克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

合集下载

基于LSSVM的开关磁阻电机转子位置估算

在Ｓｉｍｕｌｉｎｋ中利用ｓ函数建立仿真系统，结果表明，在高速、低速、负载突变的情况下，ＬＳＳＶＭ位置估算模块的平均误差在０．１。以内，说明其训练速度快，泛化能力强，精度高，鲁棒性好．
ＸｕＹｕｚｈｅＣａｏＹａｎｐｉｎｇＺｈｏｎｇＲｕｉＱｕＹａｎＰｅｎｇＦｕｌｉｎ
（ＮａｔｉｏｎａｌＡＳＩＣＳｙｓｔｅｍＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）
Ａｂｓｔｒａｅｔ：Ｔｏａｖｏｉｄｔｈｅｐｒｏｂｌｅｍｈａｔｔａｐｏｓｉｉｏｔｎｓｅｎｓｏｒｅａｓｉｌｙｆａｌｌｓｏｆｆｏｒｂｅｃｏｍｅｓｂｒｅａｋｄｏｗｎｗｈｅｎａ
ｓｗｉｔｃｈｅｄｒｅｌｕｃｔａｎｃｅｍｏｔｏｒ（ＳＲＭ）ｏｐｅｒａｔｅｓｉｎａｄｖｅｒｓｅｅｎｖｉｒｏｎｍｅｎｔ，ａｍｅｔｈｏｄｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓ
ｐｕｌｓｅｍｅｈｏｔｄ．Ｔｈｅｏｐｉｍａｔｌｐａｒａｍｅｔｅｒｓａｒｅｃｈｏｓｅｎｂｙｃｏｍｂｉｎｉｎｇｔｈｅｃｒｏｓｓ — ｖａｌｉｄａｔｉｏｎｍｅｈｏｔｄａｎｄｈｅｔｔｒｙｉｎｇｍｅｈｏｔｄ．Ｃｏｍｐａｒｅｄｗｉｈｔｈｅｔｐｏｓｉｉｔｏｎｅｓｉｔｍａｔｏｒｂｙｕｓｉｎｇｉｍｐｒｏｖｅｄｂａｃｋ— ｐｒｏｐａｇａｉｏｔｎｎｅｕｒａｌｎｅｔ —

《基于最小二乘支持向量机的短时交通流预测方法研究》范文

《基于最小二乘支持向量机的短时交通流预测方法研究》篇一一、引言随着城市化进程的加快和交通网络复杂性的提升，准确预测短时交通流量对于智能交通系统的建设和交通规划显得愈发重要。

准确的短时交通流预测能够提高交通运行效率、降低交通拥堵程度、改善城市居民出行体验，并有助于实现智能交通系统的智能化和自动化。

然而，由于交通流量的动态变化性、非线性和不确定性，传统的预测方法往往难以满足实际需求。

因此，本文提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）的短时交通流预测方法。

二、最小二乘支持向量机理论最小二乘支持向量机是一种基于统计学习理论的机器学习方法，它通过构建一个高维空间中的超平面来对数据进行分类或回归。

与传统的支持向量机相比，LSSVM在处理回归问题时具有更好的泛化能力和更高的预测精度。

此外，LSSVM还具有算法简单、计算量小等优点，适用于处理大规模数据集。

三、短时交通流预测模型的构建1. 数据预处理：首先，收集历史交通流量数据，并对数据进行清洗、去噪和标准化处理，以消除异常值和噪声对预测结果的影响。

2. 特征提取：从历史交通流量数据中提取出与短时交通流预测相关的特征，如时间、天气、节假日等。

3. 模型构建：利用LSSVM构建短时交通流预测模型。

具体地，将历史交通流量数据作为输入，将预测的目标值（如未来某一时刻的交通流量）作为输出，通过优化算法求解得到模型参数。

4. 模型训练与优化：利用训练数据集对模型进行训练，通过交叉验证等方法对模型进行优化，以提高模型的预测精度。

四、实验与分析1. 数据集与实验环境：本文采用某城市实际交通流量数据作为实验数据集，实验环境为高性能计算机。

2. 实验方法与步骤：将实验数据集分为训练集和测试集，利用训练集对模型进行训练和优化，利用测试集对模型进行测试和评估。

3. 结果与分析：通过对比LSSVM与其他传统预测方法的预测结果，发现LSSVM在短时交通流预测方面具有更高的预测精度和更强的泛化能力。

LSSVM概述学习资料

所谓 VC 维是对函数类的一种度量，可以简单的理解为问题的复杂程度，VC 维越高，一个问题就越复杂。正是因为 SVM 关注的是 VC维，后面我们可以看到，SVM 解决问题的时候，呾样本的维数是无关的（甚至样本是上万维的都可以，这使得 SVM 径适合用来解决文本分类的问题，当然，有这样的能力也因为引入了核函数）。
( x1, y1 ),......, ( xl , y l ) R n R
首先用一非线性映射 Y( x)把样本从原空间R n映射到特征
空间 Y(x) (j (x1 ),j (x2 ),..., j (xl ))。在这个高维特征空间中构造最优决策函数 y(x) w .j ( x) b。这样非线性估计
LS-SVM方法简化了计算的复杂性。另外，由于LS-SVM采用了最小二乘法，因此运算速度明显快于支持向量机的其它版本。
3 SVM和示意图
最优分类函数为：
f(x ) sg n {li 1i* y iK (x i,x ) b * }
这就是支持向量机。
概括地说，支持向量机就是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求最优分类面。
SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个输入样本于一个支持向量机的内积，因此也就叫做支持向量网络。
4 相关名词解释
VC 维理论：
为了研究经验风险最小化函数集的学习一致收敛速度和推广性，SLT 定义了一些指标来衡量函数集的性能，其中最重要的就是VC维(VapnikChervonenkis Dimension)。对于一个指示函数（即只有0和1两种取值的函数）集，如果存在h个样本能够被函数集里的函数按照所有可能的2h种形式分开，则称函数集能够把h个样本打散，函数集的VC维就是能够打散的最大样本数目。

lssvm在时间序列预测中的理论与应用研究

LS-SVM在时间序列预测中的理论与应用研究重庆大学硕士学位论文（学术学位）学生姓名：梅*指导教师：王波副教授专业：计算机应用技术学科门类：工学重庆大学计算机学院二O一三年四月Theory and Application Research on LS-SVM in Time Series PredictionA Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theMaster’s Degree of EngineeringByMei QianSupervised by Ass. Prof. Wang Bo Specialty: Computer Application TechnologyCollege of Computer Science ofChongqing University, Chongqing, ChinaApril 2013摘要时间序列预测方法已经应用到几乎所有预报与决策的领域，广泛地应用在实际中。

对这种方法的研究不仅具有理论研究的重要意义，而且一直是国内外学者研究的热点和难点。

在支持向量机模型中，成功地应用了结构风险最小化、核函数映射和凸二次规划等技术，有效地解决了在传统机器学习中出现的维数灾难和局部极小等问题。

而最小二乘支持向量机(LS-SVM)作为支持向量机(SVM)的一个改进简化模型，在保证预测精度不减弱的情况下，具有比支持向量机运算更加简化的优点。

本文针对LS-SVM中的一些问题进行了研究，主要工作如下：①提出了经验模态分解与LS-SVM组合预测的方法，结合建筑能耗预测的实际应用，该方法的主要思路是把能耗数据形成的时间序列用EMD方法分解成多个本征模式分量，然后对每个本征模式分别建立LS-SVM模型进行分开预测，最后将所有本征模式分量对应的LS-SVM模型预测结果进行求和。

