基于混沌相空间重构的数控机床运动精度预测

针对难以通过数学建模方法分析数控机床运动精度演化规律的问题,提出了基于混沌相空间重构理论的数控机床运动精度非线性演化预测方法。采用平均互信息法计算延迟时间,以虚假最近邻点法计算最小嵌入维数,对数控机床运动精度的一维时间序列进行相空间重构,获得与原系统拓扑同构的状态空间。基于混沌系统内在的规律性和有序性,用相点轨迹描述运动精度在相空间中的演化规律,以相点的多维分量构成输入向量,以运动精度预测值为输出向量,构造了基于RBF神经网络的非线性预测模型。引入了量子粒子群方法对预测模型参数进行优化,得到RBF预测网络的中心点、宽度及连接权值的全局最优值,采用优化后的模型对数控机床运动精度演化趋势进行了预测。实验结果表明,基于混沌相空间重构的预测模型,可以很好地追踪数控机床运动精度的演变趋势和规律,有较高的预测精度。     

基于支持向量机的水稻净光合速率预测模型

利用线性核函数、多项式核函数、径向基核函数和S型核函数,通过粒子群算法优化支持向量机中的惩罚参数c和gamma值,使用主成分分析对影响水稻净光合速率的影响因子进行特征提取,建立水稻净光合速率的支持向量机预测模型。试验结果表明,通过粒子群算法设定惩罚参数c为10,gamma值为0.904,通过训练集的训练,得到P_RBF预测模型,其对水稻净光合速率的预测效果最佳,预测精度达83%以上。     

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。     

基于蜻蜓算法的甘蔗收获机刀盘振动SVM预测模型

甘蔗收获机切割器刀盘振动是影响甘蔗宿根切割质量的一个关键因素,因此寻找复杂因素对刀盘轴向振动的影响规律并实现对刀盘振动的预测与控制有着至关重要的作用。为解决传统预测方法精度低、参数选取盲目等问题,提出一种基于蜻蜓算法的甘蔗收获机刀盘振动支持向量机预测模型。该方法利用蜻蜓群体寻优的过程实现对支持向量机参数的优化,并将优化后的支持向量机对刀盘振动进行预测。通过Mat Lab进行20次仿真实验,并与BP神经网络预测模型和传统支持向量机预测模型的预测结果进行比较,实验数据表明:基于蜻蜓算法的支持向量机预测模型具有更高的预测精度和泛化能力。结果显示:基于蜻蜓算法优化的支持向量机对刀盘振动预测的拟合率达到了99.99%,有效提高了甘蔗收获机刀盘振动的预测精度,从而表明基于蜻蜓算法优化的支持向量机预测模型对实现甘蔗收获机刀盘振动预测的有效性,为后续甘蔗收获机宿根切割质量的智能化预测及实现对甘蔗收获机减振的结构优化设计提供了有效依据。     

基于IGWPSO-SVM的HMCVT湿式离合器摩擦副温度预测

针对传统机器学习模型预测重型拖拉机液压机械无级变速箱(Hydro mechanical continuously variable transmission, HMCVT)湿式离合器温度的局限性，提出了基于改进灰狼粒子群优化-支持向量机(Improved grey wolf particle swarm optimization-support vector machine, IGWPSO-SVM)的HMCVT湿式离合器摩擦副温度预测模型。首先，对湿式离合器摩擦副滑摩过程进行热分析，确定影响湿式离合器摩擦副温度的因素；然后，基于支持向量机(Support vector machine, SVM)搭建温度预测模型，并利用改进灰狼粒子群优化(Improved grey wolf particle swarm optimization, IGWPSO)算法对SVM的结构参数进行优化；最后，基于HMCVT湿式离合器试验台数据搭建离合器摩擦副温度预测模型的样本数据库，以湿式离合器摩擦副对偶钢片为对象，对IGWPSO-SVM模型进行试验验证。试验结果表明，IGWPSO-SVM模型预测摩擦副对偶钢片...     

