导读:本文包含了在线支持向量回归论文开题报告文献综述及选题提纲参考文献，主要关键词:在线支持向量回归,SOC,核函数,神经网络
在线支持向量回归论文文献综述
朱江,张伟,马嵩[1]（2019）在《基于在线支持向量回归的锂离子电池SOC估计》一文中研究指出对于锂离子电池来说,其化学特性是动态非线性的,并具有较强的耦合性,但是现在常用的电池模型并不能准确表达其上述特性。训练样本数量定量时,在线支持向量回归机可以在线实时更新模型,且具有全局最优、良好的泛化能力。训练模型时,采用输入变量为工作电压和温度,输出变量为荷电状态。仿真结果表明,与BP神经网络相比,在线支持向量回归可以准确预测电池的充电状态,具有较高的SOC预测精度和稳定性。(本文来源于《电源技术》期刊2019年10期）
刘俊磊,钱峰,伍双喜,杨银国,孙百哲[2]（2019）在《基于支持向量回归的直流受端电网动态无功需求在线评估》一文中研究指出暂态电压稳定性已经成为直流受端电网安全的重要威胁之一,实时在线的动态无功源管理和控制是应对这一挑战的有效手段。因此,有必要研究直流受端电网的动态无功需求在线评估技术,量化评估动态无功设备对电网暂态电压稳定性的支撑作用。以往,主要依赖时域仿真法对大电网的暂态电压稳定性进行分析,由于计算耗时较长等原因导致其在线应用受限。针对这一问题,提出了基于支持向量回归(SVR)的直流受端电网动态无功需求在线评估方法。首先,建立了能够量化评估电网暂态电压稳定性的STVSI-SVR模型,然后提出了以该模型为基础的动态无功储备评估算法。相比于传统的基于时域仿真的分析方法,该算法能够快速地计算出合理的结果,满足在线应用的需求。最后在我国某实际受端电网模型上测试了算法的有效性。(本文来源于《电力系统保护与控制》期刊2019年13期）
张心光[3]（2019）在《基于支持向量回归机的船舶操纵运动在线辨识建模》一文中研究指出采用滚动时间窗的方法实现支持向量机的在线辨识。以船舶操纵运动响应模型为研究对象,并由10°/10°和15°/15°仿真Z形试验数据构造支持向量机参数辨识所需的训练样本对,应用支持向量机进行船舶操纵运动在线辨识建模,回归操纵运动响应模型中的操纵性指数,并利用建立的响应模型进行Z形试验的数值模拟。将Z形试验数值模拟结果同仿真Z形试验数据进行比较,结果表明,在线式支持向量回归机是一种进行船舶操纵运动在线辨识建模的有效方法。(本文来源于《船舶工程》期刊2019年03期）
张丹丹,丛岩[4]（2018）在《基于支持向量回归机SVR的钻削力在线预测分析》一文中研究指出钻削力预测是深孔加工质量监测和工艺参数优化等工作的重要手段。针对现有预测方法样本需求量大、网络结构复杂以及易陷入局部极值等问题,提出了一种新的基于支持向量回归机的钻削力预测方法。首先,对钻削轴向力和扭矩预测的主要影响因素进行分析,然后确定预测模型的输入输出参数,进一步建立了基于支持向量回归机的钻削力预测模型。仿真实例的预测结果表明:利用所构建的SVR预测模型对10组样本扭矩和轴向力预测的平均相对误差分别为1. 13%和1. 26%,远小于其他预测方法,说明所建立的模型预测精度高,具有较强的泛化能力。(本文来源于《重庆理工大学学报(自然科学)》期刊2018年12期）
王洪鹏,陈锋[5]（2018）在《基于在线支持向量回归的车辆跟驰模型研究》一文中研究指出随着智能交通系统(Intelligent Transportation Systems, ITS)的研究与应用,对交通仿真系统在交通信息的实时采集、准确预测和有效发布等方面的要求越来越高,并由此产生了在线交通仿真技术。文章针对在线交通仿真应用环境,提出了基于在线支持向量回归的车辆跟驰模型,并利用NGSIM项目数据集对模型进行了参数标定和仿真验证。结果表明:本模型具有较高的预测精度、较好的有效性和稳定性,能够满足在线交通仿真系统的数据流特征和实时性要求。(本文来源于《电子技术》期刊2018年11期）
金作徽,翟志强,张若宇,邹昆霖,庞宇杰[6]（2018）在《基于支持向量回归的核桃在线称重系统》一文中研究指出为了对核桃重量进行在线检测,采用加速度传感器信号对称重传感器信号动态补偿校准和支持向量回归(SRV)预测方法,设计多传感器信息融合的核桃重量在线测试系统。对400枚核桃分别在速度为0.02,0.03,0.05 m/s条件下进行数据采集,并对采集的数据进行训练和校验,分析得到最优的核桃重量预测模型为基于线性核函数的SVR模型,较佳的测试速度为0.03 m/s。利用200枚核桃样本在0.03m/s的条件下进行实验验证,结果显示系统预测的核桃重量与核桃实际重量线性拟合的r~2为0.85,平均绝对误差为1.67g,表明该系统可以较为准确地实现核桃在线称重。(本文来源于《食品与机械》期刊2018年07期）