基于遗传算法的LS-SVM参数优选及其在经济预测中的应用

Ｍｃｉｅ（ＳＳＭｎＳＳＭＷＳｗｌｔｉｙｓｇｏｕａｏａｎｅｏｏｉｓｓｍ．ｈｎｈｅｅａｎＳａｈｎＬ－Ｖ）ａｄＬ－ＶａｅａｅｂｉｐｌｎｄｔｉａｃｎｍｃｙｔＴｅ，ｔｌｔｉｅＬ — ｌｒｎｄｕｎｐｉｔａｎｅｗｌｒｄ
ａｐｌａｉｎｎｅｏｍｉｏｅａｔｎｇｐｉｔｏｉｃｎｏｃｆｒｃｓｉｃ
ＺＨＯＵｉｒｎ，Ｈｕ —ｅＺＨＥＮＧｉｅＺＨＡＯＰ —，Ｃｈｕｘｕｎ—ｉ
（ｎａｅｆＩａａｓｏ
棚Ｅｎｒｇｉｊｎｅｉ，ｉｊ０７，Ｃｉ）ｒｅｉ，ＴｎｎＵｗ￣ｔＴｎｎ００２ｈａｅｎａｉｙａｉ３ｎ
Ｋｅｏｄ：ＬａｔｑａｅｕｐｒＶｃｒｃｎｓ（ＳＳＭ）ｅｅｃａｏｔｍｐｍｚｔｎｏｙｅ－ａａｅｒ；ｙｗｒｓｅｓＳｕｒｓｐｔｅｔｈｅＬ —Ｖ；ｇｎｔｇｒｈ；ｏｔａｏｆｐｒｒｍｔｓＳｏｏＭａｉｉｌｉｉｉｉｈｐｃ
ＳＶＭＳｕｅｏｆｒｃｓｐａｉｎｉｉ．ＦｎｌｙＳＳＷａｓｄｔｅａｔｏｏｌｏｎｐｕｔａｃｔｙｉａｌ，Ｌ — ＶＭｄＢｅｗｏｋｗｅｅｃｍｐｒｎｐｅｉｔｎａｄｔｅｒｓｔｎａＰｎｔｒｒｏａｅｉｒｄｃｉｈｅｕｄｏｎｌｓｏｓｔａｅｇｎｔｇｒｈｆｒｏｔｚｎａａｔｒｆＬａｔＳｕｒｓＳｐａｃｏｃｎｒｐｓｄｉｈｓｐｐｒｉｈｗｈｔｔｅｅｃａｏｔｍｐｍｉｇｐｍｅｅｓｏｅｓｑａｅｕｐｈｉｌｉｏｉｉｒｏＶｅｔｒＭａｈｅｐｏｏｅｎｔｉａｅｓｉｆａｉｌｄｅｅｔｅｅｓｂｅａｆｃｖ．ｎｉ

基于改进粒子群优化LS-SVM的卫星钟差预报研究

基于改进粒子群优化LS-SVM的卫星钟差预报研究
刘继业;陈西宏;刘强;孙际哲
【期刊名称】《宇航学报》
【年(卷),期】2013(034)011
【摘要】针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化(PSO)最小二乘支持向量机(LS-SVM)的卫星钟差预报方法.通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度.选取国际GPS服务组织(IGS)产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路.
【总页数】7页(P1509-1515)
【作者】刘继业;陈西宏;刘强;孙际哲
【作者单位】空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051
【正文语种】中文
【中图分类】P228
【相关文献】
1.基于人工鱼群优化LS-SVM的卫星钟差预报 [J], 刘继业;陈西宏;刘强;孙际哲
2.基于改进粒子群优化LS-SVM的谐波源特性研究 [J], 汪洋;龚仁喜;贾僖泉;于槟华
3.基于改进灰色ARMA模型的卫星钟差短期预报研究 [J], 李晓宇;杨洋;胡晓粉;贾蕊溪
4.粒子群优化加权灰色回归组合的卫星钟差预报 [J], 于烨;黄默;段涛;王长元;胡锐
5.基于改进粒子群优化LS-SVM的短期风速预测 [J], 范曼萍;周冬
因版权原因，仅展示原文概要，查看原文内容请购买。

基于智能算法的蓄电池远程核容优化路径探究

Telecom Power Technology电源与节能技术 2023年9月25日第40卷第18期87 Telecom Power TechnologySep. 25, 2023, Vol.40 No.18李晓玲：基于智能算法的蓄电池远程核容优化路径探究表达式可转化为 ()i i j 1,Ni y a K x x b ==+∑（2）式中：a i 为Lagrange 对偶变量，并且有a i ≥0；K (x i , x j )= ()T x φw x i )T ()T x φw x j )为核函数。

常用的核函数包括线性函数、径向基核函数等，在蓄电池剩余容量估算中选用径向基核函数，其表达式为 ()()2i j i j,exp ,PK x x x x =−（3）式中：P 为指数参数。

1.2.2　LSSVM 算法的整体实施流程根据LSSVM 算法的应用原理，其实施流程为选择模型的输入变量和输出变量→数据预处理→确定K 折线交叉验证回归的最佳参数→利用最佳参数训练LSSVM 算法→进行数据预测[3]。

在K 折线交叉验证回归阶段，需要确定sig 2和gam 这2个关键参数。

1.2.3　基于LSSVM 算法的蓄电池核容方法性能试验（1）试验方法。

试验方法由物理试验和仿真试验2部分组成，物理试验装置包括温度控制箱、内部电阻检测仪、蓄电池活化仪以及4节铅酸蓄电池。

利用MATLAB 搭建物理模型的仿真模型，运用LSSVM 算法进行剩余容量预测，物理试验和仿真试验互为对照组[4]。

在物理试验中，剩余容量S OC 采用安时法进行计算，具体为 ()OCOC00e1S S d ti t t C η=+∫（4）式中：S OC 0为剩余容量的初始值；C e 为蓄电池的额定容量；η为放电效率；i (t )为时刻t 的放电电流。

蓄电池组的恒流放电采用蓄电池活化仪，进而得到i (t )数据。

（2）误差评价标准。

在误差评价中，使用3个评价指标，分别为均方根误差εmse 、平均百分比误差εavg_error 以及最大百分比误差εmax_error ，相应的计算方法为 ip io max _error io max 100%y y y ε−=×（5） ip io avg _error1io100%n i y y n y ε=− =× ∑（6）()2ipio 1mse ni yy nε=−=∑ （7）式中：y io 为第i 个数据点剩余容量的预测值；y ip 为对应的原始值（物理模型的检测结果）。

高斯-柯西变异算子优化的lssvm模型研究

20
周慧等：高斯-柯西变异算子优化的 LSSVM 模型研究
第 48 卷
开发能力和柯西变异数的全局探索能力，来避免优化算法的局部极值并提高收敛速度。
通过多种优化方法对该两个参数进行优化，如蚁群算法［2］、模拟退火算法［3］、果蝇优化算法［4］、遗传算法［5］、粒子群算法［6］等。
传统的种群优化算法无法避免陷入局部收敛和收敛速度慢［7~8］的问题，为了改进这些缺陷，本文提出一种基于 GC 变异算子的量子粒子群算法对 LSSVM 的参数进行优化，利用高斯变异数的局部
∗ 收稿日期：2019 年 7 月 3 日，修回日期：2019 年 8 月 14 日基金项目：江苏省普通高校研究生创新计划（编号：SJCX17-0641）；南通大学产学研项目“第二代光伏组件智能运维机器人研制”（编号：17ZH040）资助。作者简介：周慧，女，硕士研究生，研究方向：数据挖掘。王进，男，博士，硕士生导师，研究方向：人工智能。顾翔，男，博士，硕士生导师，研究方向：网络安全。徐巍巍，男，助理工程师，研究方向：智能系统。
226019）Leabharlann Abstract In this paper，an improved quantum-particle-optimized least squares support vector machine（LSSVM）method is proposed for the problem that the standard quantum particle swarm algorithm is easy to fall into local extremum. Using the local de⁃ velopment capability of Gaussian mutations and the global search capability of the Cauchy mutation，a Gauss-Cauchy mutation oper⁃ ator is introduced in the quantum particle swarm optimization algorithm to help the algorithm jump out of the local extrema. And us⁃ ing this optimization model for photovoltaic power generation prediction experiments，the prediction results of the optimized least squares support vector machine model are compared with other model prediction results. The results show that the quantum particle swarm optimization based on Gauss-Cauchy mutation operator least squares support vector machine predicts PV generation with good convergence speed and ability to jump out of local convergence.

