导读:本文包含了过程支持向量回归机论文开题报告文献综述及选题提纲参考文献，主要关键词:低温雨雪,冷湿指数,粒子群算法,非线性支持向量回归
过程支持向量回归机论文文献综述
孔庆燕,陆虹,金龙,周秀华,史旭明[1]（2019）在《低温雨雪过程的粒子群-支持向量回归预报方法》一文中研究指出低温雨雪冰冻灾害是多种气象要素在同时段、同区域相互配合迭加影响而形成的,具有显着的非线性、时变性特征,预报难度很大。为此首先采用逐步回归与核主成分分析相结合的因子特征提取构建模型的输入矩阵。进一步采用粒子群算法对支持向量回归预报模型的相关参数进行优化,以华南广西区域持续性低温雨雪冰冻天气过程的冷湿指数作为预报对象,建立粒子群-非线性支持向量回归预报模型(PSO-SVR)。由独立样本对比预报试验结果表明,在建模样本相同、预报因子相同的条件下,粒子群-支持向量回归预报模型对严重过程和一般过程低温雨雪天气过程冷湿指数的独立样本预报平均绝对误差分别为7.39和7.65;而相应的回归预报方程对这两种过程的独立样本预报平均绝对误差分别为11.18和7.94,显示了PSO-SVR预报模型的预报误差明显小于一般的线性回归方法。(本文来源于《自然灾害学报》期刊2019年05期）
赵玲,李学贵,许少华,夏惠芬[2]（2018）在《基于过程支持向量回归机的油田开发指标预测模型》一文中研究指出针对传统支持向量回归机在机制上难以直接对时变信号进行处理,提出了一种用.于时间序列预测的过程支持向量回归模型,面向油田开发指标综合分析预测等问题,提出了一种过程支持向量回归机模型,建立了基于涡流搜索的优化学习算法,方法可综合历史数据和开发条件,实现对油田开发指标的预测.(本文来源于《数学的实践与认识》期刊2018年10期）
李楠,卢钢,李新利,闫勇[3]（2016）在《基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法》一文中研究指出通过研究燃烧过程中的火焰自由基图像与NO_x排放之间的关系,提出了集成深度玻尔兹曼机和最小二乘支持向量回归的NO_x预测算法.首先采用深度玻尔兹曼机对4类火焰自由基图像(OH*、CN*、CH*和C*_2)进行自动图像特征学习,然后用最小二乘支持向量回归来拟合图像特征与NO_x排放量之间的关系,进而对NO_x排放量进行预测.结果表明:NO_x排放预测值与NO_x排放参考值具有一致性;与已有的基于图像的NO_x预测算法相比,所提方法在预测精度方面具有明显的优势.(本文来源于《动力工程学报》期刊2016年08期）
周平,李瑞峰,郭东伟,王宏,柴天佑[4]（2016）在《高炉炼铁过程多元铁水质量指标多输出支持向量回归建模》一文中研究指出针对高炉炼铁过程铁水温度、Si含量、S含量、P含量等关键质量指标难以直接在线检测,且离线化验过程滞后严重的难题,建立基于建模精度综合评价与遗传参数优化的铁水质量(molten iron quality,MIQ)多输出支持向量回归(multi-output support vector regression,M–SVR)动态模型,用于对高炉铁水质量指标进行在线估计.与常规单输出SVR建模不同,M–SVR可一次确定多个分类超平面,从而可实现多元铁水质量指标的多输出建模:建模精度综合评价指标从模型估计趋势以及估计误差等方面综合评价建模性能;以建模精度综合评价指标为适应度函数,采用遗传算法对M–SVR的伸缩向量和惩罚因子参数进行全局寻优,从而获得具有最优参数的GA–M–SVR动态模型.在某钢铁厂2#高炉的工业实验表明:所提GA–M–SVR模型能够根据实时输入数据的变化对多元铁水质量参数进行准确估计.(本文来源于《控制理论与应用》期刊2016年06期）
吴佳欢,王建林,于涛,赵利强[5]（2014）在《用于发酵过程多目标优化的几何支持向量回归Pareto前沿的连续近似方法（英文）》一文中研究指出The approaches to discrete approximation of Pareto front using multi-objective evolutionary algorithms have the problems of heavy computation burden, long running time and missing Pareto optimal points. In order to overcome these problems, an approach to continuous approximation of Pareto front using geometric support vector regression is presented. The regression model of the small size approximate discrete Pareto front is constructed by geometric support vector regression modeling and is described as the approximate continuous Pareto front. In the process of geometric support vector regression modeling, considering the distribution characteristic of Pareto optimal points, the separable augmented training sample sets are constructed by shifting original training sample points along multiple coordinated axes. Besides, an interactive decision-making(DM)procedure, in which the continuous approximation of Pareto front and decision-making is performed interactively, is designed for improving the accuracy of the preferred Pareto optimal point. The correctness of the continuous approximation of Pareto front is demonstrated with a typical multi-objective optimization problem. In addition,combined with the interactive decision-making procedure, the continuous approximation of Pareto front is applied in the multi-objective optimization for an industrial fed-batch yeast fermentation process. The experimental results show that the generated approximate continuous Pareto front has good accuracy and completeness. Compared with the multi-objective evolutionary algorithm with large size population, a more accurate preferred Pareto optimal point can be obtained from the approximate continuous Pareto front with less computation and shorter running time. The operation strategy corresponding to the final preferred Pareto optimal point generated by the interactive DM procedure can improve the production indexes of the fermentation process effectively.(本文来源于《Chinese Journal of Chemical Engineering》期刊2014年10期）