蒋敏,顾东健,孔军,田易之[7]（2018）在《基于在线序列极限支持向量回归的短期负荷预测模型》一文中研究指出由于电力市场的发展和智能电网技术的推广,负荷预测变得越来越重要。准确的预测结果有助于提高电力系统运行效率,降低运行成本,减少"电荒"事件的发生。在当前海量高维数据的背景下,有效并准确的在线预测方法是当下的研究重点。针对传统预测方法对新增数据需要重复训练造成的巨大计算消耗和模型利用率低的缺点,提出了一种基于在线序列极限支持向量回归算法(online sequential extreme support vector regression,OS-ESVR)的短期负荷预测模型(short-term load forecasting,STLF)。首先,利用基于随机森林模型的递归特征消除方法(recursive feature elimination based on random forest,RF-RFE)自动选择滞后负荷输入变量;其次,将得出的有效数据信息输入到在线序列支持向量回归模型进行训练学习,训练过程中通过简化粒子群算法(simplified particle swarm optimization,SPSO)对初始模型进行优化,得到训练后的在线序列支持向量回归模型;最后,利用测试数据测试模型。通过在新英格兰ISO(Independent System Operator)数据集进行仿真算例分析,验证了模型能够根据新增数据动态更新。同时预测结果表明了所提模型的时效性和准确性显着优于已有的同类方法。(本文来源于《电网技术》期刊2018年07期）
顾斌杰,潘丰[8]（2016）在《精确增量式在线v型支持向量回归机学习算法》一文中研究指出为了解决v型支持向量回归机(v-supportvector regression,v-SVR)对偶问题的目标函数中增加的额外线性项从而导致无法产生有效初始解的问题和在绝缘增量调整过程中可能存在的解路径不可行更新问题,提出了精确增量式在线v-SVR学习算法.首先基于v-SVR的等价形式,利用提前调整,宽松的绝缘增量调整和精确的恢复调整有效地解决了v-SVR对偶问题存在的上述问题.然后分别对算法的可行性和有限收敛性进行了理论分析.最后在四个基准测试数据集上的仿真结果进一步验证了该算法的每一步调整都是可靠的,经过有限次数调整最终收敛到最小化问题的最优解,而且与批处理学习算法相比,随着训练样本的增加,算法在缩短学习时间上的优势显着.(本文来源于《控制理论与应用》期刊2016年04期）
顾斌杰[9]（2015）在《精确增量式在线v-支持向量回归机的研究》一文中研究指出支持向量机(Support Vector Machines, SVM)是一种能够有效地解决小规模样本学习问题的机器学习方法,其理论基础是统计学习理论,近年来在数据挖掘、生物医学、图像处理、模式识别和人工智能领域应用广泛。样本的学习是SVM的核心问题之一。在实际的回归问题中,例如：生物反应过程、网络数据监控、金融数据分析和时间序列预测等,样本是在线环境下增量提供的,最为极端的情况是每次只增加一个新的样本。此时传统的批处理学习算法将会由于不具备实时性从而导致模型预测精度不高而且鲁棒性较差的问题,而增量式在线学习算法为解决上述问题提供了一种可行的途径。胪支持向量回归机(Support Vector Regression, SVR)是一种非常有效的回归学习方法,与ε-SVR相比,v-SVR的优点是参数ν能够控制支持向量的个数并能够自动调节不敏感损失函数的参数ε。然而,v-SVR的对偶问题要比ε-SVR的对偶问题复杂,因此目前为止还没有出现专门针对v-SVR的增量式在线学习算法的研究。本文在Cauwenberghs和Poggio提出的精确增量式在线C-支持向量分类机学习算法(称为C&P算法)基础上,重点研究了v-SVR的精确增量式在线学习算法及其可行性和有限收敛性,并将该算法应用于发酵过程的软测量,取得的研究成果如下：(1)针对v-SVR对偶问题存在的两个难题：一是箱约束不仅与惩罚参数而且还与训练样本集合的长度有关；二是与ε-SVR的对偶问题相比多出了一个不等式约束,提出了v-SVR的等价形式。