lssvm回归原理

lssvm回归原理LSSVM回归原理引言:支持向量机（Support Vector Machine，SVM）是一种广泛应用于分类和回归问题的机器学习算法。

其中，线性支持向量机（Linear SVM）在处理线性可分问题时表现出色，但在处理非线性问题时效果不佳。

因此，为了解决非线性回归问题，基于线性支持向量机发展出了一种改进算法，即Least Squares Support Vector Machine（LSSVM）。

LSSVM回归原理:LSSVM回归是一种非参数化模型，它使用支持向量机的思想进行回归分析。

与传统的线性回归模型不同，LSSVM回归通过引入核函数来将数据映射到高维特征空间，从而实现非线性回归。

其基本原理如下：1. 核函数选择:LSSVM回归的核心在于选择合适的核函数。

常用的核函数有线性核函数、多项式核函数、高斯核函数等。

不同的核函数对应不同的特征映射，因此核函数的选择需要根据具体问题的特点进行。

2. 模型建立:LSSVM回归的目标是在给定的训练数据集上，通过寻找最优的超平面来拟合数据。

具体而言，LSSVM回归的目标是最小化误差的平方和，并引入正则化项来控制模型的复杂度，防止过拟合。

因此，LSSVM回归的优化目标可以表示为一个二次规划问题。

3. 模型求解:求解LSSVM回归模型可以采用多种方法，常见的有序列最小最优化（Sequential Minimal Optimization， SMO）算法和坐标下降法。

这些算法可以高效地求解LSSVM回归模型的参数，从而得到最优的超平面。

4. 模型评估:为了评估LSSVM回归模型的性能，常用的指标包括均方误差（Mean Squared Error，MSE）、均方根误差（Root Mean Squared Error，RMSE）和决定系数（Coefficient of Determination，R-squared）等。

