基于智能算法优化SVM的横向通风过程中温度场预测方法探究

将改进的智能预测技术应用于储粮横向通风过程中的粮堆温度预测,为粮食通风智能预测与决策提供了一种新思路。选取河北清苑国家粮食储备库冬季横向通风的实时监测数据,在分析主要影响因素的基础上,应用三种智能优化算法——网格寻优算法、GA遗传算法寻优、PSO粒子群算法,结合回归支持向量机理论,对粮堆的通风过程进行建模。结果表明,优化过的回归预测模型能较好地拟合粮食温度与其他变量之间的非线性关系,尤其是当样本数量较为有限时,该方法具有更高的拟合精度,更适合对储粮通风这一强非线性过程的预测研究,对于人工干预操作具有一定的现实指导意义。     

基于主成分与支持向量机的邵阳县烟草产量预测

为探索准确预测邵阳县烟草产量的方法,首先对邵阳县70个植烟区土壤样本中的碱解氮、有效磷、速效钾等19个养分指标进行主成分分析,得出邵阳县烟草产量主要受有机质、有效锌、有效硼、有效锰、有效硫、交换性钙、全钾、有效铁和速效钾等9个养分含量的影响。在此基础上,基于支持向量机回归算法SVR对70个植烟区的烟草产量进行回归预测。结果发现,以主成分分析后的9个养分指标作为特征变量预测得到的烟草产量的均方误差明显小于以19个养分指标作为特征变量预测得到的烟草产量的均方误差。同时,对比SVR算法和随机森林回归算法发现,SVR算法的预测精度明显优于随机森林回归算法。基于主成分与支持向量机的回归算法是预测邵阳县烟草产量的有效方法。     

基于主成分与支持向量机的邵阳县烟草亩产量预测

为探索准确预测邵阳县烟草产量的方法，首先对邵阳县70个植烟区土壤样本中的碱解氮、有效磷、速效钾等19个养分指标进行主成分分析，得出邵阳县烟草产量主要受有机质、有效锌、有效硼、有效锰、有效硫、交换性钙、全钾、有效铁和速效钾等9个养分含量的影响。在此基础上，基于支持向量机回归算法SVR对70个植烟区的烟草产量进行回归预测。结果发现，以主成分分析后的9个养分指标作为特征变量预测得到的烟草产量的均方误差明显小于以19个养分指标作为特征变量预测得到的烟草产量的均方误差。同时，对比SVR算法和随机森林回归算法发现，SVR算法的预测精度明显优于随机森林回归算法。基于主成分与支持向量机的回归算法是预测邵阳县烟草产量的有效方法。     

基于时间序列SVR模型的玉米价格预测研究

研究旨在运用时间序列和支持向量回归(support vector regression,SVR)理论,建立短期玉米价格预测模型,为玉米市场监测预警提供技术支持与决策依据。本研究根据玉米价格序列波动的非线性特征,以河南省2010年1月1日—2019年6月30日的月度数据为研究对象,结合混沌性时间序列与SVR理论,研究一种短期玉米价格预测模型。通过相空间重构的方法对价格序列进行处理,利用重构后的数据训练模型,运用网格交叉验证(GridSearchCV)对研究模型进行优化。得到一种基于时间序列支持向量回归的玉米价格预测模型。将研究模型的预测结果进行对比分析,结果显示,研究模型的预测值更贴近真实值,其平均相对误差(MRE)和均方根误差(RMSE)分别为0.006和20.57,优于传统支持向量回归模型的预测结果。研究模型可以为玉米价格预测提供方法依据,且相较于传统预测方法在精度方面具有优势。     

基于支持向量机方法的森林火险预测研究

以利用气象数据预测森林火险等级为目的,使用半正定规划建模选定支持向量机的最优核函数,依据500余条林火数据建立了支持向量回归机模型,并使用回归误差特征曲线图对比分析各个回归模型的学习效果。分析得到该自定义核函数的均方误差为1.76,支持向量数为190,约占训练数据集的1/2。结果表明,与传统的线性回归方法及基于高斯核的支持向量机相比,该预测模型具有较高的准确率并且有效的避免了过学习的现象。     

