共查询到19条相似文献，搜索用时 810 毫秒
1.
建立有效的空气质量指数预测模型,可以为个人出行及相关部门治理大气污染提供指导。选取北京市的历史空气数据以及气象数据作为研究对象,建立基于BP（Back Propagation）神经网络和SVR（Support Vector Regression）支持向量机回归的BP-SVR组合预测模型。首先利用灰狼优化算法分别对BP模型和SVR模型参数进行寻优;然后运用该组合模型对空气质量指数进行预测。实验结果表明,BP-SVR模型的平均绝对百分误差、均方根误差、平均绝对误差均小于单一预测模型,分别为0.217 5、37.032 0、25.157 5。BP-SVR组合模型具有更高的预测精度,泛化能力更强,可以对空气质量指数进行有效预测。 相似文献
2.
《实验室研究与探索》2016,(2):17-21
将基于遗传算法(GA)的支持向量回归机(SVR)用于建立颗粒阻尼减振结构阻尼特性预测模型。应用基于结构风险最小化准则的SVR,建立颗粒阻尼减振结构阻尼特性—影响因素SVR预测模型,对颗粒阻尼减振结构的阻尼特性进行预测,并通过实验进行了验证。结果表明:在选择适当的参数和核函数的基础上,利用该方法建立的预测模型,平均相对误差在10.3%左右;颗粒阻尼器的减振性能随填充率的增加而增加,颗粒填充率75%时,减振性能最好;颗粒密度是影响颗粒阻尼器减振效果的重要因素,颗粒密度越大系统的减振性能越好;颗粒阻尼器的减振性能随着颗粒直径的变化不明显。 相似文献
3.
《实验室研究与探索》2016,(9)
针对现有神经网络方法在预测超高压输电线路可听噪声方面存在的不足,提出了一种新的基于支持向量回归机的超高压输电线路可听噪声预测方法。在分析了超高压输电线路可听噪声主要影响因素的基础上,建立了超高压输电线路可听噪声预测指标体系,进一步建立了基于支持向量回归机的超高压输电线路可听噪声预测模型。仿真结果表明,所建立的预测模型合理有效,具有较高的预测精度和较好的推广价值。 相似文献
4.
5.
《实验室研究与探索》2017,(1)
针对神经网络方法预测并联机床表面粗糙度存在的不足,提出了一种新的基于支持向量回归机的并联机床表面粗糙度预测方法。以某型并联研抛机床为例确定了表面粗糙度预测模型的输入输出参数,建立了基于支持向量回归机的并联机床表面粗糙度预测模型。仿真实验的预测结果表明,所建立的预测模型具有较强的泛化能力,预测的准确性较高。 相似文献
6.
基于挣得进度的工期预测模型能支持对工程工期的预测,但预测模型都是建立在已发生的工程的挣得进度的基础上,对工程工期的预测不仅是静态的,而且在工程早期阶段,预测的精度不高.本研究基于挣得进度概念,采用灰色系统理论,建立灰色Verhulst全信息预测模型与新陈代谢预测模型,实现了对工期的动态预测.利用三个实际的工程项目的数据,用所建模型对工程工期进行对比仿真预测,然后与挣得进度模型的预测结果进行对比验证.结果表明,基于挣得进度的灰色新陈代谢模型不仅实现了对项目工期的动态预测,而且预测精度比其它两种模型都高. 相似文献
7.
准确预测云资源短期负载对提高云平台资源管理效率、保障云服务质量至关重要。针对传统模型在面对小样本、非线性云资源负载数据时预测精度不高，提出一种基于变分模态分解(VMD)和改进麻雀搜索算法(ISSA)优化最小二乘支持向量机(LSSVM)的云资源短期负载预测模型。将原始负载数据通过VMD分解成多个相对平稳的模态分量；对麻雀搜索算法进行优化，增强种群多样性，提高寻优性能和收敛速度。利用改进麻雀搜索算法优化LSSVM的关键参数，建立VMD-ISSA-LSSVM预测模型。利用Wikipedia网站的云资源负载数据进行仿真，结果表明，所提模型在预测精度上优于参照模型。 相似文献
8.
9.
《实验室研究与探索》2016,(10):24-27
针对神经网络方法在磨削力预测方面存在的网络结构不好确定和样本需求量大等不足,提出了一种新的基于支持向量回归机的磨削力智能预测方法。介绍了支持向量回归机的基本原理,分析了影响磨削力的主要因素,选用砂轮速度、工件速度和磨削深度作为输入参数,建立了基于支持向量回归机的磨削力预测模型。仿真结果表明,所建立的预测模型是合理有效的,与BP神经网络预测方法相比,预测的结果准确性更高。 相似文献
10.
铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。 相似文献
11.
微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值. 相似文献
12.