这些指标可以用来衡量模型的拟合程度和预测能力。

基于LOF-SSA-PSO-LSSVM_模型的旅游客流量预测

D O I :10.3969/j.i s s n .1001-5337.2023.3.031 *收稿日期:2023-03-07基金项目:2022年呼伦贝尔学院科研资助项目(2022F D Y B 03);内蒙古自治区高等学校科学技术研究项目(N J Z Y 19231).作者简介:张娟,女,1986-,硕士,讲师;研究方向:经济分析与预测;E -m a i l :h l b e z h j@163.c o m .基于L O F -S S A -P S O -L S S V M 模型的旅游客流量预测*张娟(呼伦贝尔学院数学与统计学院,021008,内蒙古自治区呼伦贝尔市) 摘要:针对月度旅游客流量影响因素复杂,时间序列数据中可能存在异常值和噪声的特点,提出了一个基于局部异常因子(L O F )和奇异谱分析(S S A )的L O F -S S A -P S O -L S S VM 预测模型.数据预处理阶段,对原始序列运用X 12季节加法模型消除季节性的影响,采用L O F 方法检测季节调整后序列的异常值,并使用线性插值和最小二乘支持向量机(L S S VM )方法来修正异常值,新的待预测序列由修正后的季节调整序列与季节因子序列加和得到.预测阶段,首先采用奇异谱分析(S S A )方法来剔除新的待预测序列中的噪声,然后采用P S O -L S S VM 方法对其进行预测.以上海2004年1月至2018年12月旅游客流量序列的预测为例,通过与A R I MA ㊁L S S VM 等模型比较,表明L O F -S S A -P S O -L S S VM 模型能有效提高旅游客流量的预测精度和稳定性.关键词:旅游客流量预测;局部异常因子;最小二乘支持向量机;粒子群寻优;奇异谱分析中图分类号:F 592;T P 391 文献标识码:A 文章编号:1001-5337(2023)03-0031-060 引言旅游业具有无烟产业和永远的朝阳产业的美称,是非贸易外汇收入的主要来源之一.根据国家旅游局统计数据,2018年我国旅游总收入5.97万亿元,同比增长10.5%,旅游业对全国G D P 的综合贡献为9.94万亿元,占全国G D P 总量的11.04%.旅游客流量是旅游业发展水平的重要指标,科学合理地预测旅游客流量,对于旅游资源高效利用及地方经济的发展规划具有重要指导意义和实践价值.在旅游客流量的预测方法上,国内外学者已经进行了大量研究.涉及到的预测模型主要有时间序列模型[1,2]㊁计量经济模型[3]和人工智能模型[4,5]等.由于支持向量机模型(S VM )[6]在小样本㊁非线性条件下的明显优势,它已成为非线性时间序列预测的一种重要方法.最小二乘支持向量机(L S S VM )是基于支持向量机的改进模型,被广泛应用于多种预测领域[7,8].L S S VM 模型中参数的选择直接影响到其预测精度,因此,粒子群算法(P S O )[9]㊁布谷鸟算法(C S)[10]等方法被广泛应用于其参数优化.多位学者的实证结果表明,相比较L S S VM 方法,基于P S O 和C S 方法参数寻优的L S S VM 模型预测精度更高.在实际预测问题中,由于时间序列的固有复杂性,针对序列的不同特征采用相应的预处理方法便显得尤为重要.对于月度旅游客流量的数据,主要包含3个数据特征:1)由于受到旅游资源和旅游活动的影响,旅游业具有明显的季节性.对于具有季节效应的时间序列,常用的预处理方法为X 12季节分解[11],即剔除季节效应影响后,提取出季节调整后序列做进一步分析.2)对于原始数据而言,由于容易受到大的经济因素(比如金融危机㊁世博会等事件)影响,使得时间序列数据中包含有一定的异常值,而异常值的出现会增大时间序列的预测误差,因此,异常值检测和修正成为序列预处理的一个重要步骤.常用的方法是局部异常因子算法[12](l o c a lo u t l i e r f a c t o r ,L O F ).3)数据本身可能包含噪声,如果不加处理而直接进行建模预测,模型的预测精度第49卷第3期2023年7月曲阜师范大学学报J o u r n a l o f Q u f u N o r m a l U n i v e r s i t yV o l .49 N o .3J u l y 2023也会大大降低.常用的剔除噪声的方法有小波分解[13,14](WT)㊁经验模态分解[15](e m p i r i c a l m o d e d e c o m p o s i t i o n,E M D)和奇异谱分析[16](s i n g u l a r s p e c t r u ma n a l y s i s,S S A)等.梁小珍等[17]通过对我国航空客流量的预测研究,发现在序列去噪方面, S S A方法的去噪效果明显优于E M D方法.以上研究的主要问题是,对于旅游客流量序列,缺乏综合季节性㊁异常值㊁噪声项3种因素的全面研究.基于上述分析,结合月度旅游客流量的数据特征,本文构建了一种以X12季节分解㊁L O F异常值检测㊁S S A分解重构为序列预处理方法的P S O参数寻优下的L S S VM预测模型.针对原始数据具有季节效应的特点,首先采用X12季节分解,通过L O F异常值检测方法识别出异常值并进行修正,利用S S A方法剔除了待预测序列中的噪声.最后为了保证模型精度,使用P S O方法对L S S VM中的参数进行寻优,并利用参数结果进行L S S VM预测.同时,将原始单一模型㊁仅S S A处理的模型㊁仅L O F修正的模型与L O F-S S A-L S S VM模型的预测结果做对比分析,以期找出更为精确的预测模型.本文结构安排如下:第1节介绍本文使用的主要方法和模型框架;第2节以上海月度旅游客流量为例,进行了实证研究;最后一节总结全文研究结论. 1模型设计本文基于L O F异常值检测的L O F-S S A-P S O-L S S VM模型对上海月度旅游客流量进行预测分析,模型框架如图1,具体步骤如下.(1)对原始序列进行X12季节调整,得到季节因子(S F)和季节调整后序列(S A).(2)采用L O F异常值检测方法针对季节调整后序列(S A)进行异常值检测,得到异常值点所在的位置.(3)使用插值修正和L S S VM预测修正方法对序列中异常值点进行修正,得到修正后的季节调整序列.(4)修正后的季节调整序列与季节因子相加,得到新的待预测序列.(5)通过对4)中的月度数据进行S S A分解和重构,得到去噪后的新的待预测序列.(6)采用P S O-L S S VM方法对去噪后的新的待预测序列进行预测,从而得到预测值.图1L O F-S S A-P S O-L S S VM预测模型框架2模型预测效果检验2.1数据来源及评价准则本文采用2004年1月至2018年12月上海市月度旅游客流量(即接待过夜游客人数)为研究数据,共180个观测值,数据来自于‘上海统计年鉴“.由图2可以看出,上海月度旅游客流量呈整体上升趋势,且具有明显的季节变动规律.某些月份的客流量数值明显异于周边数据,可能为异常值所在位置.为了保证实证结果的可靠性,根据模型要求,本文进行了3组滚动预测.第一组以2004年1月 2015年12月数据(144个观测值)为训练样本对模型进行训练,2016年1月 12月的12个数据作为测试样本来检验模型预测精度.第二组以2004年1月 2016年12月数据(156个观测值)预测2017年1月 12月的数据.第三组以2004年1月 2017年12月数据(168个观测值)预测2018年1月 12月的数据.图22004年1月 2018年12月上海旅游客流量序列图23曲阜师范大学学报(自然科学版)2023年为了评价不同模型之间的预测准确度,本文采用平均绝对误差(MA E)和平均绝对百分误差(MA P E)作为评价指标.2.2预测效果检验2.2.1 L O F检测针对上海旅游客流量具有明显季节性和趋势性的特点,为了避免周期性的季节变化对模型预测准确度的影响,首先采用X12季节加法模型对原序列进行分解,得到了季节调整后序列(S A)和季节因子(S F).其次依据季节调整后序列(S A)考察数据的异常变动,采用L O F异常值检测的方法,取k=10,计算每月客流量数据的L O F值,并以L O F临界值为1.5判断数据的异常性.图3为180个训练数据的L O F值,根据约定的阈值共检验出16个异常值,异常数据对应的具体位置如表1所示.图3训练样本的L O F10值序列表1 L O F异常值检测结果月份L O F10月份L O F102004-121.5232010-104.4572005-021.7112010-112.3392005-061.5192011-012.6202006-012.3342013-052.6062009-082.1392014-012.0592010-021.7132015-022.1172010-042.4172016-021.9882010-095.8892018-022.565为了考察16个异常值出现的原因,结合特殊事件对上海旅游客流量的影响,经过分析可得,2009-08的异常数据受到了当年金融危机的影响;2010-04㊁2010-09㊁2010-10㊁2010-11的异常数据受到了上海世博会的影响;2005-02㊁2006-01㊁2010-02㊁2011-01㊁2014-01㊁2015-02㊁2016-02㊁2018-02这几年2月份前后的异常数据,主要是受到旅游周期的影响;2004-12㊁2005-06㊁2013-05的异常数据可能是随机干扰所造成的.异常数据的存在会影响预测模型中的参数估计,从而增大预测误差,因此对其进行修正是非常必要的.2.2.2线性插值及L S S VM修正季节调整序列根据表1提取出的异常数据位置,对季节调整序列进行修正,具体方法为:对于单一的异常数据点,比如2005-06㊁2009-08㊁2013-05等,采用临近点线性插值法来修正异常数据;对于成片的异常数据点,比如2010-09㊁2010-10㊁2010-11等,以当前异常值之前的数据序列为基础,使用L S S VM方法进行预测来修正异常数据.修正前后的数据对比如图4,可以看出,相比较原始序列,异常值修正后的季节调整序列具有更好的平稳性和规律性.图4 L O F修正前后的季节调整序列2.2.3S S A对新的待预测序列进行降噪将异常值修正后的季节调整序列与之前得到的季节因子序列(S F)相加,即得到了新的待预测序列.在剔除了原始序列的异常值之后,对于新的待预测序列中的噪声项,使用S S A分解和重构方法来完成去噪.S S A方法的一个重要步骤是嵌入维数L的选择,由于L一般不超过序列长度的1/3,且最好为周期的整数倍,以训练集2004年1月 2015年12月(共144个观测值)为例,选择嵌入维数L=48.图5是前20个特征值对应的特征值曲线图,从特征值变化趋势中可以看出,从第15个特征值开始,曲线下降速度缓慢,且经过计算前15个分量的方差累积贡献率达到96.15%.所以,提取前15个分量对原始序列进行重构,以得到新的重构后序列.剩余的重构分量构成原始序列的噪声序列.图6显示了原始旅游客流量序列和去噪后的新的待预测序列的对比结果,可以看出,经过异常值修正和降噪处理后的数据,序列更加光滑.33第3期张娟:基于L O F-S S A-P S O-L S S VM模型的旅游客流量预测图5 S S A 重构分量对应的特征值图6 原始旅游客流量序列和去噪后的新的待预测序列2.2.4 模型预测效果对比为了验证L O F -S S A -P S O -L S S VM 方法预测效果的有效性,针对2004 2015年㊁2004 2016年㊁2004 2017年3组训练集,本文对比了A R I MA ㊁L S S VM ㊁P S O -L S S VM 这3个单一模型㊁仅去噪的单一模型㊁仅异常值修正的单一模型㊁既异常值修正又去噪的单一模型的预测结果,各模型的MA E ㊁MA P E 汇总结果如表2所示,可以得出以下结论.表2 L O F -S S A -P S O -L S S VM 与其他预测模型的预测结果对比测试集模型2004 2015年2004 2016年2004 2017年MA EMA P E /%MA EMA P E /%MA EMA P E /%A R I MA7.59810.9788.98614.0068.81012.927L S S VM7.58010.9768.79711.1748.18712.003P S O -L S S VM7.31410.7222.8124.4527.43011.483S S A -A R I MA 7.80510.9104.2485.5064.5137.173S S A -L S S VM7.15710.7743.3404.9134.4356.829S S A -P S O -L S S VM 6.94310.3723.1264.0393.9146.221L O F -A R I MA 7.60310.5227.96511.1837.92910.920L O F -L S S VM 6.9249.8495.4027.6934.5505.996L O F -P S O -L S S VM 6.6079.3764.6636.4824.3365.672L O F -S S A -A R I MA6.1868.6986.0128.3674.4845.964L O F -S S A -L S S VM3.8295.3992.7904.4313.7875.099L O F -S S A -P S O -L S S VM3.1204.5492.6583.6103.1954.201 注:L S S VM 和P S O -L S S VM 的嵌入维数均为12,即用前12期的数据来预测下一期的数据值,S V R 核函数为R B F 函数.A R I MA 模型阶数以A I C 最小化原则来选取,最终使用的A R I MA 模型为A R I MA (3,1,3).P S O 算法中粒子群个数为20,粒子速度范围为[-5,5],学习因子c 1和c 2均为2.0,惯性权重ω=1,最大迭代次数为100.用P S O 算法来优化L S S VM 模型中的参数γ和σ,参数的取值范围为[0.01,100]. (1)3个单一模型(A R I MA ㊁L S S VM ㊁P S O -L S S VM )对比可以发现,传统的时间序列模型A R I -MA 相比较人工智能模型L S S VM 和P S O -L S S -VM ,预测误差更大精度更低,这是因为A R I MA 模型主要用来刻画序列的线性特征,对于非线性的上海旅游客流量序列的预测精度是不足的.(2)比较L S S V M 和P S O -L S S V M 模型,使用了P S O 参数优化方法的P S O -L S S V M 模型预测结果更好,说明P S O 优化算法有利于寻找全局最优,能够为L S S V M 找出更合适的参数并达到优化参数的目的.(3)3个基于S S A 分解的集成模型(S S A -A R I -MA ㊁S S A -L S S VM ㊁S S A -P S O -L S S VM )与对应的单一模型A R I MA ㊁L S S VM ㊁P S O -L S S VM 对比发现,MA E 和MA P E 评价指标均有了一定程度的降低,说明序列分解去噪处理能有效提升预测模型的性能.43 曲阜师范大学学报(自然科学版) 2023年(4)3个基于L O F异常值检测的集成模型(L O F-A R I MA㊁L O F-L S S VM㊁L O F-P S O-L S S VM)与对应的单一模型A R I MA㊁L S S VM㊁P S O-L S S VM 对比可以发现,除了2004 2016年P S O-L S S VM 和L O F-P S O-L S S VM对比组外,其他组的预测精度均得到了不同程度的提升,说明对原始序列的异常值修正能有效提高预测精度.