智能优化支持向量机预测算法及应用研究.pdf

目录 目录 目录i 图表目录 iii 摘要v Abstractvii 第一章 绪论1 1.1 选题背景及意义1 1.2 研究现状及存在的问题3 1.2.1 时间序列分析的研究现状及存在的问题3 1.2.2 支持向量机研究现状及存在的问题4 1.3 本文的主要工作及结构安排11 第二章 相关知识13 2.1 时间序列分析理论与方法13 2.1.1 时间序列分析13 2.1.2 时间序列预测方法17 2.2 支持向量机基本理论17 2.2.1 支持向量机的理论基础18 2.2.2 标准支持向量机模型22 2.3 本章小结28 第三章 基于混沌时间序列的粒子群优化支持向量机预测算法(CP-SVM)及其应用 29 3.1 概述29 3.1.1 支持向量机参数优化30 3.1.2 混沌时间序列预测方法32 3.2 粒子群优化支持向量机38 3.2.1 粒子群算法39 3.2.2 粒子群优化 SVM42 3.3 混沌时间序列分析42 3.3.1 相空间重构43 3.3.2 混沌时间序列的确定性检验50 3.4 数据预处理和去除噪声51 3.4.1 数据预处理52 3.4.2 小波去噪52 3.5 CP-SVM预测算法57 3.6 CP-SVM预测算法在电力负荷短期预测中的应用61 3.6.1 电力负荷短期预测的意义和常用方法62 3.6.2 CP-SVM 预测算法在自动抄表系统中的应用63 3.6.3 实验结果及比较66 3.7 本章小结68 第四章 基于核主成分分析特征提取的支持向量机预测算法(KQP-SVM)及其应用 69 4.1 特征提取69 4.1.1 概述69 i 目 录 4.1.2 特征提取的一般方法72 4.2 核主成分分析特征提取74 4.2.1 主成分分析74 4.2.2 核主成分分析78 4.3 KQP-SVM预测算法82 4.4 性能比较85 4.5 本章小结87 第五章 序列最小优化小波核最小二乘支持向量机预测算法(SWLS-SVM) 89 5.1 小波核89 5.1.1 核函数选择问题89 5.1.2 小波核96 5.2 小波核最小二乘支持向量机预测算法97 5.2.1 最小二乘支持向量机97 5.2.2 小波核最小二乘支持向量机101 5.3 SWLS-SVM 预测算法102 5.4 小波核最小二乘支持向量机参数选择105 5.5 本章小结106 第六章 SWLS-SVM 在火电锅炉主汽温预测控制中的应用107 6.1 预测控制概述107 6.1.1 模型预测控制基本原理107 6.1.2 预测模型建模方法112 6.2 火电锅炉主汽温预测控制系统114