光合有效辐射预测模型的核函数组合优化

以林下参种植基地光合有效辐射( PAR)、散射辐射(PFDdif)和直射辐射(PFDdir)为研究对象,以支持向量机linear核函数(k1)、polynomial核函数(k2)、radial basis function核函数(k3)为基础,构建新核函数.使用K-fold交叉验证方法,利用粒子群算法(PSO)对惩罚参数c和g值优化.试验结果表明,利用grid search算法设定惩罚参数c为16和g值为1时,通过比较相关系数及符合拟合均衡原则下,选出以0.2k1+0.8k2核函数而构建的光合有效辐射预测模型效果最佳,对由PAR、PFDdir和PFDdif数据组成的预测集1和预测集2拟合程度分别为89.213 2％和81.789 6％.利用粒子群算法对惩罚参数c和g值优化后,预测模型对预测集1拟合程度达到92.156 0％,对预测集2拟合程度达到90.036 0％.可见,采用0.2k1+0.8k2核函数和PSO的支持向量机预测模型对PAR具备预测能力.     

基于MSCPSO混合核SVM参数优化的生菜品质检测

核函数形式的选择与核函数参数值的大小是影响支持向量机的2个关键因素,传统的支持向量机分类精度低、时效性差,为了获得高精度、高时效性的支持向量机,从影响支持向量机的核函数与核函数参数值2个关键因素着手,提出了基于变尺度混沌粒子群优化（MSCPSO）混合核SVM参数的分类器。将此分类模型用于预测生菜叶片的生育期,以及预测3个生育期的生菜叶片氮素水平,预测精度分别达到91.51%、85.38%、82.59%和81.26%。与传统的粒子群优化混合核SVM的分类器和变尺度混沌粒子群优化RBF_SVM分类器相比,提出的分类器模型分类精度高、时效性好。     

基于相空间重构小波神经网络径流式水电站发电量预测

预测径流式水电站发量。针对径流式水电站发电量变化的随机性及水力发电系统的复杂非线性,提出一种基于相空间重构小波神经网络的径流式水电站发电量预测模型,并借助具有全局搜索能力的改进粒子群优化算法对小波神经网络特征参数进行优化,提高模型的精度和泛化能力。结果表明:相空间重构小波神经网络模型的预测平均相对误差约为8.7%,相关系数达到0.81,误差分析指标优于传统神经网络预测模型,在多步预测情形下模型的收敛性和稳定性得到较为明显增强,能够准确进行发电量预测。     

基于联合时序的混沌时用水量短期预测调度

针对给水优化调度的时用水量高精度短期预测难题,提出一种基于横向分时段和纵向残差修正的联合时序短期混沌预测方法.经模式识别获得关联度高的横向时序为研究样本,重构横向分时段相空间并分析典型时段流量数据的混沌特性,建立混沌预测模型,以在线最小二乘支持向量机作为混沌预测工具得出各时段用水流量;为了能动态跟踪用水突变,实时采集纵向数据序列做残差计算,进而用灰色模型进行残差预测修正以提高预测精度.依据杭州市萧山某大用户时用水量实例,对一段时间的正常用水和突变用水做连续24 h短期混沌预测,在不同方法下的时用水量预测精度作深入对比研究.仿真结果表明：该预测方法对这一类混沌时序短期预测具有良好的计算精度,能很好反映各典型用水日的特点和实时用水变化情况,预测效果明显优于其他预测方法,更易满足供水优化调度的需求.     

