基于SFLA和LSSVM的芹菜总黄酮含量的预测模型

利用混合蛙跳算法(SFLA)对最小二乘支持向量机(LSSVM)的参数进行优化,建立了一种基于混合蛙跳算法和最小二乘支持向量机的芹菜总黄酮提取预测模型。仿真结果表明,该预测模型提高了预测精度,性能更加稳定,为芹菜总黄酮提取的在线预估和优化控制提供了可靠的技术参考。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

农业灌溉用水量的LS-SVM预测模型研究

农业灌溉用水量预报是灌区制定水资源调度计划、合理高效分配水量的科学依据。针对灌溉用水量影响因素复杂非线性的特点,鉴于支持向量机算法的诸多优势,建立了基于最小二乘支持向量机的灌溉用水量预测模型,将该模型用于塔河流域T灌区灌溉用水量预测,并与人工神经网络方法预报结果比较,表明该方法具有泛化能力强、误差小等特点。     

芹菜总黄酮提取工艺研究

以芹菜为原料,采用水浴法提取总黄酮.通过单因素及正交试验,对芹菜总黄酮的提取工艺进行研究.影响芹菜总黄酮提取的主次因素顺序为料液比＞乙醇体积分数＞提取温度.确定芹菜总黄酮的最佳提取工艺为提取温度60℃、提取时间1.5h、料液比1∶50、以体积分数70％乙醇为提取剂,在此工艺条件下,总黄酮提取率为1.22％.     

基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于最小二乘支持向量机的原油管道能耗预测

根据原油管道耗电量和耗油量的特点,选择径向基核函数,以管道输量为自变量建立了基于最小二乘支持向量机的耗电量和耗油量预测模型.利用该方法预测某原油管道的耗电量和耗油量,结果表明:对耗油量的预测精度较对耗电量的预测精度低,其原因在于耗油量的影响因素相对复杂;利用后验差检验法检验模型精度,结果显示:对耗电量和耗油量的预测精度等级均为“好”.实例应用证明:该方法建模过程简单,预测精度高,可以有效用于原油管道的能耗预测.     

基于最小二乘支持向量机的参考作物腾发量预测

参考作物腾发量是估算作物蒸发蒸腾量的关键参数,其准确预测对提高作物需水预报精度具有十分重要的意义.最小二乘支持向量机(LS-SVM)是支持向量机(SVM)的一种改进算法,它基于结构风险最小化准则,可兼顾模型的经验风险和推广能力,将LS-SVM方法引用于参考作物腾发量预测中,并以辽宁省铁岭市为例,对比分析了 LS-SVM模型与BP模型的预测结果.结果表明:LS-SVM模型学习速度快,具有比BP模型更高的模拟性能和预测精度.LS-SVM方法克服了BP模型训练时间长,容易陷入局部极小的缺点,是适合参考作物腾发量预测的新方法.     

LS-SVM在CFG桩复合地基承载力预测中的应用

分析了CFG桩复合地基承载力的主要影响因素,提出了CFG桩复合地基承载力预测的一种新方法,即最小二乘支持向量机方法。根据有限的学习样本,建立了CFG桩复合地基承载力与其影响因素之间的非线性关系。结果表明:最小二乘支持向量机具有优秀的小样本数据学习能力和预测能力,将其用于CFG桩及其它刚性桩复合地基承载力的预测是可行的。     

基于混沌理论的害虫发生量非线性建模与预测

为了提高害虫发生量预测的精度,提出一种基于混沌理论的害虫发生量非线性预测模型(PSR–LSSVM)。通过相空间重构对害虫发生量时间序列进行重构,将重构后的害虫发生量序列输入到最小二乘支持向量机进行学习,建立害虫发生量预测模型,采用云南省普洱市思茅区和浙江省仙居县的松毛虫发生面积数据对模型性能进行检验。结果表明,松毛虫发生面积预测值与实际发生值十分接近,2个地区松毛虫发生面积预测结果的平均绝对百分误差分别为0.90%和2.44%,预测结果要优于BP神经网络、线性预测模型。     

基于DBN-LSSVR的南美白对虾养殖溶解氧预测

为了提高南美白对虾(Litopenaeus vannamei)养殖溶解氧预测的精度,提出了深度信念网络融合最小二乘支持向量回归机(Deep belief nets-least squares support vector regression,DBN-LSSVR)的南美白对虾养殖溶解氧预测模型.首先,采用深度信念网络(Deep belief nets,DBN)方法,多尺度提取养殖水质时序数据的特征向量;然后,使用提取的养殖水质特征向量训练和优化DBN-LSSVR,构建了基于DBN-LSSVR的对虾养殖水质溶解氧预测模型;最后,以广州市番禺区南美白对虾养殖水质溶解氧实测数据为基础,对预测模型进行了实验验证,并与浅层BP神经网络、标准最小二乘支持向量回归机进行了对比分析.所构建的模型具有较高的预测精度和泛化性能,是一种有效的南美白对虾养殖溶解氧预测方法.     

