基于最小二乘支持向量机的选煤厂日用水量短期预测
8 浏览量
2020-07-18
14:44:49
上传
评论
收藏 935KB PDF 举报
第 ３２卷第 １０期
煤 炭 学 报
Ｖｏｌ．３２ Ｎｏ．１０
２００７年 １０月
ＪＯＵＲＮＡＬＯＦＣＨＩＮＡＣＯＡＬＳＯＣＩＥＴＹ
Ｏｃｔ． ２００７
文章编号：０２５３－９９９３（２００７）１０－１０９３－０５
基于最小二乘支持向量机的选煤厂
日用水量短期预测
郭小荟
１，２
，马小平
１
（１中国矿业大学 信息与电气工程学院，江苏 徐州 ２２１００８；２徐州师范大学 计算机科学与技术学院，江苏 徐州 ２２１１１６）
摘 要：针对选煤厂日用水量时间序列的预测问题，提出应用最小二乘支持向量机 （ＬＳＳＶＭ）
这一新的机器学习方法来实现日用水量的短期预测．借鉴多层动态自适应优化算法的思想，提出
最小二乘支持向量机参数优化的多层动态交叉验证法；用微熵率法求得选煤厂日用水量时间序列
的最佳嵌入维数和最佳延迟参数，重构相空间，建立了基于最小二乘支持向量机的选煤厂日用水
量时间序列等维信息一步预测模型．预测结果表明：基于 ＬＳＳＶＭ的预测模型的预测精度比 ＢＰ
神经网络预测模型的预测精度要高，能够满足选煤厂日用水量预测的需要．
关键词：最小二乘支持向量机；选煤厂日用水量；参数优化；ＢＰ神经网络；预测
中图分类号：ＴＤ９２８６ 文献标识码：
Ａ
收稿日期：２００６
－
１２
－
０１ 责任编辑：韩晋平
基金项目：江苏省自然科学基金资助项目 （ＢＫ２００３０２６）
作者简介：郭小荟 （１９７２－），女，河南温县人，博士研究生，讲师．Ｔｅｌ：０５１６－８２８１０６３６，Ｅ－ｍａｉｌ：ｇｘｈｚｊｒ＠ｘｚｎｕｅｄｕｃｎ
Ｃｏａｌｗａｓｈｅｒｙｄａｉｌｙｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｓｈｏｒｔｔｅｒｍ ｐｒｅｄｉｃｔｉｏｎｂａｓｅｄｏｎ
ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ
ＧＵＯＸｉａｏｈｕｉ
１，２
，ＭＡＸｉａｏｐｉｎｇ
１
（１ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＣｈｉｎａＵｎｉｖｅｒｓｉｔｙｏｆＭｉｎｉｎｇａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｘｕｚｈｏｕ ２２１００８，Ｃｈｉｎａ；２ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉ
ｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＸｕｚｈｏｕＮｏｒｍａｌＵｎｉｖｅｒｓｉｔｙ，Ｘｕｚｈｏｕ ２２１１１６，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ａｐｐｌｉｅｄａｎｏｖｅｌｍａｃｈｉｎｅｌｅａｒｎｉｎｇａｌｇｏｒｉｔｈｍｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ（ＬＳＳＶＭ）ｉｎｔｏｃｏａｌ
ｗａｓｈｅｒｙｄａｉｌｙｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｔｉｍｅｓｓｅｒｉｅｓｐｒｅｄｉｃｔｉｏｎ．Ｆｉｒｓｔｌｙ，ｒｅｆｅｒｅｎｃｉｎｇｔｈｅｐｒｉｎｃｉｐｌｅｏｆｍｕｌｔｉｌａｙｅｒａｄａｐｔｉｖｅ
ｂｅｓｔｆｉｔｔｉｎｇｐａｒａｍｅｔｅｒｓｓｅａｒｃｈａｌｇｏｒｉｔｈｍ，ａＬＳＳＶＭ’ｓｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａｔｉｏｎｍｅｔｈｏｄｗｈｉｃｈｗａｓｃａｌｌｅｄｍｕｌｔｉｌａｙｅｒ
ｄｙｎａｍｉｃｃｒｏｓｓｖａｌｉｄａｔｉｏｎａｌｇｏｒｉｔｈｍｗａｓｐｒｏｐｏｓｅｄ，ａｎｄｔｈｅｎｔｈｅｏｐｔｉｍａｌｅｍｂｅｄｄｉｎｇｄｉｍｅｎｓｉｏｎａｎｄｄｅｌａｙｔｉｍｅｗｅｒｅ
ｏｂｔａｉｎｅｄｂｙｔｈｅｄｉｆｆｅｒｅｎｔｉａｌｅｎｔｒｏｐｙｒａｔｉｏｍｅｔｈｏｄ．Ｉｎｔｈｅｒｅｃｏｎｓｔｒｕｃｔｅｄｐｈａｓｅｓｐａｃｅ，ｔｈｅｅｑｕａｌｄｉｍｅｎｓｉｏｎａｎｄｎｅｗ
ｉｎｆｏｒｍａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｏｆｃｏａｌｗａｓｈｅｒｙｄａｉｌｙｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎｔｉｍｅｓｅｒｉｅｓｗａｓｅｓｔａｂｌｉｓｈｅｄｂａｓｅｄｏｎＬＳＳＶＭ．
ＴｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｐｒｅｃｉｓｉｏｎｏｆｔｈｉｓｍｏｄｅｌｉｓｓｕｐｅｒｉｏｒｔｏｔｈａｔｂａｓｅｄｏｎＢＰｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｃａｎ
ｓａｔｉｓｆｙｔｈｅｎｅｅｄｏｆｒｅａｌａｐｐｌｉｃａｔｉｏｎｓ．
Ｋｅｙｗｏｒｄｓ：ｌｅａｓｔｓｑｕａｒｅｓｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ；ｃｏａｌｗａｓｈｅｒｙｄａｉｌｙｗａｔｅｒｃｏｎｓｕｍｐｔｉｏｎ；ｐａｒａｍｅｔｅｒｓｏｐｔｉｍｉｚａ
ｔｉｏｎ；ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋ；ｐｒｅｄｉｃｔｉｏｎ
选煤厂用水量是选煤过程的一个重要参量．实现选煤厂用水量的短期预测，一方面便于及时发现和排
除工艺环节的跑、冒、滴、漏事故，实现企业水资源的合理监督与管理；另一方面对于厂矿管理者和高层
决策者制定下一阶段的生产计划和在集成生产系统基础上建设决策支持系统具有重要的作用，并为上述功
能部门提供必要的数据准备与支持
［１］
．
中国煤炭行业知识服务平台www.chinacaj.net
评论0
最新资源