针对实际电能质量扰动种类繁多、扰动信号差异不明显、存在多种混合扰动,导致识别电能质量非常困难的情况,提出一种基于极点对称经验模式分解方法（ESMD）和支持向量机（SVM）的电能质量混合扰动信号分类识别新方法。首先,对加入白噪声的混合扰动信号利用小波软阈值去噪处理|其次,利用ESMD将信号分解为不同信号分量,对每类扰动的不同信号分量分别提取样本熵和互样本熵特征值,所有分量特征值构成特征向量|最后利用SVM对扰动信号特征向量进行分类和混合扰动识别。研究表明,该方法对混合扰动识别正确率很高,是一个有效的方法。 相似文献
13.
14.
为了探索悲伤刺激下的关键情感神经回路,利用功能核磁共振信号进行了动态因果建模．在Papez环路和相关先验知识的基础上建立情感环路的固有连接模型,并相应建立了3个调节连接模型．在这些模型中,实验刺激作用于不同的连接点,它们对脑区间的神经活动影响及对神经活动的调节方式都各自不同．然后通过贝叶斯模型比较,选出了最优模型．从群组分析中发现抑郁症患者前扣带回至右额下回的固有连接和调节连接均显著强于健康被试．随后将这些功能连接参数作为特征用于抑郁症分类,其中SVM分类器的准确率为80．73％．这也在一定程度上验证了功能连接用于抑郁症识别的有效性,并为抑郁症临床诊断提供了新的思路． 相似文献
15.
针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。 相似文献
16.
研究目的：为了同时预测固体氧化物燃料电池（SOFC）的电压、温度动态特性和设计控制器,建立SOFC的控制相关动态辨识模型。创新要点：为了建立SOFC更精确的最小二乘支持向量回归机（LSSVR）动态模型,采用遗传算法（GA）优化LSSVR的参数。所建GA-LSSVR模型可同时预测SOFC的电压和温度动态特性。研究方法：1.分析SOFC的电化学和能量平衡子模型。2.利用所选择的最优LSSVR参数,建立了SOFC的GA-LSSVR动态辨识模型。通过仿真分析和比较,验证了所建模型的有效性（图3和4）。3.利用所建模型的预测结果,与模拟退火算法优化最小二乘支持向量回归机（SAA-LSSVR）和5折交叉验证最小二乘支持向量回归机（5FCV-LSSVR）模型的预测结果进行了比较,表明所建立的GA-LSSVR模型具有较高的预测精度（表3和4）。重要结论：通过比较SAA-LSSVR和5FCV-LSSVR模型的预测结果,发现所建GA-LSSVR模型具有较好的预测性能和精度。基于所建立的GA-LSSVR模型可进行有效的多变量控制器设计。 相似文献
17.
针对传统信用评价方法分类精度较低、数据集属性变量间存在相关性等问题,提出基于主成分分析的稀疏贝叶斯学习（PCA-SBL）算法。首先对数据集特征变量进行主成分分析,使降维后的变量无相关性|其次,对主成分分析后的数据进行稀疏贝叶斯分类|最后将 PCA-SBL 分类方法分类精度与传统分类方法精度进行比较。分析发现,在 German Credit Data 和 Australian Credit Data 上,与传统 KNN、朴素贝叶斯、SVM、随机森林、决策树相比,改进的 SBL 算法分类精度平均提高了 5.26%、4.65%、2.11%、2.125%、4.66%,与稀疏贝叶斯学习算法（SBL）相比,平均提高 0.965%,从而证明 PCA-SBL 算法具有更高的分类效果。 相似文献
18.
船体外板复杂曲面自动化加工一直是船舶制造业研究热点和难点,由于加工过程中船板变形影响因素过多,导致船板加工变形预测一直不够准确快速。鉴于此,将两种复合变量用来表征加工过程中热源对应的众多加工参数,采用人工鱼群算法（AFSA）优化的支持向量机（SVM）预测船板变形。经实验验证,复合参数输入的AFSA-SVM模型预测船体外板水火线加热工艺变形线平均精确度为99.87%,角变形平均精确度为99.53%,且全局最优。将其与传统的PSO-SVM模型对比,不仅精确度有了提高,而且避免了局部极值导致的部分预测结果误差过大情况。 相似文献
19.
结合经验模态分解（empiricalmodedecomposition,EMD）算法和自适应神经模糊推理系统（adap-tiveneuralfuzzyinferencesystem,ANFIS）算法应用于股票市场预测,提出了一种新的股票市场的预测模型,即EMD-ANFIS的多步预测模型。首先应用EMD算法把原始数据分解成不同尺度的基本模态函数（IMF）和残差（RES）,然后通过ANFIS算法对生成的各个IMF和RES进行自适应神经模糊推理,再把各个预测结果进行简单的聚合作为股票的预测价格,并与传统的预测方法进行比较,实验证明了EMD-ANFIS的多步预测模型具有更高的预测精度。 相似文献