基于小波分析的支持向量机径流预测模型及应用

针对径流年内、年际变化幅度大、单一方法难以预测的特点,提出基于小波分析的支持向量机径流预测模型。该模型从时频分析角度出发,把月径流序列分解成不同的频率成分,分别采用支持向量机进行预测。以淮河支流沙河上游某水库月径流预测为研究实例,得出了较满意的预测结果。通过与其它方法预测结果的对比分析,验证了模型的有效性,为径流预测提供了一条新途径。     

基于BA-LSSVM模型的月径流预测方法

针对最小二乘支持向量机模型传统参数选择方法费时且效果差的问题,利用蝙蝠算法的模型简单、快速收敛和全局搜索能力强的特点,优化模型的正则化参数和核函数参数,对水文时间序列建立最小二乘支持向量机预测模型。基于西江流域内的柳州水文站2000-2014年月径流资料对模型进行训练和预测,并与使用粒子群算法优化参数确定的最小二乘支持向量机模型,网格搜索及交叉验证优选参数确定的最小二乘支持向量机模型及BP神经网络模型进行比较。计算结果表明,基于蝙蝠算法优化最小二乘支持向量机模型具有很好的适用性和较高的预测精度,为利用最小二乘支持向量机模型解决非线性的水文时间序列问题提供了新的方向。     

基于灰色支持向量机组合模型的农产品产量预测

鉴于灰色预测模型和支持向量机各自的优点,将灰色预测模型与支持向量机相结合,提出灰色支持向量机组合模型,并将该模型应用于花生产量预测中。结果表明,与单一支持向量机和灰色预测模型相比,灰色支持向量机组合模型的预测精度明显提高。     

改进鲸鱼算法优化混合核支持向量机在径流预测中的应用

构建基于多项式核与高斯核相融合的混合核支持向量机(MSVM),利用拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化MSVM关键参数和混合权重系数,提出LXWOA-MSVM径流预测模型,并构建高斯核LXWOA-GSVM、多项式核LXWOA-PSVM及LXWOA-BP作对比预测模型,以云南省清水江水文站枯水期1-4月月径流预测为例进行实例研究,利用实例前24年和后10年资料对各模型进行训练和预测。结果表明,LXWOA-MSVM模型对实例1-4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于LXWOA-GSVM等3种模型,具有较好的预测精度和泛化能力,可为相关径流预测研究提供参考。     

LS-SVM在径流预测中的应用

提出一种基于最小二乘支持向量机(LS-SVM)的径流预测方法。采用线性函数,多项式函数和径向基函数三种核函数,进行机器学习,经过反复计算和对比分析,建立了精度较高的径流预测模型。预测实例表明,LS-SVM模型预测的平均相对误差比支持向量机 (SVM)减少了2.4％,预测合格率为100％。LS-SVM建模速度快,适用于小样本情况并能得到全局最优解,将其用于径流预测是可行的。     

最小二乘支持向量机模型在径流预报中的应用

为解决径流中长期预报模型精度较低的问题,提出了一种基于混沌时间序列的最小二乘支持向量机预测方法,该方法依据相空间重构技术以及最小二乘支持向量机模型(以下简称LS_SVM)。利用该模型对黄河三门峡1919-1989年的71年实测年径流量进行预测。经过反复计算分析表明LS_SVM模型在径流中的应用具有较快的计算速度、较好的泛化能力以及较高的预测精度。     

基于WA-SVM的流域降雨序列预测研

为了提高降雨中长期预测精度，将小波分析和支持向量机回归方法引入水文序列预测领域，给出了两种方法的思路和特点。在此基础上，尝试建立了基于小波分析-支持向量机（WA-SVM）的降雨量序列预测模型。通过小波分解，将原始复杂的降雨序列分解到不同的频率层次，对每层得到的分解序列分别采用支持向量机回归方法进行预测，最后合成原始序列的预测值。将该模型应用于实际流域月降雨量预测，并与单独支持向量机回归方法预测结果进行比较，表明该方法预测精度有明显提高。     

入库径流不确定条件下水库多目标优化调度方案决策

针对传统水库多目标优化调度方案决策时往往忽略入库径流不确定性影响的不足,一方面对评价指标选用区间数,并以考虑入库径流预报误差下的模拟入库径流为输入时优化计算得到的最大和最小值为其上下限;另一方面在采用博弈论集合模型对基于序关系分析法的主观权重和Critic法的客观权重进行组合赋权的基础上,对VIKOR模型进行了改进以提高评价指标权重的可信度和合理性。应用于三峡水库入库径流不确定下多目标优化调度方案决策的算例分析表明,决策结果与以实际径流过程为输入时的基本一致,说明了该方法的合理性和实用性,为入库径流不确定下水库多目标优化调度方案决策提供了一种新途径。     

石羊河流域变化环境下的水库调度决策研究——以红崖山水库为例

以石羊河流域干流下游的红崖山水库为研究对象,基于Mann-Kendall检验结果,即所得年径流序列突变年份为1972年,在选取基流和降水、气温作为影响径流主要水文和气象因子的基础上,进行蔡旗断面的月径流预测,进而推算得出红崖山水库入库径流。以此来水为输入,构建适用于水库下游红崖山灌区的水库优化调度模型,并用动态规划方法求解。该模型在考虑如何调蓄上游来水、重新分配径流、规划灌区需水期间供水的基础上获得理想的经济收益。     

