基于核主成分KPCA的LS-SVM的算法分析

主成分分析（PCA）是一种重要的特征抽取方法,而核主成分分析（KPCA）是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机（LS-SVM）是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机（LS-SVM）建模方法具有更良好的推广性。     

基于WLS-SVM的飞机状态监控与预测方法

介绍了加权最小二乘支持向量机(WLS-SVM)在时间序列预测中应用的基本方法,给出了一维时间序列建模预测的一般框架。提出采用BIC准则选取嵌入维数,并给出了基于统计量的模型性能评价方法。针对飞机发动机的典型状态参数,分别进行基于加权最小二乘支持向量机和AR模型的建模与预测,给出了详细的比较结果。试验表明,由于加权最小二乘支持向量机采用了新型的结构风险最小化准则,因而表现出优秀的推广能力,可预测区间较长且具有较高的准确度。     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于核函数主元分析的SVM建模方法及应用

为有效克服线性建模方法在非线性建模方面的不足,将核函数思想引入到主元分析方法(PCA)中,有效提取实验数据中的非线性特征信息,并将其作为支持向量机(SVM)的输入变量,建立工业过程软测量模型。该方法应用于丙烯腈聚合过程中转化率的预报,结果表明:该方法的预测精度优于PCA-SVM方法和KPCA-NN方法。     

基于GM-PLS组合模型预测一次能源消费

为了预测一次能源消费量及其由此引起的污染物排放量,建立了偏最小二乘回归与GM(1,1)优化组合模型(GM—PLS)。用大连市历史年的一次能源数据分别建立了单项模型和优化组合模型并进行了验证比较。结果表明,组合预测的相对误差仅为1．70％,高于两种方法单独预测时的精度。选取了国内生产总值GDP、总人口数、第二产业占国民经济的比重及煤炭消费占一次能源消费的比重4个自变量用组合模型对大连市规划年的一次能源消费量进行了预测。结果表明,一次能源消费将会逐年增加。如果天然气的供给量能达到预测值,用其替代煤,则2020年由一次能源产生污染物的量将减少15．53万t。     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

基于最小二乘支持向量机的福建省GDP预测研究

提出一种基于最小二乘支持向量机的福建省GDP预测方法.采用径向基核函数进行仿真模拟,经过参数选优建立了精度较高的预测模型.预测结果表明,利用最小二乘支持向量机进行预测具有误差小、拟合程度高等优点,可适用于GDP的预测.     

基于KPCA和LSSVM的氧化铝粉流量预测

针对氧化铝粉流量需在线精确测量,在线分析仪表成本较高和测量滞后的问题,提出了一种将核主元分析(KPCA)和最小二乘支持向量机(LSSVM)两种方法相结合的软测量混合建模方法,通过核主元分析(KPCA)提取数据非线性主元,并利用最小二乘支持向量机(LSSVM)建立氧化铝粉流量预测模型,预测结果表明该模型具有更好的非线性数据处理能力,运算速度快、跟踪性能好以及泛化能力强等优点,能满足氧化铝粉流量的在线测量要求.     

基于核主元分析与支持向量机的监控诊断方法及其应用

为了及时反映密闭鼓风炉冶炼过程状态,实现对密闭鼓风炉炉况的监控与诊断,提出核主元分析和多支持向量机分类的相结合的过程监控与故障诊断方法.其原理是:首先,用核主元分析方法提取过程数据特征,建立核主元分析的监控模型;然后,将代表过程特征的核主元送入多支持向量机分类器中,利用"一对其余"算法对故障进行诊断与分类.实验结果表明,所提出的方法与传统的主元分析方法相比,整个样本集的可分性变大,分类正确率提高,能更准确地诊断炉子的各种故障,可有效地用于密闭鼓风炉冶炼过程的故障诊断.     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

基于SSA-LSSVM的住宅工程造价预测研究

【目的】提高建筑工程造价预测的准确性,进而为项目前期投资决策提供重要依据。【方法】针对工程实践中小样本数据和工程造价特征指标之间高维、非线性关系的特点,构建基于麻雀搜索算法（sparrow search algorithm,SSA）的优化最小二乘支持向量机（least squares support vector machine,LSSVM）造价预测模型SSA-LSSVM。首先,通过主成分分析法对住宅工程造价样本的输入指标数据进行处理,减少数据冗余;其次,采用SSA算法对LSSVM模型中的正则化参数c和核函数参数σ进行优化,以弥补LSSVM模型参数确定困难的缺陷;最后,将处理后的数据导入所构建的模型进行训练和预测,并通过相关系数、平均绝对百分比误差和均方根误差对模型的预测性能进行评价。【结果】与LSSVM模型、用灰狼优化算法优化的LSSVM模型和反向传播神经网络模型相比,SSA-LSSVM模型具有更好的泛化能力和更高的预测精度。【结论】本研究所构建的模型可以比较精准、高效地对实际住宅工程造价进行预测,同时可为工程前期投资决策提供一定参考。     