基于最小二乘支持向量机的预测控制

最小二乘支持向量机(LS-SVM)方法克服了经典二次规划方法求解支持向量机的维数灾问题,适合于大样本的学习.提出一种新的基于LS-SVM模型的预测控制结构,对一典型非线性系统-连续搅拌槽反应器(CSTR)的仿真表明,该控制方案表现出优良的控制品质并能适应被控对象参数的变化,具有较强的鲁棒性和自适应能力.     

基于最小二乘支持向量机的土壤含水量检测的研究与分析

介绍了运用数字图像处理技术和基于最小二乘支持向量机的土壤含水量检测方法,经理论分析和土壤含水量检测试验,证明该方法有效、可行、操作简便、实时性好。     

基于最小二乘支持向量机的一维波动方程近似解求法

提出了一维波动方程的基于最小二乘支持向量机方法的近似解求法。该方法求得的近似解结构简单、精度高、形式固定。所得近似解由两部分组成：一部分是满足边值条件的已知函数;另一部分是两项的乘积,其中一项是边值为0的已知函数,另一项是与径向核函数相关的函数。同时证明了解的收敛性和稳定性,最后通过两个数值算例验证了该方法的有效性。     

基于最小二乘支持向量机的车用铂电阻温度传感器非线性校正

依据铂电阻温度传感器样本,提出了一种采用最小二乘支持向量机辨识传感器逆模特征的校正铂电阻温度传感器非线性误差的原理和方法.该方法不需逆模型函数形式的先验知识,能够保证找到的极值解就是局最优解,具有较好的泛化能力.实例应用表明,其检测精度可达到0.1 ℃,铂电阻温度传感器非线性校正效果好.     

基于LS-SVM的烤烟烟叶产地判别

为了探索一种快速有效的烤烟烟叶产地鉴别方法,利用近红外光谱技术结合最小二乘支持向量机(LS-SVM)对烤烟烟叶的产地进行了判别。选择云南、湖北、河南三地不同等级烤烟烟叶作为研究对象,对原始光谱数据进行平滑和附加散射校正(MSC)预处理后再进行主成分分析,选择4～12个主成分作为输入变量进行LS-SVM建模。结果显示,该LS-SVM模型预测效果较好,预测相关系数rp≥0.990 7,预测标准误差(SEP)和预测均方根误差(RMSEP)分别为1.755 1和1.737 3,优于偏最小二乘回归(PLS)的预测结果,基于LS-SVM的近红外光谱技术能够很好地对烟叶产地进行判别。     

基于优化支持向量机的管道安全威胁事件识别

如何有效识别人工挖掘、机械挖掘和车辆经过等油气管道安全威胁事件,对基于相干瑞利的管道光纤安全预警系统至关重要。提出一种基于优化支持向量机的管道安全威胁事件识别方法,对管道光纤安全预警系统采集到的管道沿线振动信号进行分析,提取各频段的归一化能量与信号持续时间作为特征向量,利用人工蜂群算法对支持向量机的惩罚因子和核函数参数进行优化,采用优化后的支持向量机对特征进行分类。在港枣成品油管道开展安全试验,获得了90.7%的分类正确率,证明了该方法的有效性和工程应用价值。     

最小二乘支持向量机方法在农用柴油机故障诊断中的应用研究

采用最小二乘支持向量机法对农用柴油机故障进行计算机仿真诊断。结果表明：该方法能够提高故障诊断的准确性,减少误诊。     

基于PSO-OSVM的江苏省耕地变化预测

以江苏省1996-2009年耕地变化为例,利用粒子群算法(PSO)的全局搜索能力优化标准支持向量机(SVM),并结合增量式最小二乘支持向量机(LSSVR)和逆学习算法的特征,构建粒子群算法-在线学习SVM(PSO-OSVM)耕地变化预测模型,采用该模型对江苏省耕地变化进行预测,以期为土地资源可持续发展提供重要参考依据.结果表明,PSO可以有效收敛SVM内部参数γ和σ达到全局最优解;PSO-OSVM模型的内外精度和总精度均高于GM(1,1)、BP神经网络模型,且优于PSO-SVM模型.说明PSO-OSVM是一种有效的耕地变化预测模型.