基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子 C 和核函数宽度 g 的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明：该预测模型的平均相对误差为12.5%,平均绝对误差为 0.986 m ,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。     

采空区危险性的支持向量机识别

针对采空区危险性影响因素与其危险性等级之间存在着复杂非线性关系的特点,笔者提出采用支持向量机最优分类理论来识别采空区的危险性等级。研究选取岩体结构、地质构造、岩石抗压强度、弹性模量、采空区形状、矿体倾角、高跨比、空区体积等8个参数作为主要影响因素,根据支持向量机理论,提出了1-V-1的采空区分类算法,并在Matlab中编程,建立了分类预测的SVM模型。以某矿山的实测采空区为例,利用该模型进行了识别,并与BP神经网络预测结果作对比。实例研究表明,采用该方法的分类结果比神经网络更准确,与采空区调查结果一致性好,用支持向量机理论进行采空区危险性评价是可行的。     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCA-WLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于幼果期气象数据苹果产量早期预测研究——以运城市为例

本文通过对运城市2005—2018年气象数据和苹果年产量数据进行分析,构建运城市苹果产量早期预测模型。首先,采用HP滤波法将运城市苹果年产量分为趋势产量和气象产量。其次,分别对苹果物候期：发芽期、花期、幼果期、膨果期、成熟期建立多元线性回归模型,研究每个物候期对苹果气象产量影响的强弱。最后,选取对苹果气象产量影响最强的幼果期建立BP神经网络早期预测模型,并对其进行验证。结果表明：选取幼果期建立的BP神经网络苹果产量早期预测模型其预测结果相对平均误差为7.08%,使用2019年相关数据验证BP神经网络产量早期预测模型的精度为89.6%,表明该模型能够较为准确的预测苹果产量,可为农作物产量早期预测提供理论支持。     

基于支持向量回归与地统计学的多维时间序列分析

基于地统计学与支持向量回归,建立一种快速定阶、既反映样本集动态特征,又体现环境因子影响的高精度非线性多维时间序列预测方法（GS-SVR）。对带趋势时间序列平稳化后,先基于地统计学后效时间长度进行因变量快速定阶;再以支持向量机基于最小原则非线性筛选自变量,继以主成分分析消除自变量之间的信息冗余;最后以一步预测法检验GS-SVR的有效性。2个农业科学实例结果显示,GS-SVR在所有参比模型中预测精度最高,稳定性最好。GS-SVR能快速、准确实现模型定阶,是一种融合时间序列分析和回归分析的非线性多维时间序列分析方法,并具非线性、避免过拟合、避免局部最小、泛化能力优异等优点,在农业科学、生态学、经济学等多维时间序列预测领域有较广泛的应用前景。     

基于数值预报产品的地表温度预报方法研究

为了开展地表温度预报业务,提高逐日地表温度预报准确率,利用2007—2012年的ECMWF和T213数值预报产品资料及抚顺市的逐日地表温度资料,采用逐步回归分析方法和BP神经网络模型分别构建抚顺市地表温度预报模型,并对模型的精度进行检验。结果表明,地表温度与ECMWF的高度场、海平面气压场、温度场和T213的散度场、高度场、海平面气压场、地面气压场、海平面K指数、水汽通量、相对湿度、温度场、地面气温和场涡度场均呈显著相关。对预报模型进行精度检验显示,地表平均温度和地表最低温度的预报效果较好,≤3℃预报准确率均达到79%以上。2种模型对比显示,BP神经网络预报模型总体上优于逐步回归预报模型;逐步回归预报模型较BP神经网络预报模型稳定。     

Prediction of coal and gas outburst intensity with Incorporate GeneticAlgorithm Based Back Propagation Neural Network(IGABP)

For the prediction of coal and gas outburst intensity, Incorporate Genetic Algorithm Based Back Propagation Neural Network(IGABP) is proposed to solve the limitations in the traditional GABP such as time consuming, optimal stop condition of GA pretreatment indeterminacy, independency and complex task of great importance etc. IGABP addresses some improvements in adaptive crossover and mutation probability to promote GA performance. And with the introduction of BP operator in the evolution of GA operations, the standard GA optimization is from random search to self guiding search and the convergence rate of GA is upgraded, as well as the determination ability of exact solution. With a simulation as a case study, it is found that the minimum error and standard error with IGABP are 0.012 and 0.227, respectively, compared with -0.126 and 1.529 by traditional GABP.     