通过将v-SVR原始问题的目标函数乘训练样本集合的长度并用等式约束代替不等式约束,解决了上述两个难题,为后续的研究工作奠定基础。(2)针对v-SVR的ν解路径算法存在的解路径不可行更新问题,提出了一种有效的ν解路径算法。基于v-SVR的等价形式及Karush-Kuhn-Tucker(KKT)条件,通过引入新的变量△g和附加项κΔρ的策略,有效地解决了在绝缘增量调整过程中存在的矛盾和异常,并最终经过有限次数迭代拟合出整个ν解路径。理论分析和仿真结果表明,该算法是可行且有效的。(3)为了解决v-SVR对偶问题的目标函数中增加的额外线性项而导致无法产生有效初始解的问题,以及直接将C&P算法应用于v-SVR在线学习存在的解路径不可行更新问题,基于v-SVR的等价形式及KKT条件,设计了一种精确增量式在线v-SVR学习算法。该算法包含叁步：第一步是提前调整；第二步是宽松的绝缘增量调整；第叁步是精确的恢复调整。理论分析证明了算法的可行性和有限收敛性。在基准测试集上的仿真结果进一步验证了理论分析的结论,而且与批处理学习算法相比具有更高的计算效率。(4)针对发酵过程中的一些重要生物状态变量难以在线测量的特征,将精确增量式在线v-SVR学习算法应用于谷氨酸分批补料发酵过程中菌体浓度和产物浓度的软测量,实现了菌体浓度和产物浓度的在线预估。仿真结果说明算法适合于发酵过程关键状态的在线预估。(本文来源于《江南大学》期刊2015-12-01）
仇晓智,张德利,刘双白,黄葆华[10]（2014）在《精确在线支持向量回归及其在热工过程在线建模中的应用》一文中研究指出热工过程往往具有非线性和不确定性,传统描述热工过程动态数学模型的方法难以建立非线性模型,从而难于精确实施热工过程优化控制。文章提出了一种基于精确在线支持向量回归算法的热工过程自校正辨识方法,并与基于最小资源分配网络的非线性模型进行比较分析。仿真研究结果验证了建模方法的有效性,且所得模型精度高,可直接应用于基于模型的控制算法。(本文来源于《华北电力技术》期刊2014年09期）
在线支持向量回归论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
暂态电压稳定性已经成为直流受端电网安全的重要威胁之一,实时在线的动态无功源管理和控制是应对这一挑战的有效手段。因此,有必要研究直流受端电网的动态无功需求在线评估技术,量化评估动态无功设备对电网暂态电压稳定性的支撑作用。以往,主要依赖时域仿真法对大电网的暂态电压稳定性进行分析,由于计算耗时较长等原因导致其在线应用受限。针对这一问题,提出了基于支持向量回归(SVR)的直流受端电网动态无功需求在线评估方法。首先,建立了能够量化评估电网暂态电压稳定性的STVSI-SVR模型,然后提出了以该模型为基础的动态无功储备评估算法。相比于传统的基于时域仿真的分析方法,该算法能够快速地计算出合理的结果,满足在线应用的需求。最后在我国某实际受端电网模型上测试了算法的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
在线支持向量回归论文参考文献
[1].朱江,张伟,马嵩.基于在线支持向量回归的锂离子电池SOC估计[J].电源技术.2019
[2].刘俊磊,钱峰,伍双喜,杨银国,孙百哲.基于支持向量回归的直流受端电网动态无功需求在线评估[J].电力系统保护与控制.2019
[3].张心光.基于支持向量回归机的船舶操纵运动在线辨识建模[J].船舶工程.2019
[4].张丹丹,丛岩.基于支持向量回归机SVR的钻削力在线预测分析[J].重庆理工大学学报(自然科学).2018
[5].王洪鹏,陈锋.基于在线支持向量回归的车辆跟驰模型研究[J].电子技术.2018
[6].金作徽,翟志强,张若宇,邹昆霖,庞宇杰.基于支持向量回归的核桃在线称重系统[J].食品与机械.2018
[7].蒋敏,顾东健,孔军,田易之.基于在线序列极限支持向量回归的短期负荷预测模型[J].电网技术.2018
[8].顾斌杰,潘丰.精确增量式在线v型支持向量回归机学习算法[J].控制理论与应用.2016
[9].顾斌杰.精确增量式在线v-支持向量回归机的研究[D].江南大学.2015
[10].仇晓智,张德利,刘双白,黄葆华.精确在线支持向量回归及其在热工过程在线建模中的应用[J].华北电力技术.2014