张颖,高倩倩,高茂庭[6]（2014）在《基于支持向量回归机算法的海水富营养化过程中藻类繁殖状态软测量研究》一文中研究指出提出了利用支持向量回归机算法(SVR)建立海水叶绿素-a浓度的软测量方法,采用灰色关联分析法获取叶绿素-a软测量模型的主要辅助测量变量。将基于支持向量回归机的叶绿素-a软测量结果与BP神经网络和T-S模糊神经网络方法进行了对比,结果表明,这种基于支持向量回归机的软测量方法能够有效测量海水叶绿素-a的浓度。(本文来源于《海洋预报》期刊2014年05期）
仇晓智,张德利,刘双白,黄葆华[7]（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）
卢文忠,刘丙杰,冀海燕[8]（2014）在《基于支持向量回归机的导弹平台调平过程模型辨识》一文中研究指出针对某导弹平台调平过程难以建立解析模型的问题,根据平台调平过程历史数据,采用支持向量回归机分别对平台的俯仰角θ1、偏航角θ2、滚动角θ3、加速度计当量wx、wy、wz、调平输出当量Ct七个参数的时间序列进行模型辨识。利用参数的前5组数据作为输入,后1组数据作为输出,利用最小二乘法对支持向量回归机进行训练。仿真结果证实,支持向量回归机模型辨识预测误差2.56%,满足导弹平台调平过程建模要求。(本文来源于《弹箭与制导学报》期刊2014年02期）
朱波,刘飞[9]（2014）在《基于优化多核支持向量回归的制造过程均值偏移幅度估计》一文中研究指出为更加准确地估计制造过程均值偏移幅度,提出了一种基于多核函数支持向量回归(SVR)的估计方法。多核函数由线性核、多项式核和径向基核3种基本核函数凸组合而成,并通过粒子群优化算法(PSO)对核参数、组合权重系数以及SVR的惩罚系数C进行联合优化,以五折交叉验证求得训练样本的决定系数均值作为粒子适应度值,使生成的多核SVR获得良好的泛化能力。将该多核SVR与累积和(CUSUM)控制图集成构建了过程均值偏移监测模型,仿真实验结果表明,该方法相对人工神经网络(ANN)方法估计精度明显提高,比采用单一径向基核函数的SVR更为优越;在实际齿轮加工过程中进行应用验证,进一步证实了该方法的有效性和实用性。(本文来源于《中国机械工程》期刊2014年05期）
王建林,冯絮影,于涛[10]（2012）在《支持向量回归的几何方法及其在发酵过程快速建模中的应用(英文)》一文中研究指出Support vector machine(SVM) has shown great potential in pattern recognition and regressive estima-tion.Due to the industrial development demands,such as the fermentation process modeling,improving the training performance on increasingly large sample sets is an important problem.However,solving a large optimization problem is computationally intensive and memory intensive.In this paper,a geometric interpretation of SVM re-gression(SVR) is derived,and μ-SVM is extended for both L1-norm and L2-norm penalty SVR.Further,Gilbert al-gorithm,a well-known geometric algorithm,is modified to solve SVR problems.Theoretical analysis indicates that the presented SVR training geometric algorithms have the same convergence and almost identical cost of computa-tion as their corresponding algorithms for SVM classification.Experimental results show that the geometric meth-ods are more efficient than conventional methods using quadratic programming and require much less memory.(本文来源于《Chinese Journal of Chemical Engineering》期刊2012年04期）
过程支持向量回归机论文开题报告
（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：
针对传统支持向量回归机在机制上难以直接对时变信号进行处理,提出了一种用.于时间序列预测的过程支持向量回归模型,面向油田开发指标综合分析预测等问题,提出了一种过程支持向量回归机模型,建立了基于涡流搜索的优化学习算法,方法可综合历史数据和开发条件,实现对油田开发指标的预测.
（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。
过程支持向量回归机论文参考文献
[1].孔庆燕,陆虹,金龙,周秀华,史旭明.低温雨雪过程的粒子群-支持向量回归预报方法[J].自然灾害学报.2019
[2].赵玲,李学贵,许少华,夏惠芬.基于过程支持向量回归机的油田开发指标预测模型[J].数学的实践与认识.2018
[3].李楠,卢钢,李新利,闫勇.基于集成深度玻尔兹曼机和最小二乘支持向量回归的燃烧过程NO_x预测算法[J].动力工程学报.2016
[4].周平,李瑞峰,郭东伟,王宏,柴天佑.高炉炼铁过程多元铁水质量指标多输出支持向量回归建模[J].控制理论与应用.2016
[5].吴佳欢,王建林,于涛,赵利强.用于发酵过程多目标优化的几何支持向量回归Pareto前沿的连续近似方法（英文）[J].ChineseJournalofChemicalEngineering.2014
[6].张颖,高倩倩,高茂庭.基于支持向量回归机算法的海水富营养化过程中藻类繁殖状态软测量研究[J].海洋预报.2014
[7].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
[8].卢文忠,刘丙杰,冀海燕.基于支持向量回归机的导弹平台调平过程模型辨识[J].弹箭与制导学报.2014
[9].朱波,刘飞.基于优化多核支持向量回归的制造过程均值偏移幅度估计[J].中国机械工程.2014
[10].王建林,冯絮影,于涛.支持向量回归的几何方法及其在发酵过程快速建模中的应用(英文)[J].ChineseJournalofChemicalEngineering.2012