基于支持向量回归的灰度图像三维形状重构

为实现未知光源的灰度图像高效重构形状,提出一种基于支持向量回归机和粒子群优化算法相结合的灰度图像重构三维表面形状的方法。通过研究和分析灰度重构形状(SFS)问题,基于支持向量回归机理论,构建了物体表面形状与其灰度图像间的非线性映射模型。对未知光照方向的实际图像进行光源方向估计,生成对应光照方向的训练样本以提高任意光照方向下的图像的形状恢复精度。为克服支持向量回归机中各参数选取无依据的不足,引入粒子群优化算法主动对各参数进行飞行寻优,使得回归模型为最优,以提高形状重构精度。最后,通过实例分析验证了所提方法的可行性及有效性。     

若干新型群体智能算法优化高斯过程回归的年降水量预测

为提高年降水量预测精度，提出一种基于小波包变换（WPT）和孔雀优化算法（POA）、沙猫优化（SCSO）算法、猎豹优化（CO）算法优化的高斯过程回归（GPR）预测模型，并将其应用于文山州年降水量预测研究。首先，利用WPT将实例1956-2021年降水量时间序列分解为1个周期项分量和3个波动项分量；其次，简要介绍POA、SCSO、CO算法原理，利用POA、SCSO、CO分别优化GPR超参数，建立WPT-POA-GPR、WPT-SCSOGPR、WPT-CO-GPR模型；最后，利用所建立的3种模型对年降水量周期项分量和波动项分量进行预测，将4个分量的预测结果加和重构后得到最终预测结果，并构建基于支持向量机（SVM）的WPT-POA-SVM、WPT-SCSOSVM、WPT-CO-SVM模型、基于RBF神经网络的WPT-POA-RBF、WPT-SCSO-RBF、WPT-CO-RBF模型和未经优化的WPT-GPR模型作对比分析模型。结果表明：(1)WPT-POA-GPR、WPT-SCSO-GPR、WPT-CO-GPR模型对年降水量预测的平均绝对百分比误差MAPE分别为0.52%、0.46%、0.48...     

基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。     

基于小波变换和SVR模型的陀螺仪故障预测

为了准确可靠地预测陀螺仪的故障,提出一种基于小波变换和支持向量回归机的陀螺仪故障诊断和预测方法。首先,利用小波分析和支持向量机对陀螺仪故障特征进行提取,然后建立SVR的故障预测模型,最后基于实验测得的陀螺仪振动数据对该预测模型进行了仿真验证,结果显示该算法预测效果良好,是一种有效的陀螺仪故障预测算法。     

基于多模型融合策略的温室番茄光合速率预测方法

温室番茄光合速率的准确预测对于番茄的生长和产量评估具有重要意义。然而,由于温室环境的复杂性和多变性,传统的光合速率预测模型往往难以满足精准预测的需求。因此,为了进一步提高预测模型的准确性和稳定性,本研究提出了一种基于多模型融合策略的温室番茄光合速率预测方法。首先,采集温湿度、光照强度、CO2浓度不同组合下的番茄光合速率,构建样本集,并采用五折交叉验证法（Cross-Validation）对数据进行预处理。以预处理的数据为基础,分别基于粒子群优化支持向量机（PSO-SVR）、布谷鸟优化极限学习机（CS-ELM）和北方苍鹰优化高斯过程回归（NGO-GPR）算法建立番茄光合速率预测模型对光合速率进行初步预测,然后采用Stacking算法通过基于决策树的集成学习模型（XGBoost）组合各基础模型的预测结果,进而实现多模型融合。仿真分析结果表明,与单一预测模型相比,基于多模型融合的光合速率预测模型充分发挥了各基础模型的优势,可以进一步提高光合速率预测的准确性和稳定性,该模型验证集MAE为0.5697μmol/（m2·s）,RMSE为0.7214μmol/（m2·s）。因此,本文提出的方法在温室作物光合速率预测方面具有一定的优势,可为温室番茄等作物光环境优化调控提供一定的理论基础和技术支撑。     