基于SA-LSSVM的电力短期负荷预测

提出融合模拟退火（Simulated annealing,SA）和最小二乘支持向量机（Least Square Support Vector Machine,LSSVM）的电力短期负荷预测方法.由于LSSVM的预测精度依赖于其参数的选择,并且难以选取合适的参数值,因此,参数选择是LSSVM的一个关键问题.为了提高参数选择的质量和效率,采用SA算法进行LSSVM的参数寻优.以某市2010年1月1日至2011年1月7日的电力负荷数据和气象数据进行仿真实验, 实验结果表明该方法具有较高的预测精度.     

基于LS-SVM方法的晴空逐时太阳辐射模型

利用浙江省杭州和椒江两站2003-2005年的晴空逐时气象数据,采用最小二乘支持向量机方法(LS-SVM),建立了晴空逐时太阳辐射模型.模型的输入因子为逐时天文辐射、气温、气压、水汽压、能见度和风速等要素,输出因子为逐时太阳辐射.模型数据分为2部分,其中2003年的数据用于训练建模,2004-2005年的数据用于模型的评估.结果表明,LS-SVM方法能够很好地模拟气象要素对太阳辐射的非线性影响,建立的太阳辐射模型精度较高,模型的解释性方差R2为0.950 5,均方根误差ERMS-0.159 0 MJ·m-2,平均误差EMB和平均绝对误差EMAB分别为0.005 3和0.124 1 MJ·m-2.根据浙江省68个气象站2005-12-15T14:00的气象要素,估算出的太阳辐射为1.39～2.24 MJ.m-2.基于LS-SVM方法的晴空逐时太阳辐射模型具有很好的学习推广能力,利用常规的气象观测资料,即可模拟出具有相似气候背景下的晴空逐时太阳辐射,为太阳辐射遥感反演提供地面数据.     

基于LS-SVM的无人机费用预测

无人机费用预测是在装备研制设计阶段就必须考虑的重要问题。针对无人机费用预测小样本、具有不确定性等特点,提出了基于最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machines)的无人机费用预测模型,并应用于研制费用、维修保障费用预测。应用结果表明,LS-SVM具有较高的费用预测精度。     

高炉生产过程的智能预测建模

针对高炉生产过程的复杂性、非线性以及强耦合、多变量、难测量等特点,提出铁水硅含量的智能复合多变量预测模型对高炉生产过程进行建模.整个系统分为两部分:首先离线建立不同工况下铁水硅含量的多变量预测模型:然后运用模糊逻辑推理建立各模型输出、实际输出与模型权重之间的对应关系,进行多模型智能融合,生成复合模型,并对其进行在线调整以优化预测过程.研究结果表明:采用此方法计算周期短,对被控对象的变化有较强的鲁棒性:该系统预测误差小,能够快速适应工况的变化,实用性好.     

基于KPCA-LSSVM的丁苯橡胶聚合转化率软测量

针对丁苯橡胶聚合转化率需在线实时预测,考虑实际工况的复杂性,首先采用具有较强非线性特征提取能力的核主元分析(KPCA)对数据进行前期处理,然后将其结果作为具有学习速度快、泛化能力强的最小二乘支持向量机(LSSVM)的输入,并以交叉验证法对LSSVM参数寻优,从而获得丁苯橡胶聚合转化率软测量模型.经采用工业现场数据仿真研究,聚合转化率预测绝对误差大于1.5的比例小于样本总数的10%,说明该模型预测精度能满足生产要求.     

基于PCA和LS-SVM的软测量建模与应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与最小二乘支持向量机相结合的软测量建模方法,并利用该方法建立了工业阿维菌素发酵过程中的菌丝浓度软测量模型.主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力.应用结果表明,该方法与基于径向基函数神经网络软测量模型相比具有有效性和优越性.     

基于QGA-LSSVM的能源需求预测

能源需求预测是能源规划和政策制定的前提和基础,能源需求预测受到众多因素的影响。为了快速、有效的预测我国对能源的需求,采用量子遗传算法(QGA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立最优的能源预测模型。收集1997—2011年我国能源需求的相关数据作为训练样本和测试样本,对影响能源需求的指标数据,利用因子分析,对关联程度较高的指标数据进行公共因子的提取,减少判别指标间信息交互,通过预测模型的检验,并对比其他预测模型,验证了该模型在能源需求预测中具有极低的误差率。     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.