【目的】在底部具有木质样本热源的圆柱形封闭腔内,基于最小二乘支持向量机(LS-SVM)建立自然对流引起的温度场预测模型,研究采暖木质地板蓄热后的温度场分布规律,为后续反演采暖木质地板的蓄热特性提供数据基础。【方法】首先,给出圆柱形封闭腔物理模型的边界条件和木质样本初始温度,根据流体力学定律建立热场传热的质量、动量和能量守恒方程,并用计算流体力学(CFD)软件进行求解。其次,对CFD求解的数据进行归一化处理,并根据木质样本初始温度将归一化后的数据分成训练集和验证集2部分,其中训练集5 481个温度,验证集8组,每组609个温度;利用训练集对LS-SVM模型进行训练,采用果蝇优化算法对模型的核函数参数σ和正则化参数γ进行寻优,得到σ和γ的最优参数组合为[1.0×10~(10),0.06]。最后,应用优化好的模型分别对每个验证集上的温度值进行预测,并与BP神经网络方法的预测结果进行比较。【结果】LS-SVM对不同样本温度场预测的最大拟合度为0.998 9,最小为0.996 8;平均相对误差、最大相对误差和均方误差最大值分别为0.25%、2.6%和0.31%,最小值分别为0.054%、0.84%和0.12%;最长建模时间为12.93 s,最短为12.72 s。与之相比,BP神经网络预测的最大拟合度为0.999 7,最小为0.998 3;平均相对误差、最大相对误差和均方误差最大值分别为0.47%、5.43%和0.63%,最小值分别为0.21%、2.08%和0.33%;最长建模时间为107.15 s,最短为106.23 s。LS-SVM对不同样本温度场预测的拟合误差比BP神经网络方法的预测结果要小一些,拟合度与BP神经网络方法相近,建模和预测需要的时间明显少于BP神经网络。【结论】采用LS-SVM对采暖木质地板的蓄热温度场建模是可行的,该方法适合对小样本建模,泛化性较好,对在试验条件下利用有限数据来对温度场建模和预测具有明显优势,可为后续开展采暖木质地板蓄热机制的反演工作提供指导。

【目的】提出基于自适应神经模糊推理系统(ANFIS)的木质地板蓄热性能温度场预测算法,为木质地板蓄热性能分析提供数据支撑。【方法】以地采暖地板蓄热性能分析仪密闭绝热圆柱腔为研究对象,在腔体内部布设由150个温度传感器组成的6层阵列,将腔体内部分为150个子空间。首先,将腔体内温度传感器序号和时间作为系统输入,传感器阵列采集的温度值作为系统输出,构建ANFIS温度场模型。然后,将所选用的训练数据输入模型,调整相应参数,完成封闭腔温度场时间模型训练。最后,将其他未参与训练数据输入到已训练好的模型中,得到预测值,并通过相应计算公式验证该方法对木质采暖地板温度场预测分析的适用性。【结果】温度场预测值拟合度达0.988以上,拟合误差也控制在较低水平,其中均方误差低于0.19%、最大相对误差低于1.22%、平均相对误差低于0.36%。【结论】基于ANFIS的封闭腔温度场预测模型能够完整表达出试验仪器腔体的温度场特征,且在建模的简化度、泛化能力和稳健性上均具有较好表现,能够用已被训练过的系统较好地对传感器任意时间点进行温度预测。

【目的】提出一种木质地板蓄热性能温度场实时并行采集方法,为木质地板蓄热性能检测奠定理论和实践基础。【方法】构建真空夹层绝热密闭空间,密闭空间边缘处开有推送口,并由楔形门将其密封。绝热密闭空间内中间部位放置被测样品,在被测样品上下空间内各安装75个传感器,构成2个传感器阵列。传感器阵列群中每个传感器通过单总线方式与控制器I/O口连接,每个I/O口与3个微型传感器以单总线方式连接。测试空间上、下2部分传感器阵列各使用25个I/O口,分别由2个控制器控制,控制器发送匹配、转换命令的同时并行采集转换后的温度值。将具有一定温度的被测样品通过推送口推送至具有一定初始温度的绝热密闭空间内,传感器阵列群实时记录密闭空间内温度场变化,并存储到实时数据库中。【结果】150个温度传感器的数据采集时间为2.4 s,温度采集精度达到±0.1℃,能够满足木质地采暖地板蓄热性能检测和研究的数据需要。【结论】本研究设计的绝热密闭空间温度传感器阵列数据采集系统能够实时、准确采集到试验所需数据,为设备的数据采集和数据分析提供前提,保证了整个检测设备试验结果的可靠性。

