基于遗传算法和支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,该文提出了1种基于遗传算法和支持向量回归(GA-SVR)的联合算法。通过GA解决SVR模型中的超参数优化问题。GA-SVR随机生成1组染色体,每个染色体包含了相应的SVR超参数信息。利用适应度函数计算出每条染色体的适应度值。根据适应度值对染色体进行选择、基因重组和变异等遗传操作,从而更新染色体的超参数信息。经过多次迭代后,找到适应度最大的染色体。从该染色体中提取相应的超参数信息,并训练最终的SVR预测模型。在美国国家航空航天局(NASA)锂电池数据集上的实验结果表明,该文算法优于基于混合像元核函数的高斯过程回归(SMK-GPR)算法、基于多尺度周期协方差函数的高斯过程回归(P-MGPR)算法、基于多尺度平方指数函数的高斯过程回归(SE-MGPR)算法和改进的基于粒子群优化的支持向量回归(IPSO-SVR)算法。     

基于改进灰狼优化与支持向量回归的锂电池健康状态预测

为了提高锂电池健康状态(SOH)的预测精度,将改进的灰狼优化(IGWO)算法与支持向量回归(SVR)相结合,提出了一种基于改进灰狼优化和支持向量回归(IGWO-SVR)的联合算法。该算法的核心思想是运用改进的GWO算法解决SVR模型中的参数联合寻优问题。IGWO-SVR随机产生1个灰狼种群,灰狼个体的位置向量由SVR模型的3个参数C,σ,ε组成。根据每只灰狼的位置信息进行学习,并计算适应度。按照适应度值对狼群进行分级,对灰狼个体位置进行更新,然后进行差分进化操作,选择优秀个体进入下一代种群,重新计算灰狼个体在新位置的适应度。迭代过程结束后,提取狼群中适应度最优的灰狼位置信息作为最终的SVR模型参数进行训练。在美国国家航空航天局(NASA)锂电池数据集上的实验表明了所提SOH预测方法的有效性。     

基于支持向量回归集成的陀螺仪参数漂移预测

泛化能力是智能方法用于参数预测的最重要的问题之一,提出了支持向量回归集成方法。为了增加个体之间的差异性,提出了基于聚类方法的个体生成方法。首先利用聚类方法将样本分为若干子类,然后用不同结构的支持向量回归学习不同的样本子类,权值由个体在验证集上的泛化误差决定。将ESVR陀螺仪参数飘移数据的预测,并与单支持向量回归,单神经网络,神经网络集成以及组合预测方法进行比较。结果证实,ESVR的预测精度总体高于其他方法。     

PCA支持向量机回归集成股市预测应用

利用主成分分析（PCA）方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于支持向量回归机的交通状态短时预测方法研究

提出基于支持向量回归机的交通状态短时预测方法.具体的做法是,以交通检测器收集到某时刻前几时段及上下游前几时段的交通流量、占有率、平均速度等交通参数为输入,以对应时段交通流量为输出,选取核函数,对支持向量回归机进行训练.应用训练完成的支持向量回归机,输入交通流量、占有率、平均速度,来预测下时段的交通流量.最后,以某城市道路的实时数据来对模型进行验证,预测结果表明了模型的有效性.     

基于支持向量回归的旅游客流量预测

建立以支持向量回归方法为基础的旅游客流量预测模型。以我国深圳市2002年1月到2005年12月的旅游客流量的月度数据作为学习样本,分别选用两种不同的核函数,对学习样本进行建模和预测,并比较选取不同的两个核函数对样本进行预测的效果,说明支持向量回归用于月度旅游客流量预测的有效性。     

基于支持向量回归的非线性时间序列预测

针对实际系统的高度非线性及复杂动态性,把非线性时间序列建模与预测问题转换为函数回归估计问题.把具有全局最优性、较好泛化能力及训练效率高的最小二乘支持向量回归算法应用到非线性时间序列预测与建模中.最后给出了某市年电力负荷预测的应用实例,与传统支持向量回归算法相比,文章描述的方法具有较好的预测精度.     

基于支持向量回归的人体血压预测方法

针对当前基于机器学习的血压测量方法的准确率低下等问题,本文提出了一种基于支持向量回归的高效便捷的血压预测方法。算法首先分析人体生理指标数据与血压之间隐含的关系,建立血压预测模型,然后将算法结果与三个经典机器学习算法(线性回归、神经网络、岭回归)结果进行对比,利用两种评价指标(准确率、均方根误差)对它们进行评估,实验结果表明支持向量回归算法能准确高效地预测血压且优于其它算法模型。     

基于支持向量回归的风电场短期功率预测

针对风电场的短期功率预测,提出了一种考虑风电机组运行条件的用于风电场短期功率预测的新方法.首先,利用风力发电机的监控和数据采集(SCADA)系统数据计算输出功率和运行条件之间的皮尔逊相关系数,验证了SCADA监测项目对风力发电机输出功率的具有相关性;其次,建立支持向量回归(SVR)模型来预测单个风力发电机的风力与气象、运行状态的关系,发现了考虑运行条件的模型的预测结果优于仅考虑气象信息的模型的预测结果;最后,考虑到不同空间位置的风力发电机组对风电场输出功率的贡献不同,建立了各风力发电机预测功率和风电场预测功率输出之间的回归模型.试验结果表明:所提出的风场回归模型的预测误差小于风力涡轮机所有预测功率的模型的预测误差,从而验证了该方法的有效性.     