(5)对比考虑异常值修正和S S A分解去噪的3个模型L O F-S S A-A R I MA㊁L O F-S S A-L S S VM㊁L O F-S S A-P S O-L S S VM与相应的单一模型㊁仅去噪处理的单一模型㊁仅异常值修正处理的单一模型,发现同时进行异常值修正和去噪处理后的模型,预测结果MA E㊁MA P E均是最小的,说明构建预测模型之前对时间序列进行异常值修正和去噪处理对提高模型预测精度是有效的.(6)对比L O F-S S A-A R I MA㊁L O F-S S A-L S S-VM㊁L O F-S S A-P S O-L S S VM这3个模型发现,在3组训练集上,均满足L O F-S S A-P S O-L S S VM模型预测精度最高.说明对于上海月度旅游客流量数据,L O F-S S A-P S O-L S S VM作为预测模型是最优的.3结论旅游客流量序列往往受到经济发展等多种因素的影响而产生异常值.本文以我国重点旅游城市上海市2004年1月至2018年12月旅游客流量月度数据为实例,采用X12季节分解方法消除原始序列的季节性影响,借助基于密度的异常值检测算法L O F对序列中可能存在的异常值进行检测,同时运用插值及L S S VM进行异常值修正,此外,引入S S A 分解对修正后的时间序列进行降噪处理.最后使用L O F-S S A-P S O-L S S VM模型对旅游客流量进行了滚动预测,结论如下.(1)由于受到特殊事件的影响,时间序列数据中可能包含异常值和噪声项,会影响到预测模型的参数估计,导致预测模型的预测精度下降.实证研究的预测误差表明,时间序列中异常值的检测和修正以及使用S S A方法对时间序列进行降噪处理能有效降低预测误差,改进模型的预测性能.(2)L O F-S S A-P S O-L S S VM模型综合了异常值修正㊁噪声提取㊁P S O参数寻优和L S S VM非线性处理能力的优势,相比线性模型A R I MA和未参数优化的模型L S S VM,能有效提升模型预测精度,更适合预测短期的旅游客流量.本文综合考虑了旅游客流量序列中季节性㊁异常值㊁噪声项对预测精度的干扰,并建立P S O参数寻优条件下的L S S VM人工智能模型,这为复杂旅游客流量序列的预测提供了一个新的思路和方法.根据上海旅游客流量的季节性特点,可针对不同季节制定相应的资源管理和调度措施,为游客提供优质的服务保障.模型后续的改进方向,可从互联网数据的角度拓展旅游客流量的数据来源,结合已有的旅游客流量预测模型,进一步提高模型预测精度,从而为旅游市场提供更好的指导意义.参考文献:[1]T S U IW,B A L L IH O,G I L B E Y A,e t a l.F o r e c a s t i n g o fH o n g K o n g a i r p o r t's p a s s e n g e r t h r o u g h p u t[J].T o u r i s m M a n a g e m e n t,2014,42:62-76.[2]F I L D E SR,W E IY,I S MA I LS.E v a l u a t i n g t h e f o r e c a s-t i n gp e r f o r m a n c e o f e c o n o m e t r i cm o d e l s o f a i r p a s s e n g e r t r a f f i c f l o w su s i n g m u l t i p l e e r r o rm e a s u r e s[J].I n t e r n a-t i o n a l J o u r n a l o fF o r e c a s t i n g,2011,27(3):902-922.[3]周力.构建旅游消费价格指数对城乡居民旅游消费预测的实证分析基于V A R模型的检验[J].价格月刊, 2019(6):1-5.[4]梁昌勇,马银超,陈荣,等.基于S V R-A R MA组合模型的日旅游需求预测[J].管理工程学报,2015,29(1): 122-127.[5]Y A N G H H,C H E NSH,HU N GJY,e t a l.U t i l i z a t i o n o f g e n e t i c p r o g r a mm i n g t oe s t a b l i s hd e m a n d f o r e c a s t i n T a i w a n i n t e r n a t i o n a l f l i g h t s[C]//2n d I n t e r n a t i o n a l C o n-f e r e n c eo nI n f o r m a t i o nE n g i n e e r i n g a n dC o m p u t e rS c i-e n c e.I E E E,2010:1-4.[6]陈荣,梁昌勇.基于季节S V R的节假日旅游客流量预测[J].统计与决策,2013(9):82-84.[7]王晓光,张弢,周慧.基于L S-S VM的管道腐蚀速率灰色组合预测模型[J].数学的实践与认识,2014,44(7): 82-87.[8]刘文颖,门德月,梁纪峰,等.基于灰色关联度与L S S VM 组合的月度负荷预测[J].电网技术,2012,36(8):228-232.[9]S U N W,L I U X Y.A p p l i c a t i o nr e s e a r c ho fP S O-L S S-VM i nc a r b o ne m i s s i o n p r e d i c t i o ni n H e b e iP r o v i n c e [C]//P r o c e e d i n g s o f20194t hI n t e r n a t i o n a lC o n f e r e n c e o n A d v a n c e s i n E n e r g y a n d E n v i r o n m e n t R e s e a r c h(I C A E E R2019).香港环球科研协会,2019:1136-1138.[10]赵坤,覃锡忠,贾振红,等.基于C S算法改进E L M的时间序列预测[J].计算机工程与设计,2018,39(8):53第3期张娟:基于L O F-S S A-P S O-L S S VM模型的旅游客流量预测2649-2653.[11]L I A N Y,W E IH,WA N GJS,e t a l.C h r o m o s o m e-l e v e lr e f e r e n c e g e n o m e o fX12,ah i g h l y v i r u l e n t r a c eo f t h e s o y b e a n c y s t n e m a t o d eh e t e r o d e r a g l y c i n e s[J].M o l e c-u l a rE c o l o g y R e s o u r c e s,2019,19(6):1637-1646. [12]刘德彪,李夕兵,李响,等.基于L O F的K-m e a n s聚类方法及其在微震监测中的应用[J].中国安全生产科学技术,2019,15(6):81-87.[13]S U N Y X,L E N GB,G U A N W.An o v e lw a v e l e t-S VMs h o r t-t i m e p a s s e n g e r f l o w p r e d i c t i o n i nB e i j i n g s u b w a y s y s t e m[J].N e u r o c o m p u t i n g,2015,166:109-121.[14]I G HO RSDS,C A R L O SR,HA L LB,e t a l.M u l t i-r e s-o l u t i o nw a v e l e t a n a l y s i s f o rn o i s e r e d u c t i o n i n i m p u l s ep u n c t u r e v o l t a g e m e a s u r e m e n t s[J].M e a s u r e m e n t, 2020,153:107416.[15]Z HA N G X,Y U L,WA N GS Y,e t a l.E s t i m a t i n g t h ei m p a c t o f e x t r e m e e v e n t s o nc r u d eo i l p r i c e:A nE M D-b a s e de v e n ta n a l y s i s m e t h o d[J].E n e r g y Ec o n o m i c s,2009,31(5):768-778.[16]郭战坤,梁小珍,杨明歌,等.基于异常值检测的港口集装箱吞吐量预测模型[J].数学的实践与认识,2019,49(17):26-34.[17]梁小珍,郭战坤,张倩文,等.基于奇异谱分析的航空客运需求分析与分解集成预测模型[J].系统工程理论与实践,2020,40(7):1844-1855.T o u r i s t f l o w p r e d i c t i o nb a s e do nL O F-S S A-P S O-L S S V M m o d e lZ HA N GJ u a n(C o l l e g e o fM a t h e m a t i c s a n dS t a t i s t i c s,H u l u n b u i rC o l l e g e,021008,H u l u n b u i r,I n n e rM o n g o l i a,P R C)A b s t r a c t:I nv i e wo f t h e c o m p l e x i t y o f t h e i n f l u e n c e f a c t o r s o fm o n t h l y t o u r i s t t r a f f i c a n d t h e c h a r a c t e r-i s t i c s o f p o s s i b l eo u t l i e r sa n dn o i s ei nt h et i m es e r i e sd a t a,aL O F-S S A-P S O-L S S VM p r e d i c t i o n m o d e lb a s e do n l oc a l a n o m a l y f a c t o r(L O F)a nd s i n g u l a r s pe c t r a l a n a l y s i s(S S A)i s p r o p o s e d.I n t h e d a t a p r e p r o-c e s s i n g s t a g e,t h eo r i g i n a ls e q u e n c ei sde c o m p o s e db y X12s e a s o na d d i t i o n m o d e l t oe l i m i n a t es e a s o n a l ef f e c t s,t h e o u t l i e r o f t h e s e a s o n a l l y a d j u s t e d s e q u e n c e i s d e t e c t e d b y L O Fm e t h o d,a n d t h e o u t l i e r i s c o r r e c-t e db y i n t e r p o l a t i o na n d l e a s t s q u a r e s u p p o r t v e c t o rm a c h i n e(L S S VM)m e t h o d.T h en e w p r e d i c t a b l e s e-q u e n c e i s a d d e db y t h e r e v i s e d s e a s o n a l a d j u s t m e n t s e q u e n c ew i t h t h e s e a s o n a l f a c t o r s e q u e n c e.I n t h e p r e-d i c t i o n p h a s e,t h e s i ng u l a r s p e c t r a l a n a l y s i s(S S A)m e th o di s u s e d t o e l i m i n a t e t h e n o i s e i n t h e n e w p r e d i c-t i o n s e q u e n c e,a n d t h e nt h eP S O-L S S VM m e t h o d i su s e dt o p r e d i c t i t.T a k i n g t h e f o r e c a s to f t h e t o u r i s t t r a f f i c s e q u e n c e f r o mJ a n u a r y2004t oD e c e m b e r2018i nS h a n g h a i a s a n e x a m p l e,i t i s s h o w n t h a t t h eL O F-S S A-P S O-L S S VM m o d e l c a ne f f e c t i v e l y i m p r o v e t h e p r e d i c t i o na c c u r a c y a n ds t a b i l i t y o f t o u r i s t t r a f f i cb y c o m p a r i s o nw i t hA R I MAa n dL S S VM m o d e l s.K e y w o r d s:t o u r i s t t r a f f i c f o r e c a s t;l o c a l a n o m a l y f a c t o r;m i n i m u mt w o-w a y s u p p o r tv e c t o r m a c h i n e; p a r t i c l e g r o u p e x c e l l e n c e;s i n g u l a r s p e c t r a l a n a l y s i s63曲阜师范大学学报(自然科学版)2023年。

