|
OALib Journal期刊
ISSN: 2333-9721
费用：99美元
|
|
|
|
基于遗传算法优化参数的支持向量机燃煤发热量预测
, PP. 14-19
Keywords: 支持向量回归机,遗传算法,神经网络,煤,低位发热量,预测
Abstract:
利用支持向量回归机（svr）和遗传算法（ga）对煤的低位发热量建模，采用遗传算法对支持向量机预测模型的各项参数进行寻优，为减少所选参数对训练样本的依赖性，引入交叉验证的思想，以推广能力最好的一组参数作为最终参数。将优化参数代入svr模型，得到基于遗传算法的支持向量回归机(ga[cd*2]svr)模型。通过对电厂入炉煤的试验数据进行分析，并且与常规svr模型和bp神经网络模型（bp[cd*2]ann）进行对比，以验证该模型的可靠性和精确性。结果表明，该方法可准确地预测燃煤发热量。
| [1] | 苏伟,陈刚.应用人工神经网络方法处理电厂入厂煤煤质分析数据[j].热力发电,2000（4）:9[cd*2]11.[2]苏伟,周永言,李树成.建立非线性模型研究动力用煤煤质特性指标间的关系[j].动力工程,2003,23(4):2603[cd*2]2605.[3]关跃波,尹涌澜,孙斌，等.应用最小二乘支持向量机预测煤的发热量[j].东北电力大学学报,2006,26(6):66[cd*2]69.[4]吴德会.一种燃煤质量的综合预测方法[j].热力发电,2008,37(1):26[cd*2]30.[5]陈文敏.煤质分析结果的定性与定量审查[m].北京:煤炭工业出版社,1994.[6]vapnik.统计学习理论[m].张学工,译.北京:电子工业出版社,2004[7]vapnikvn.statisticallearningtheory[m].newyork:wiley,1998.[8]sergiost,konstantinosk.模式识别[m].北京:电子工业出版社,2004.[9]amaris,wus.improvingsupportvectormachineclassifierbymodifyingkernelfunctions[j].neuralnetworks,1999,12(5):783[cd*2]789.[10]李良敏,温广瑞,王生昌.基于遗传算法的回归型支持向量机参数选择法[j].计算机工程与应用,2008,44(7):23[cd*2]26.[11]吴景龙,杨淑霞,刘承水.基于遗传算法优化参数的支持向量机短期负荷预测方法[j].中南大学学报(自然科学版),2009,40(1):180[cd*2]184.[12]李敏强,寇纪凇.遗传算法的基本理论与应用[m].北京:科技出版社,2003.[13]杜京义,侯媛彬.基于遗传算法的支持向量回归机参数选取[j].系统工程及电子技术,2006,28(9):1431[cd*2]1433.[14]cherkassyv,yunqianma.practicalselectionofsvmparametersandnoiseestimationforsvmregression[j].neuralnetworks,2004,17:113[cd*2]126.[15]chapelleo,vapnikv,bousqueto,etal.choosingmultipleparametersforsupportvectormachines[j].machinelearning,2002,(46):131[cd*2]159.
|
Full-Text
|
|
Contact Us
service@oalib.com QQ:3279437679 
WhatsApp +8615387084133
|
|