基于小波支持向量机特征分类的日径流组合预测——以宜昌三峡水库为例

河流径流预测作为水库调度和发电的重要前提,其预测精度直接影响水利工程的综合效益。基于径流历史数据,针对其波动和随机性提出一种小波分析-支持向量机(SVM)特征分类组合预测模型。该模型首先利用小波分解提取原始径流序列的高低频能量谱作为SVM样本标记,并对原始序列进行特征分类,分为"平稳型"和"突变型"序列,对应不同类型序列的小波近似信号和细节信号分别采用自回归和滑动平均模型(ARMA)和BP神经网络模型进行预测,再重构各序列预测结果。最后采用平均绝对百分比误差(MAPE)、均方根误差(RMSE)、希尔不等式系数(TIC)作为模型评价指标。结果表明:在3个评价指标下,所提模型都优于ARMA和BP神经网络模型,并具有更好预测稳定性。     

基于GA优化AR-LSSVR组合模型在区域降雨量预测中的应用研究

为了提高地区降雨量的预测精度,提出遗传算法优化的时间序列最小二乘支持向量机回归组合模型。首先利用时间序列分析法对858农场年降雨量数据进行拟合,其次对拟合后实际数据与拟合数据产生的绝对误差运用最小二乘支持向量机进行训练,较好地解决了小样本、高维数、非线性和局部极小问题,同时避开了传统的网格搜索法在大范围内寻找参数费时等缺点,采用遗传算法寻找最佳的惩罚参数c和核函数参数g,训练结果与实际测量值接近,预测精度较高,并对未来3a的降雨量进行了预测,为858农场未来水资源规划、合理制定灌溉制度、抗旱防涝提供了重要的科学依据。     

基于最优权系数组合建模的数控机床热误差在线补偿

针对数控机床热误差建模具有小样本、数据离散的特点,提出一种综合灰色预测和最小二乘支持向量机的热误差在线组合建模方法。根据机床温度和热误差的实验数据,分别建立热误差的灰色模型和最小二乘支持向量机模型,并通过加权系数将两者进行组合。以提高热误差的实测值和组合模型预测值之间的灰色综合关联度为目标,对模型的加权系数进行优化。在一台高架桥式龙门加工中心上进行建模实验,结果表明数控机床热误差最优权系数组合建模方法精度高、泛化能力强,优于灰色预测、最小二乘支持向量机和多元线性回归3种建模方法。利用该方法构建的预测模型进行机床热误差在线补偿,可有效减小热误差对机床加工精度的影响。     

基于支持向量机的洪水预报模型初

用传统的机器学习方法进行洪水预报建模存在泛化能力难以保障，训练速度慢等一些困难。对统计学习理论和支持向量机的基本内容和核心思想进行了简要的介绍，探讨了基于支持向量机的洪水预报模型的建模方法。通过实例中的应用，该模型显示了泛化能力强，训练速度快，便于建模等优点，有良好的应用前景。     

上游水库兴建后下游水库洪水预报

针对流域梯级开发中上游水库的兴建对下游水库的来水状况等产生改变的问题，提出下游水库的洪水预报模式应相应由全流域的产汇流转变为“区间汇流＋库区产汇流”的模式。结合凤滩水库在上游水库建成后洪水预报出现的问题，对其洪水预报系统进行了改进研究，实际应用情况表明改进取得了显著的效果。     

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。     

Real-time forecasting of short-term irrigation canal demands using a robust multivariate Bayesian learning model

In the lower Sevier River basin in Utah, the travel times between reservoir releases and arrival at irrigation canal diversions limit the reservoir operation in enabling delivery changes, which may not be compatible with the on demand schedule in the basin. This research presents a robust machine learning approach to forecast the short-term diversion demands for three irrigation canals. These real-time predictions can assist the operator to react promptly to short-term changes in demand and to properly release water from the reservoir. The models are developed in the form of a multivariate relevance vector machine (MVRVM) that is based on a Bayesian learning machine approach for regression. Predictive confidence intervals can also be obtained from the model with this Bayesian approach. Test results show that the MVRVM learns the input–output patterns with good accuracy. A bootstrap analysis is used to evaluate robustness of model parameter estimation. The MVRVM is compared in terms of performance and robustness with an Artificial Neural Network.     

支持向量机在发动机故障诊断中的应用研究

鉴于支持向量机(SVM)的优越性及汽车发动机的故障特点,本文提出将支持向量机应用到发动机故障的智能诊断中。该方法专门针对小样本集合设计,能够在小样本情况下获得较大的推广能力,而且模型简单。首先对采集的故障信号采取信息融合方式进行特征提取,以获得特征向量。在此基础上通过多分类支持向量机对发动机故障进行分类测试,建立了故障诊断模型。试验结果表明:该方法具有较高的诊断精度,达到了发动机的故障诊断要求。