Intellectual prediction of a permeability index for blast furnaces

The permeability index for blast furnaces is an important monitoring parameter in their operation. Proper trend prediction of the permeability index is important for good operation. Support vector machines (SVM) combined with wavelet analysis are adopted to build a forecasting model. Four historic values of a permeability index are analyzed by a wavelet analysis via seven levels. Based on eight wavelet analyzed values and combined with operating parameters, eight sub models are built using the least square support vector machines method. The prediction components are reconstructed to obtain a forecast. The details of modeling, validation and result analyses are presented.     

基于支持向量机非线性筛选水稻苗期抗旱性指标

作物抗旱性指标筛选具小样本、多指标和非线性等特点,传统的基于经验风险最小原则经线性筛选获得的综合指标及在此基础上建立的线性回归模型的合理性受到质疑;基于结构风险最小原则的支持向量机具适于小样本、非线性、泛化推广能力优异等诸多优点,但可解释性差。本文以15个水稻品种苗期反复干旱存活率为因变量,从24个形态生理指标中经支持向量回归(SVR)非线性筛选得苗高、脯氨酸、丙二醛、叶龄、心叶下倒一叶面积、抗坏血酸等6个综合指标,以此建立的SVR模型拟合精度与留一法预测精度均明显优于参比线性模型;如考虑指标测量的简易性,仅以地上部干重、心叶下倒二叶面积、根冠比、叶龄、叶鲜重、心叶下倒一叶面积等6个形态指标进行评估同样可行。为增强SVR的解释能力,基于F测验对SVR模型建立了非线性回归显著性与单因子重要性显著性的测验方法。     

基于随机森林算法的日光温室内气温预测模型研究

开展日光温室气温预报,为农业生产提供参考,指导农户采取调控措施,为作物生长提供适宜条件,促进品质和产量提升。研究选取温室外气温、日照等气象因子,建立随机森林算法预测模型,就室内最低、最高气温进行拟合预测分析和预测因子重要性评估。结果表明,温室内最低、最高气温拟合值与观察值的拟合度分别达99.69%和99.85%,温室外最低气温是室内最低气温的重要预测因子,室外日照是室内最高气温的重要预测因子。同时建立支持向量机、神经网络、多元回归、逐步回归模型,通过对各个模型中平均绝对误差、均方根误差等3个指标进行比较,得出随机森林模型的预测精度优于其他模型。基于随机森林算法的气温预测模型精确度较高,可推广应用到后期日光温室气温预测中。     

Assembly fault rate analysis using grey relation and least squares support vector machines

To get the relationship between assembly fault rate and its attributes, least squares support vector machine (LSSVM)is introduced to quantitatively study assembly fault rate. Aiming at the drawbacks of assembly reliability evaluation method(AREM), the attributes of assembly-fault-rate-affecting 5M1E(Man, Machine, Material, Method, Measurement and Environment) factors obtained by AREM are improved, hence the LSSVM model with all attributes is established. To reduce the time of calculating the assembly fault rate and provide the priority for assembly reliability improvement, grey relation analysis is applied to extracting the main attributes, at the same time genetic algorithm(GA)is used for parameter optimization in LSSVM. The assembly fault rate analysis results show that the method using grey relation analysis and least square support vector machine is simpler and more accurate compared with other methods such as LSSVM model using all attributes and BP neural network using main attributes.     

GA Based on Structural Formula Binary-coding and Its Applications in BP Networks

According to the topological characteristics of BP networks, a Genetic Algorithm based on the structural formula binary-coding has been designed in this paper. By means of fractionalizing the large-scale solution-space and performing the GA operations to the fractionalized subspaces, the GA's global-convergence and parallelism can be utilized to search the subspace for the optimal solution in the whole solution-space, thus definitude the starting point and narrow the domain for the next BP's local-search. Testing shows that the two-step algorithm (GA-BP) can solve the existed problems in the NN's training such as local minimum, tardy convergence and so on.