基于PCA-MCAFA-LSSVM的养殖水质pH值预测模型

为解决水质预测传统方法精度低、鲁棒性差等问题,提出了基于主成分分析(PCA)、改进文化鱼群算法(MCAFA)和最小二乘支持向量机(PCA-MCAFA-LSSVM)的养殖水质pH值预测模型。该模型通过主成分分析提取养殖生态环境指标的主成分,降低模型输入向量维数,利用改进文化鱼群算法对最小二乘支持向量机超参数进行组合优化,以自动获取最优超参数建立非线性养殖水质pH值预测模型。应用该模型对宜兴市河蟹养殖某池塘2011年9月1日~9月4日在线监测的水质数据进行了预测分析,试验结果表明:该模型取得较好的预测效果,与分别用蚁群算法或遗传算法优化LSSVM的方法相比,PCA-MCAFA-LSSVM模型有93.05%的测试样本绝对误差小于8%,最大绝对误差仅为11.61%,均方根误差、平均相对误差绝对值和运行时间分别为0.047 4、0.004 1和4.367s,且均优于其他预测方法。PCA-MCAFA-LSSVM算法不仅计算速度快、预测精度高,还能够为河蟹养殖水质调控管理提供决策依据。     

混沌遗传最小二乘支持向量机法预测日用水量

利用混沌运动的初值敏感性、内在随机性和遍历性的特点,提出基于混沌遗传算法和最小二乘支持向量机的城市日用水量预测法。通过混沌映射搜索自适应遗传算法的较优初始种群,采用自适应遗传算法优化最小二乘支持向量机的超参数,利用交叉验证法确定遗传算法个体的适应值,建立基于最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更高的预测精度。     

基于CEEMDAN-QPSO-BLS模型的径流预测研究

准确的径流预测是水资源优化配置和高效利用的前提,是制定防洪减灾决策的基础,然而受到人类活动、环境、气候等因素的影响,径流序列呈现出非线性、非稳态、多尺度变化的特点,这为径流的精准预测增加了难度。为提高径流预测的精准度和可信度,结合自适应噪声完备集合经验模态分解（Complete Ensemble Empirical Mode Decomposition with Adaptive Noise,CEEMDAN）方法,量子粒子群优化算法（Quantum Particle Swarm Optimization,QPSO）、宽度学习系统（Broad Learning System, BLS）模型,提出了一种基于CEEMDAN-QPSO-BLS组合式的径流预测模型。该组合模型首先使用CEEMDAN方法对原始径流信号进行分解,得到若干相对平稳的本征模态分量。其次利用QPSO算法对BLS模型的特征层节点组数、增强层节点组数和组内节点数进行寻优,得到最优的宽度学习网络拓扑结构,进而使用最优的QPSOBLS对多个稳态分量进行预测,并对预测分量进行重构,从而获得更高的预测精度。以黄河流域小浪底水库的日径流...     

基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法

为克服传统遗传算法易陷入局部最优,收敛速度慢的问题,提出基于变尺度混沌遗传最小二乘支持向量机的日用水量预测法。采用混沌算法优化自适应遗传算法的初始种群,利用自适应遗传进化和变尺度混沌优化对LSSVM的参数进行循环优化,直至遗传算法达到最大进化代数,建立基于变尺度混沌遗传最小二乘支持向量机的日用水量预测模型。实例分析结果表明,与基于自适应遗传最小二乘支持向量机的日用水量预测法相比,提出的预测方法具有更好的预测精度。     

基于BPSO的棉花异性纤维目标特征快速选择方法

针对现有棉花异性纤维目标特征选择方法迭代次数多、速度慢等问题,提出了一种基于改进粒子群优化算法的棉花异性纤维目标特征快速选择方法.使用离散型粒子群优化算法作为特征选择算法,利用支持向量机算法作为分类器对最优特征集进行验证.实验结果表明,在分类准确率与蚁群算法相当的情况下,能减少26％的运行时间.     

考虑季节因子的支持向量机径流预测模型

基于河川径流月时段具有非平稳季节性的特征,构建支持向量机的季节性样本,建立水库入库径流的季节性支持向量机预测模型。以三峡水库1950~2006年的入库径流系列为训练样本,利用季节性支持向量机预测模型对三峡水库2007~2009年的月径流量进行预测。将此预测结果与BP神经网络模型和标准支持向量机模型预测结果进行指标分析,结论显示季节性支持向量机径流预测模型准确度更高,可以用于水库入库径流的预测。