基于LSSVM的惯性_卫星紧组合导航系统缓变故障检测方法_钟丽娜

DOI:10.13695/ki.12-1222/o3.2012.06.022
第 20 卷第 6 期 2012 年 12 月文章编号：1005-6734(2012)06-0754-05
中国惯性技术学报 Journal of Chinese Inertial Technology
Vol.20 No.6 Dec. 2012
(SVM)的一种改进。 LS-SVM 与传统支持向量机相比，
将不等式约束改为等式约束，从而将二次规划问题转
756
中国惯性技术学报
第 20 卷
化为求解线性方程组问题，提高了求解问题的速度和收敛精度。设训练样本集为 D={(xk,yk)|k=1,2,…,N} ，其中
2.2 基于 LS-SVM 的缓变故障检测算法
Abstract: Aiming at improving the instantaneity of detecting slowly growing errors with the autonomous integrity monitored extrapolation(AIME) method in the INS/GNSS tightly-coupled navigation system, this paper presented a new method based on least squares support vector machine(LS-SVM) combined with AIME. The method replaces the innovation of Kalman filter by the forecasted innovation of the Least squares support vector machine regression, which is used for the test statistics. The new method presented in this paper could reduce the influence of fault tracking caused by Kalman filter, so the real-time ability of slowly growing errors detection can be improved. Simulation results show that, the delay time of slowly growing errors detection is reduced by 1.3 times. The method based on Least squares support vector machine has better detection ability than traditional autonomous integrity monitored extrapolation method when detecting slowly growing errors. Key words: integrated navigation; tightly-coupled; slowly growing error; least squares support vector machine; autonomous integrity monitored extrapolation 惯性 / 卫星紧组合导航系统采用卫星导航系统原始观测信息伪距、伪距率作为系统观测量，具有较好的精度、动态性能及容错性，在复杂的环境下能够保持较好的特性。但是，由于受到时钟漂移、轨道参数建模误差的影响，伪距、伪距率观测量容易产生缓变斜坡误差，同时这一类误差变化缓慢，不易被检

ls-svm回归需求功率 -回复

ls-svm回归需求功率-回复lssvm回归是一种基于支持向量机的回归方法，可用于预测不同自变量与因变量之间的非线性关系。

在这篇文章中，我们将详细解释lssvm回归的原理和应用，并以需求功率为例，演示如何使用lssvm回归来预测需求功率的变化。

第一部分：概述在现代社会中，需求功率的准确预测对电力系统的运行和规划至关重要。

传统的线性回归方法在面对非线性关系时表现不佳，因此需要一种更强大的预测模型。

lssvm回归正是为了解决这个问题而提出的一种方法。

第二部分：lssvm回归原理lssvm回归与传统的支持向量机(SVM)相似，但有一些关键区别。

支持向量机分类问题是通过找出一个最优超平面，将不同类别的样本点分开。

而在lssvm回归中，我们要拟合一个函数，以预测连续的因变量。

其基本思想是通过构建一个非线性映射将数据从输入空间映射到高维特征空间，从而在特征空间中寻找最优线性回归函数。

具体而言，lssvm回归的目标是最小化目标函数，该函数包括两个部分：一个表示模型误差的平方和，另一个表示模型复杂度的正则化项。

通过引入一个惩罚参数来平衡这两个部分，我们可以在模型的复杂度和预测准确度之间找到一个合适的平衡。

第三部分：数据准备在应用lssvm回归之前，我们首先需要准备好训练数据和测试数据。

对于需求功率的预测问题，我们可以收集过去一段时间内的历史需求功率数据作为训练数据，然后将新的自变量输入模型以预测未来的需求功率。

此外，我们还要考虑到可能会影响需求功率的其他因素，如温度、湿度、时间等。

这些变量可以作为额外的自变量输入到lssvm回归模型中，以提高预测的准确性。

第四部分：模型训练与参数选择在准备好数据后，我们可以使用训练数据来训练lssvm回归模型。

模型训练的过程涉及到选择合适的惩罚参数和核函数参数。

惩罚参数决定了模型对误差的容忍程度，过小的惩罚参数会导致过拟合，而过大的惩罚参数会导致欠拟合。

通过交叉验证等方法，我们可以选择一个最佳的惩罚参数。

多变量非高斯风压的高性能智能预测

多变量非高斯风压的高性能智能预测LI Chunxiang;TU Weiping【摘要】为了提高最小二乘支持向量机(LSSVM)对多变量非高斯风压预测的精度和泛化能力,采用混合蚁群(ACO)和粒子群(PSO)智能算法优化LSSVM的正则化参数和核参数,从而形成了混合智能优化LSSVM(称为ACO+PSO-LSSVM)多变量非高斯风压预测算法.使用现场实测多变量非高斯风压数据,对ACO+ PSO-LSSVM多变量非高斯风压预测算法的性能进行验证,并与基于蚁群(ACO)和粒子群(PSO)智能优化LSSVM(分别称为ACO-LSSVM和PSO-LSSVM)的预测结果进行比较.比较结果表明,对于多变量非高斯风压预测,混合智能优化LSSVM(ACO+ PSO-LSSVM)是高性能预测性算法,具有工程应用前景.【期刊名称】《振动与冲击》【年(卷),期】2019(038)011【总页数】9页(P249-257)【关键词】混合智能优化;最小二乘支持向量机;多变量;非高斯风压;预测性能【作者】LI Chunxiang;TU Weiping【作者单位】;【正文语种】中文【中图分类】TU311当今，世界范围内超高层建筑的高度和大跨桥梁的跨度已成为许多国家经济和技术实力的重要体现。