【目的】基于测试获取的有限点温度数据,采用BP神经网络对封闭腔内部时间和空间维度的温度场进行预测,为地采暖地板蓄热性能的分析计算提供理论和数据支撑。【方法】基于课题组自行研制的地采暖地板释热温度场测试设备,获取测试腔体内部测点的温度数据,并划分为神经网络训练集和测试集:时间维度上,将每个测点的三维空间坐标和该测点前3个时间节点的温度值作为输入,各个测点第4个时间节点的温度值作为输出,其中,前80组作为训练集,后28组作为测试集;空间维度上,均匀选出总量4/5测温点的数据作为训练集,剩余1/5测温点的数据作为测试集。基于训练集,分别建立时间和空间维度的BP神经网络模型,并由测试集完成对模型的验证。【结果】时间维度上,平均相对误差(MRE)=0.269 2%,最大相对误差(MAE)=5.916 0%,均方误差(MSE)=0.422 4%,拟合度(R~2)=0.998 7;空间维度上, MRE=0.364 2%,MAE=4.781 8%,MSE=0.521 9%,R~2=0.998 5。【结论】BP神经网络方法预测结果可信度较高,可有效获取地采暖地板检测腔体内部连续完整的温度场,为后续地采暖地板蓄热性能的分析计算提供理论和数据支撑。

【目的】围绕木质地板蓄热特性,针对木质地板蓄热后生成的温度场分布建立基于孪生支持向量机(TWSVM)和模糊算法的温度组合预测模型,为后续研究木质地板的蓄热规律提供有效分析手段。【方法】首先,将加热到设定温度的木质地板样本推送至地采暖地板蓄热性能检测仪器的检测腔内自由放热,利用仪器内呈多层环状分布的温度传感器阵列在时间和空间维度上动态提取温度值,并进行滤波降噪和归一化处理。其次,针对建模数据过多导致的TWSVM计算复杂度迅速膨胀问题,将试验数据均匀分块,每个分块数据中的验证集样本随机提取,剩余为训练集样本,采用TWSVM分别训练每个训练集样本,并用对应样本中的验证集进行泛化性验证,运用网格搜索法对TWSVM模型的核函数参数σ、惩罚参数γ和松弛因子ξ进行寻优。最后,基于模糊原理,对验证样本的输入空间构建高斯隶属度函数,并应用隶属度函数将模型预测结果进行模糊叠加,叠加后的输出作为模型最终训练结果。【结果】基于模糊的TWSVM方法预测时间维度下不同样本温度值的最大拟合度为99.59%,最小为98.92%,最长建模时间为186.90 s,最短建模时间为64.39 s;预测空间维度下不同样本温度值的最大拟合度为99.23%,最小为98.96%,最长建模时间为274.37 s,最短建模时间为93.30 s。【结论】TWSVM在计算中涉及矩阵求逆问题,适合对维数较小的数据样本进行建模,由于本研究木质地板蓄热特性需要的温度数据量较大,因此采用TWSVM直接对该试验数据进行建模具有较大局限性;引入模糊方法后,先将温度数据分别在时间和空间维度上分割成多个小的训练样本,然后对每个训练样本分别采用TWSVM建模和训练,根据模糊规则,以每个温度点在模糊函数上的隶属度叠加值来确定最终预测结果,可提高TWSVM方法建模的适应范围,并充分发挥其快速性和泛化性优势。

【目的】基于传热反问题研究方法,采用BP神经网络对地采暖地板蓄热性能进行反演计算,为地采暖地板蓄热性能分析提供理论和方法支撑。【方法】基于CFD软件构建检测腔体数值模型,模拟获取结构单一样本在不同初始温度(50～130℃范围内每间隔5℃设定一个模拟工况)下散热形成的温度场分布数据,并将初始温度为50、60、70、80、90、100、110、120和130℃的温度场分布数据作为神经网络模型的训练集,初始温度为55、65、75、85、95、105、115和125℃的温度场分布数据作为神经网络模型的测试集。【结果】经反复训练比较,获取较优的神经网络模型,其测试集的平均相对误差(MRE)=0.68%,最大相对误差(MAE)=19.51%,均方误差(MSE)=1.18%,拟合度(R~2)=0.98。基于该神经网络模型,选取白桦、水曲柳、西南桦、柞木4种典型实木地采暖地板样本进行蓄热性能反演计算,结果显示4种实木地采暖地板的蓄热性能表现为柞木>西南桦>水曲柳>白桦。【结论】经训练的神经网络模型可有效预测不同地采暖地板的蓄热性能,基于BP神经网络反演地采暖地板蓄热性能的方法可行。

针对超磁致伸缩材料(GMM)的强非线性特征,提出了一种新的超磁致伸缩驱动器(GMA)实验系统及其数据驱动建模方法.实验中的测量数据取自光栅传感器,采用数据驱动原理,基于最小二乘支持向量机(LS-SVM)实现了GMA的非线性建模.对模型性能进行了实验评估,预测了GMM棒的动态特性,并讨论了驱动电压对输出特性的影响.实验结果显示,该模型能较好地预测GMA的制动输出,预测误差在0.05%以内.

