负荷曲线预测的实际算例表明,所提sce-ua支持向量机模型不仅克服了svm参数选择的盲目性,而且能提高预测准确率,是一种行之有效的短期电力负荷预测模型.

建立了基于支持向量机(svm)理论的建筑物空调负荷预测模型。对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用svm模型和bp神经网络模型进行了训练和预测。仿真结果表明,svm模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法。

根据沉降数据的特性,以最小二乘支持向量机为核心技术构建预测模型,提出了一种路基沉降预测的新方法。由于测量误差不可避免,沉降数据通常含有噪声,不宜直接进行拟合,因此首先采用小波分析的方法对原始沉降数据进行降噪预处理,然后馈送到最小二乘支持向量机完成沉降预测。最后用某高速公路实测数据进行了实例分析,并与bp神经网络预测结果进行了对比,计算结果表明,小波分析结合支持向量机的模型有较好的预测精度,将该模型应用于公路软基沉降预测是可行的和值得研究的。

选取表土层厚度、底板含水层厚度、底板含水层水位速降、井筒外径、井壁厚度、井筒投入使用时间6个立井井筒非采动破裂的特征属性作为判别因子,以工程实测数据作为学习样本,利用遗传算法优化支持向量机参数,建立了煤矿立井井筒非采动破裂的遗传-支持向量机预测模型,并对工程实例进行测试。研究结果表明,该模型预测精度高,回判估计的错误率低,为快速准确地预测立井井筒非采动破裂提供了一种新的方法和途径。