我国在这方面已经处于世界领先地位。

例如，已建成及在建的600 m以上超高层建筑有苏州中南中心、深圳平安国际金融中心、武汉绿地中心、上海中心大厦和天津高银117大厦，标志我国已处于千米高度级超高层建筑的发展初期。

而将于2019年建成的沪通长江大桥为主跨1 092 m的钢桁梁斜拉桥结构，为目前世界上最大跨径的公铁两用斜拉桥。

这些结构高柔/长柔、低频、低阻尼水平，对风荷载相当地敏感，在极端风作用下超高层建筑和特大跨桥梁会产生剧烈的风致振动。

因此，在这两类重大工程的设计过程中，极端风荷载已经成为控制结构安全性和使用性的关键因素之一。

极端风，包括台风(Typhoon)或飓风(Hurricane)、下击暴流和龙卷风，其破坏力巨大。

基于粒子群优化最小二乘向量机的地震预测模型

基于粒子群优化最小二乘向量机的地震预测模型徐松金;龙文【摘要】为解决地震预测中最小二乘向量机(LSSVM)模型的参数难以确定的问题,利用粒子群算法(PSO)的收敛速度快和全局优化能力,优化LSSVM模型的惩罚因子和核函数参数,建立了PSO-LSSVM地震预测模型.通过对地震实例的预测仿真及其相关分析表明该方法的有效性.该方法优于传统的神经网络和支持向量机的地震预测方法,可以有效提高预测效能.%In order to overcome the problem of the uncertain parameters in LSSVM model, the PSO-LSSVM prediction model concerning earthquake forecast is developed, which is based on the particle swarm optimization algorithm with abilities of fast convergence and global optimiza-tion. The simulation results show that the proposed method is an effective tool for the prediction of earthquake, and it can effectively enhance the prediction accuracy compared with the way using neural network and support vector machine model.【期刊名称】《地震工程学报》【年(卷),期】2012(034)003【总页数】5页(P220-223,233)【关键词】粒子群优化算法;最小二乘向量机模型;地震预测;参数【作者】徐松金;龙文【作者单位】铜仁学院数学与计算机科学系,贵州铜仁 554300;贵州财经学院贵州省经济系统仿真重点实验室,贵州贵阳 550004【正文语种】中文【中图分类】P315.71Abstract：In order to overcome the problem of the uncertain parametersin LSSVM model，the PSO－LSSVM prediction model concerning earthquake forecast is developed，which is based on the particle swarm optimization algorithm with abilities of fast convergence and global optimization．The simulation results show that the proposed method is an effective tool for the prediction of earthquake，and it can effectively enhance the prediction accuracy compared with the way using neural network and support vector machine model．Key words：Particle swarm optimization（PSO）；Least squares support vector machine（LSSVM）model；Earthquake forecast；Parameter地震孕育过程是一个不稳定的过程。

基于混合智能算法优化LSSVM的短期风压预测

基于混合智能算法优化LSSVM的短期风压预测涂伟平;李春祥【摘要】利用最小二乘支持向量机(least square support vectormachine,LSSVM)预测建筑表面的风压.为提高LSSVM对风压预测的泛化能力与精度,提出了基于混合蚁群(ant colony optimization,ACO)和粒子群(particle swarm optimization,PSO)优化LSSVM的预测方法(ACO+PSO-LSSVM),对参数进行搜索寻优,该方法避免了ACO和PSO二者的缺点并实现优势互补.利用ACO+PSO-LSSVM算法对建筑表面风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM算法作比较.结果表明,基于混合蚁群优化和粒子群优化的LSSVM预测模型预测精度高、鲁棒性强,具有较高的工程应用前景.【期刊名称】《上海大学学报（自然科学版）》【年(卷),期】2019(025)002【总页数】10页(P347-356)【关键词】风压预测;最小二乘支持向量机;智能算法;蚁群优化算法;粒子群优化算法【作者】涂伟平;李春祥【作者单位】上海大学土木工程系, 上海200444;上海大学土木工程系, 上海200444【正文语种】中文【中图分类】TU311对于跨度较大、高度较高、柔性强的建筑结构,风荷载是其建筑设计、施工及运营使用阶段的重要影响因素.建筑表面的风荷载,特别是非高斯性较强的脉动风,可能会使建筑物发生较大的风致振动,从而影响建筑的正常使用[1].因此,对风荷载特别是对非高斯性较强的脉动风荷载进行研究就显得很有必要.为获得建筑结构表面的风场数据,目前国内外主要有计算流体动力学(computational f l uid dynamics,CFD)、风洞试验、现场实测等手段.虽然现场实测方法操作困难、耗时耗资太大,获取风场数据受到很大限制,但确是研究风场特性最为真实和直接的手段,也能给目前的各种试验方法和理论模型提供坚实的指导[2].因此,利用现场实测方法获取风场数据是结构抗风研究的重点,也是研究风荷载的长期方向.近几年,随着信息科学和技术的迅猛发展,越来越多的学者致力于使用数据驱动技术进行结构风场数据的预测.支持向量机(support vector machine,SVM)因计算速度快、预测精度高、控制参数少等优点而受到广泛应用.最小二乘支持向量机(least square support vector machine,LSSVM)大大简化了传统的支持向量机的计算过程,因此具有很大的实用性.利用已知风场数据对LSSVM训练建模预测未知风场数据方面的研究已经取得一定进展,其中对LSSVM的参数进行优化是近几年的一大热点.孙斌等[3]利用粒子群算法(particle swarm optimization,PSO)优化LSSVM 后对原始风电场风速进行预测,大大提高了LSSVM的预测性能.曾杰等[4]使用蚁群算法(ant colony optimization,ACO)优化LSSVM后预测风电场风速,预测效果较为理想.对LSSVM进行参数寻优,大多数学者主要集中在单个的智能优化算法,将两个或者两个以上的智能算法进行结合来优化LSSVM参数的研究比较少见.本工作通过分析ACO和PSO的优缺点,将二者结合提出了基于混合蚁群和粒子群算法优化LSSVM的预测模型(ACO+PSO-LSSVM).ACO+PSO-LSSVM模型不仅结合了ACO强大的全局搜索能力和PSO运算速度快的优点,还解决了ACO迭代时间长和PSO容易陷入局部寻优的问题,进而改善了LSSVM的预测性能.为了验证ACO+PSO-LSSVM预测模型的实用性和优越性,本工作对某一建筑表面的风压进行单点和空间点预测,并与ACO-LSSVM和PSO-LSSVM模型的预测结果进行了对比分析.1 LSSVM预测模型1999年Suykens等[5]提出LSSVM的概念.LSSVM发展于SVM,是利用最小二乘线性系统代替SVM中解决凸优化问题用到的二次规划方法[6].LSSVM的基本原理如下:首先将原始空间Rn中的样本通过一个非线性映射φ(x)转换到特征空间ϕ(xi),并在特征空间ϕ(xi)中构造出线性决策函数式中,φ(·)是非线性映射函数,ω是权向量,b是偏置量.基于结构风险最小化(structure risk minimization,SRM)准则,LSSVM的优化问题定义为式中,为正则化参数,且>0,ξi为松弛因子.在式(2)中引入Lagrange乘数法,可得,式中,αi为Lagrange乘子.根据KKT(Karush-Kuhn-Tucker)优化条件,依次对ω,b,ξ,α求偏导并令偏导数为0,可得到如下关于α和b的矩阵方程.式中: Ω = φ(xi)T(xj)=K(xi,xj),i,j=1,2,···,N,K(·)为核函数;I 为单位矩阵. 经过求解,可得到LSSVM解决非线性问题的回归函数式(5)中核函数K(·)的类型直接影响LSSVM的性能,本工作选择应用最广泛的高斯径向基函数(radial basis function,RBF)作为LSSVM的核函数,即K(xi,xj)=exp(−kxi−xjk2/2σ2).在确定了核函数之后,LSSVM的控制参数只有核函数参数σ和正则化参数γ.2 混合ACO和PSO2.1 智能优化算法蚁群算法[7]自20世纪由意大利学者Dorigo提出后,被不少学者应用于优化LSSVM的参数.该算法来源于对自然界蚂蚁群觅食行为的研究,通过人工仿照蚁群在觅食途径上留下的“信息素”的方法而找到所求问题的最优解。