In this paper, a new method based on LS-SVM (Least Squares Support Vector Machines) is presented to deal with credit assessment in commercial banks for solving the problem of inadequate samples of the financial data,which usually happended in most banks in China.On the basis of SLT(Statistical Learning Theory),this approach with methodology of SRM (Structural Risk Minimization)will overcome the shortcomings of traditional credit assessment models,such as over fitting and local optimization,and,by using kernel functions in model,it will effectively solve the problems of linear inseparability and selecting parameters of model.The approach has some good properties including a generalization ability and global optimization in terms of sample processing.It is a new way for the credit assessment on the condition of small samples from bank data.The feasibility,effectiveness and practicability of presented approach was verified by experiments.

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型。并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007~2009年四川省天然气消费量。

以短期融资券为研究对象,构建基于信用利差的公司违约概率样本,并将传统正定核最小二乘支持向量机(LS-SVM)模型拓展到不定核LS-SVM模型对公司违约概率展开合理预测分析,进而对不定核LS-SVM模型与正定核LS-SVM模型以及Logistic模型进行了全行业以及分行业公司违约概率的预测精度对比。实证结果表明,基于不定核LS-SVM模型的公司违约概率预测模型无论在全行业还是在分行业中均展现出最优的预测性能,且具有更为优异的稳健性。

天然气消费量的预测对于四川省这样的一个天然气资源大省有着非常重要的意义。影响天然气消费量的因素很多,并且影响机制比较复杂,传统的线形预测模型必然会存在较大误差。文章在考虑影响四川省天然气消费量众多影响因素的基础上,选择出比较有代表性的自变量体系,利用主成分分析方法对自变量体系进行降维及去噪,并将生成的主成分作为四川省天然气消费量预测模型的自变量体系,采用最小二乘支持向量机(LS-SVM)建立非线形预测模型。结果表明,该模型性能明显强于其它预测模型,具有一定的应用价值。

文章针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用模拟退火算法(SA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用。用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的。

为准确对乳腺肿瘤进行分类诊断,减轻病患痛楚,提出基于邻域粗糙集与遗传算法修正的LS-SVM解析模型的乳腺肿瘤分类诊断模型。文章对1569例乳腺癌患者数据在邻域粗糙集约简基础上,建立LS-SVM解析模型,利用遗传算法对LS-SVM解析模型参数修正并将修正后的模型对乳腺肿瘤进行分类诊断,与现有的方法对比发现,组合模型精确度高于LS-SVM、神经网络等模型。基于邻域粗糙集与修正LS-SVM解析模型的乳腺肿瘤分类诊断模型具有较好的临床诊断价值,其应用为乳腺肿瘤的诊断提供了一种新思路。

为准确对乳腺肿瘤进行分类诊断,减轻病患痛楚,提出基于邻域粗糙集与遗传算法修正的LS-SVM解析模型的乳腺肿瘤分类诊断模型。文章对1569例乳腺癌患者数据在邻域粗糙集约简基础上,建立LS-SVM解析模型,利用遗传算法对LS-SVM解析模型参数修正并将修正后的模型对乳腺肿瘤进行分类诊断,与现有的方法对比发现,组合模型精确度高于LS-SVM、神经网络等模型。基于邻域粗糙集与修正LS-SVM解析模型的乳腺肿瘤分类诊断模型具有较好的临床诊断价值,其应用为乳腺肿瘤的诊断提供了一种新思路。

文章提出了一种基于灰色相似度和信息熵的最优样本子集生成方法,进而采用LS-SVM方法建立了软件成本预测模型,并运用混合网格搜索和粒子群优化算法进化得到模型的各项参数。实证以加拿大软件园的desharnais数据集为对象,通过网格搜索确定灰色相似度的分辨系数和样本子集的相似度阈值,采用粒子群算法确定LS-SVM模型的参数,通过与线性回归和不考虑样本子集生成的预测结果比较发现:该方法在软件成本预测中的准确率有较大提高。