acpso—svr结合的非线性建模预测算法研究 application of adaptive chaos particle swarm optimization and support vector regression for modeling and forecasting of nonlinear system.pdfVIP

下载本文档

7
0
约1.65万字
约 4页
2017-08-21 发布于上海
举报
版权申诉

acpso—svr结合的非线性建模预测算法研究 application of adaptive chaos particle swarm optimization and support vector regression for modeling and forecasting of nonlinear system.pdf

1、原创力文档（book118）网站文档一经付费（服务费），不意味着购买了该文档的版权，仅供个人/单位学习、研究之用，不得用于商业用途，未经授权，严禁复制、发行、汇编、翻译或者网络传播等，侵权必究。。
2、本站所有内容均由合作方或网友上传，本站不对文档的完整性、权威性及其观点立场正确性做任何保证或承诺！文档内容仅供研究参考，付费前请自行鉴别。如您付费，意味着您自己接受本站规则且自行承担风险，本站不退款、不进行额外附加服务；查看《如何避免下载的几个坑》。如果您已付费下载过本站文档，您可以点击这里二次下载。
3、如文档侵犯商业秘密、侵犯著作权、侵犯人身权等，请点击“版权申诉”（推荐），也可以打举报电话：400-050-0827(电话支持时间：9:00-18:30)。
4、该文档为VIP文档，如果想要下载，成为VIP会员后，下载免费。
5、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问请联系我们。
6、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
7、VIP文档为合作方或网友上传，每下载1次，网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档

acpso—svr结合的非线性建模预测算法研究 application of adaptive chaos particle swarm optimization and support vector regression for modeling and forecasting of nonlinear system

第 2O卷第 5期电子设计工程 2012年 3月 V01．20 No．5 ElectronicDesignEngineering Mar．2012 ACPSO—SVR结合的非线性建模预测算法研究韩晓霞，谢刚，韩晓明，谢克明 (太原理工大学信息工程学院，山西太原 030024) 摘要：提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法 (ACPS0一SVR)，引入 ACPSO 启发式寻优机制对 SVR模型的超参数进行自动选取，在超参数取值范围变化较大的情况下，效果明显优于网格式搜索算法。选取 UCI机器学习数据库中的Forestfires标准数据集进行测试，实验结果表明该方法具有较高的精度和良好的泛化能力．对于解决多变量的回归预测问题是一种有效的方法。最后给出了混合算法在碳一多相催化领域的两种典型应用．在反应动力学模型未知的情况下建立催化剂组份模型和操作条件模型，以及基于混合算法的最优催化剂设计框架。关键词：支持向量机；自适应混沌粒子群优化；建模；预测；碳一多相催化剂中图分类号：TP391 文献标识码：A 文章编号：1674—6236(2012)05—0014—04 Applicationofadaptivechaosparticleswarm optimizationandsupportvector regressionformodelingandforecastingofnonlinearsystem HAN Xiao—xia，XIEGang，HAN Xiao-uring，XIEKe-ming (CollegeofInformationEngineering，T~yuanUniversityofTechnology，Taiyuan030024，China) Abstract：Aneffectiverelevancepredictionalgorithm ispresentedfornonlinearsystem forecastingandmodelingbasedon adaptive chaos particle swarm optimization and suppo~ vectorregression，namely ACPSO-SVR method．A heuristic optimizationmethodACPSOwasintroducedtoautomaticselectionofhyper-parametersinSVR．Theforestfiresstandarddata setofUCImachinelearningdatabasewasselectedtotest．Th eexperimentalresultsshowedthathtenew methodhashigh relativelyprecisionandgoodgeneralizationabilitywithawiderangeofparameterValues，betterthanthatofmeshsearching algorithm．Itcouldbeusedasaneffectivemethodtosolvehteproblemsofmultivariateregressionpredication．Moreover，two mainapplicationswereintroduced in C1heterogeneouscatalystsyield，obtainingthecatalystcompositionmodelandthe kineticmodel，andbuildingtheoptimizationframeworkofcatalystdevelopmentinlaboratory． Key words： supportvect