基于FOA优化混合核LSSVM的铁路货运量预测

基于FOA优化混合核LSSVM的铁路货运量预测耿立艳;陈丽华【期刊名称】《计算机应用研究》【年(卷),期】2017(34)2【摘要】It is difficult for the single-kernel least squares support vector machines (LSSVM) to describe accurately the complexity change feature of volumes in railway freight volume forecasting,which limits the improvement of forecasting accuracy.To solve the problem,this paper proposed a new forecasting method based on fruit fly optimization algorithm (FOA) and mixed-kernel LSSVM.First,it constructed the mixed-kernel LSSVM for railway traffic volume forecasting,in which the mixed kernel function that linearly combined polynomial kernel and radial basis kernel was used as the kernel function of LSSVM.Second,it employed FOA to optimize the parameters of the mixed-kernel LSSVM based on the advantages of the global searching ability and quick computing speed.Finally,it used the railway traffic volume of China to prove the effectiveness of the provided method.The results show that the value of RMSE,MAE,MPE and THEIL of the proposed method are 8 433.0,6670.8,0.018 0 and 0.011 7,respectively,being less than the other methods.The time for searching the optimal parameters in the mixed-kernel LSSVM by FOA is 40.294 8 s,reducing 2.620 8 s and 20.701 6 s relative to genetic algorithm (GA) and particle swarm optimization (PSO)algorithm.The proposed method is applicable to forecasting short-term railway freight volumes.%单一核最小二乘支持向量机(LSSVM)在铁路货运量预测中难以准确描述货运量的复杂变化特征,限制了预测精度的提高.针对该问题,提出一种基于果蝇算法(FOA)优化混合核LSSVM的预测方法.以多项式核与径向基核组合的混合核函数作为LSSVM核函数,构建铁路货运量的混合核LSSVM预测模型,同时利用FOA全局寻优能力强、计算速度快等优点优化选择混合核LSSVM参数.以我国铁路货运量为例进行方法验证.结果表明,所提方法的RMSE、MAE、MAPE 和THEIL值分别为8 433.0、6 670.8、0.018 0和0.011 7,均小于其他模型,FOA 算法搜索混合核LSSVM参数的时间为40.2948 s,分别比GA和PSO算法减少了2.6208 s和20.701 6s,适合于铁路货运量的短期预测.【总页数】4页(P409-412)【作者】耿立艳;陈丽华【作者单位】石家庄铁道大学经济管理学院,石家庄050043;曼彻斯特城市大学商学院,曼彻斯特英国M156BH;北京大学光华管理学院,北京100871【正文语种】中文【中图分类】U294.13【相关文献】1.基于灰色自适应粒子群LSSVM的铁路货运量预测 [J], 耿立艳;梁毅刚2.基于BP-SA混合优化策略的铁路货运量时间序列预测 [J], 侯福均;吴祈宗3.基于混合核函数FOA-LSSVM的预测模型 [J], 周金明;王传玉;何帮强4.改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测 [J], 周建友;张凯威5.基于二阶数据分解算法和蝗虫优化混合核LSSVM的太阳辐照度预测模型研究[J], 吴小涛;袁晓辉;袁艳斌;易凡茹;朱婧巍;吴育联因版权原因，仅展示原文概要，查看原文内容请购买。

基于遗传算法优化的LS-SVM井下场强预测

基于遗传算法优化的LS-SVM井下场强预测
王安义;郗茜
【期刊名称】《工矿自动化》
【年(卷),期】2016(0)12
【摘要】为了进一步研究井下电波传播损耗规律,提高场强覆盖预测准确度,提出使用基于遗传算法优化的最小二乘支持向量机方法对井下巷道的场强进行预测.首先通过软件仿真生成巷道场强数据,并将数据分为训练集和测试集;然后采用最小二乘支持向量机方法对训练集进行学习,并使用遗传算法对最小二乘支持向量机方法的参数选择进行优化,采用测试集对方法性能进行验证;最后将基于遗传算法优化的最小二乘支持向量机方法用于井下巷道的场强预测.仿真实验结果表明,基于遗传算法优化的最小二乘支持向量机方法能够有效提高井下场强预测的精度,可获得较好的预测效果.
【总页数】5页(P46-50)
【作者】王安义;郗茜
【作者单位】西安科技大学通信与信息工程学院,陕西西安710054;西安科技大学通信与信息工程学院,陕西西安710054
【正文语种】中文
【中图分类】TD655
【相关文献】
1.基于遗传算法优化LS-SVM的短期电力负荷预测研究 [J], 张政国;吴延增
2.基于遗传算法优化小波神经网络的井下电缆故障测距方法 [J], 田书;赵敏
3.基于LS-SVM的矿井巷道场强预测 [J], 王安义;郭世坤
4.基于混沌遗传算法优化的LS-SVM边坡位移预测 [J], 杨念江;樊方涛
5.基于遗传算法优化的LS-SVM模型的应用研究 [J], 刘险峰;郭志钢;朱小梅因版权原因，仅展示原文概要，查看原文内容请购买。

HEV电池预测的留一交叉验证优化LS-SVM方法

HEV电池预测的留一交叉验证优化LS-SVM方法
李可;赵德安
【期刊名称】《电源技术》
【年(卷),期】2014(000)011
【摘要】针对混合动力汽车(HEV)电池剩余容量()判别问题，将最小二乘支持向量机方法应用于混合动力汽车电池荷电状态的预测。

考虑到最小二乘支持向量机的参数选择会对预测结果产生较大的影响，提出了基于留一交叉验证优化最小二乘支持向量机的预测方法。

将电池的工作电压、工作电流和表面温度参数用来预测蓄电池的荷电状态实时值，在欧洲城市行驶循环工况(EUDS)条件下进行实验验证，结果表明：所设计预测模型能够实时准确地预测出值，有效性高。

【总页数】4页(P2059-2062)
【作者】李可;赵德安
【作者单位】江苏大学电气学院，江苏镇江212013;江苏大学电气学院，江苏镇江212013
【正文语种】中文
【中图分类】TM912
【相关文献】
1.基于LS-SVM的铅酸蓄电池极化电势预测模型研究 [J], 李匡成;杨亚丽;孙磊;刘瑾
2.基于混沌优化的LS-SVM非线性预测控制方法 [J], 杨红;罗飞;许玉格;梁筱斌
3.基于参数优化的最小二乘支持向量机HEV阀控铅酸蓄电池SOC预测 [J], 王琪;孙玉坤;黄永红
4.基于快速留—交叉验证法的在线递推最小二乘支持向量机建模方法 [J], 邵伟明;田学民
5.基于混沌时间序列LS-SVM的车用锂离子电池SOC预测研究 [J], 徐东辉
因版权原因，仅展示原文概要，查看原文内容请购买。