基于支持向量机的信息融合在筑路质量中的预测

筑路质量受多种因素影响难以在线监测，通过其他易测指标信息融合预测筑路质量可以确保施工质量．选择影响筑路质量的关键因素，对20组施工现场实测数据进行预处理，利用神经网络进行局部时间序列预测，最后基于支持向量信息融合，对筑路质量进行在线学习和预测．3组预留数据预测误差为21％、25％和17％．在数据量较少情况下，基于支持向量机的信息融合方法适用于筑路质量的预测．     

基于进化支持向量机的机械状态预测

为了解决在历史样本数据有限情况下,传统预测方法预测精度低以及支持向量机预测中人为选择参数的盲目性,结合遗传算法和支持向量机的优势,建立了进化支持向量机预测模型。利用该模型对某型电铲发电机组的振动趋势进行预测,研究结果表明,该方法能自动优化参数,提高了预测精度。该方法可应用到其他时间序列预测中,具有较高的应用价值。     

基于模糊信息粒化和支持向量机的股票价格回归预测

对股票进行投资时,由于股票数据具有较大的不稳定性,往往大多数时候无法对其进行精确的预测,而对其变化趋势和变化空间进行预测尤为重要,当利用支持向量机对股票数据进行回归预测时,只能得到具体点的预测值,不能预测股票数据短期的变化趋势,因此本文将模糊信息粒化和支持向量机相结合,对股票数据未来5天的变化趋势进行了预测研究,实验表明该方法具有理想的效果.     

食品比热容的支持向量回归预测

利用粒子群优化算法和支持向量回归方法建立不同食品的比热容与其水、蛋白质、碳水化合物和脂肪等含量间的预测模型,且在相同的训练样本和测试样本条件下,该预测模型的食品比热容预测精度高于反向传播神经网络模型,具有更强的泛化能力。结果表明：该预测模型能有效地预测食品比热容。     

基于支持向量回归的国际贸易发展趋势的预测研究

支持向量机是V．Vapnik在统计学习理论（SLT）的基础上发展起来的一种新兴的用以解决小样本的机器学习方法。文采用支持向量回归（SVR）的方法分别对人工构造的仿真函数和中日国际贸易发展进行了回归和预测，仿真结果展示了SVR有限样本的情形下仍然具有较好的拟合和预测能力。     

基于多尺度数据融合的锂电池健康状态评估

针对锂电池健康状态评估问题,提出一种以人工神经网络为核心多尺度数据融合框架下的锂电池健康状态评估方法.选取内阻、充电电压样本熵和等压降放电时间作为典型特征参数,建立3层分布式人工神经网络对特征参数进行多尺度融合计算,以计算拟合输出结果作为评估健康状态的参考值,并通过美国国家航空航天局(national aeronautics and space administration, NASA)试验数据集进行验证.结果表明：提出的评估方法能够基于锂电池充放电测量数据和解算特征参数,利用多尺度数据融合框架迅速迭代收敛,完成锂电池健康状态评估拟合;该评估方法的计算结果与测试平台实测值相比,平均误差小于3%,评估性能衰退趋势与实际劣化趋势一致.     

基于AdaBoost的集成支持向量机预测技术仿真

本文结合遗传算法参数优化方法,提出了基于AdaBoost集成支持向量机（SupportVectorMachine或SVM）算法,建立了基于AdaBoost集成SVM预测模型。通过Sinc函数仿真数据,分析了基于AdaBoost的集成支持向量机的预测性能。结果表明,基于Ada～Boost集成预测模型的预测相对平均误差达到1．31％,而SVM预测相对平均误差为279％,提升幅度达到53％,说明集成SVM预测模型具有很高的预测精度。通过对Sinc函数加入不同含量的噪声,发现与改进前的集成SVM算法相比,本文提出的算法具有更强的抗干扰能力。应用该算法,对轴承疲劳寿命实验中轴承振动信号特征量趋势进行预测,结果表明其14步预测的相对平均误差为027％,预测结果良好。     

基于在线支持向量回归算法的短时交通流预测

实时准确的短时交通流预测在城市道路交通和高速公路交通中都十分重要,是交通控制与诱导系统的基础.应用在线支持向量回归算法对交通流进行预测,并对济南某高架路实测数据进行仿真运算.预测结果表明,在小样本下,与BP神经网络算法相比,在线支持向量回归算法明显优于BP神经网络算法,增大样本数,BP神经网络算法预测精度有所提高,但仍低于线支持向量回归算法;在运算时间上,BP神经网络算法运算时间更短.     

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.     

基于支持向量机回归的图书流通效用预测

通过一种基于支持向量机回归的统计数学模型,来评估图书馆现有书籍(尤其是新书)采购是否合理。实际案例结果表明,该模型能够预测每类新图书在现有条件下的采购的合理性。     

基于支持向量机回归的煤层含气量预测

为了探讨煤层含气量的有效预测方法,将支持向量机回归方法用于建立煤层含气量预测模型。利用所选的测井参数,采用基于小样本理论的支持向量机回归方法建立测井参数与煤层含气量的关系模型,对煤层含气量进行预测。实例分析表明,选取适当的测井参数,利用支持向量机回归方法建立的煤层气含量预测模型,其预测结果与实测结果的误差小。