导读:本文包含了模糊最小二乘支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:母线,负荷预测,模糊C均值算法,聚类
模糊最小二乘支持向量机论文文献综述
蒋燕,吴洋,栾毅,周彬彬,赵珍玉[1]（2019）在《基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究》一文中研究指出电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。(本文来源于《电气自动化》期刊2019年03期）
王媛[2]（2019）在《基于模糊最小二乘支持向量机的住宅类房地产评估研究》一文中研究指出近年来,房地产行业的跨越式发展受益于国家经济的长足发展,其中,房地产行业中的住宅类房地产的发展势头更胜一筹。一方面,经济的发展带动了人们收入水平的提高,从而增加了对住宅房屋的购买需求;另一方面,经济发展带来的通货膨胀使人们更倾向于购买住宅类房地产作为财富保值增值的理财方式。为促使房地产市场的规范、健康、有序发展和保证交易的公平性,住宅类房地产的合理定价就显得格外重要。同时,对于国家出台的房产税收等财政政策、分期付款买房等金融政策,也需要以客观公允的住宅类房地产价值作为实施基础。因此,如何对现实经济生活中存在的大量住宅类房地产的市场交易价值进行客观、公允、高效、合理的评估显得尤为重要。在实际评估中,住宅类房地产主要使用市场比较法、收益法、重置成本法等进行价值评估。这叁大方法有一定的应用前提,且在影响因素修正和个别指标确定上,均需要评估人员的主观判断,这就导致在一定程度上会降低住宅类房地产价值的客观公允性及合理性;同时,在面对频繁的住宅类房地产交易中,逐个评估会加大评估人员的工作量,评估效率低且评估成本大。本文结合房地产估价理论、单宗及批量住宅价值评估方法,提出了模糊最小二乘支持向量机(FLSSVM)算法来评估住宅类房地产价值的方法。当进行多个单宗住宅价值评估时,可对各评估对象收集其所在小区的多个类似交易案例,优化市场比较法中仅选取叁个案例的局限性,将这些案例汇集成大量住宅价值评估样本,采用FLSSVM进行批量评估训练,同时预测出多个单宗住宅的价值,从而提高评估效率和效果。本文首先介绍了住宅类房地产评估、机器学习等理论基础。其次,阐述常用的房地产估价方法及其运用现状,并分析住宅类房地产评估现状和问题。再次,提出使用FLSSVM评估方法进行估价的解决方法,说明该方法的构造思路并对该方法的可行性、适用性进行分析。最后,将该方法运用到实际案例的评估中,并对其评估结果与最小二乘支持向量机(LSSVM)回归方法、市场比较法的评估结果进行对比分析,以验证FLSSVM评估方法的适用性和可行性。(本文来源于《重庆理工大学》期刊2019-03-25）
邵玉倩,宗原,刘以安,刘登峰[3]（2019）在《基于机理模型和模糊加权最小二乘支持向量机(LSSVM)算法的农杆菌发酵过程混合建模与优化》一文中研究指出针对农杆菌ATCC31749发酵法产凝胶多糖过程中产物质量浓度预测精度不高问题,提出一种基于模糊加权最小二乘支持向量机(least squares support vector machine,LSSVM)算法和机理模型相结合的混合建模新方法。首先通过添加模糊加权思想和混合核函数方法对LSSVM算法进行优化,并用优化后的LSSVM求解农杆菌ATCC31749发酵过程动力学模型,结合鸟群算法对动力学模型参数进行寻优;然后拟合出溶氧体积分数和各参数之间的关联函数模型,并代入到动力学模型,建立起以溶氧浓度作为关键控制变量的发酵动力学模型;最后,用鸟群算法对模型进行寻优,寻找使得发酵产物浓度最大的最优溶氧过程控制策略。实验仿真结果表明,混合模型的预测精度得到提高,产多糖期溶氧体积分数控制为52%时,产物质量浓度最大,为48.85 g/L。该研究所建立的农杆菌发酵过程混合模型及其溶氧优化结果,为发酵工业上进一步通过最佳溶氧控制策略来提高多糖产量提供了方向。(本文来源于《食品与发酵工业》期刊2019年07期）
陈卫东,梁朔,肖园园,郭敏[4]（2019）在《基于模糊最小二乘支持向量机的微电网群状态评估方法》一文中研究指出针对微电网群能量管理与协调控制系统适应多微电网间多工况控制策略灵活调整的需要,提出了一种基于模糊最小二乘支持向量机(FLS-SVM)的低压微电网群运行状态实时评估模型。该模型基于传统电力系统运行状态描述方法,建立了微电网群及子微电网安全正常运行的边界条件,以电压偏移率、储能剩余容量及充放电时间、发用电功率等多维度特征向量对子微电网状态分类,应用FLS-SVM对子微电网的实时运行状态进行评估,最后判别出微电网群运行状态。实例计算分析表明,该模型可跟随系统采样周期实时评估,对离、并网条件下子微电网运行状态均能实现准确有效地分类,为微电网群快速判断网内状态并灵活调整控制策略提供依据。(本文来源于《电力系统自动化》期刊2019年02期）
陆一祎[5]（2018）在《模糊多输出最小二乘支持向量机的分类与回归研究》一文中研究指出机器学习已经成为现时代的热门研究课题。机器学习方法中基于统计学习理论的支持向量机(SVM),可以较好地解决小样本、非线性和局部极小点等实际问题。但是在SVM的训练过程中存在着噪声和孤立点的问题和学习时间较长等问题。本文提出模糊最小二乘支持向量机(FLS-SVM)和多输出直觉模糊最小二乘支持向量回归(IFLS-SVR)尝试解决这些问题,并将多输出直觉模糊最小二乘支持向量回归应用于风气象预测。为了提高SVM的训练效率,减小训练时间,对SVM的约束条件和目标函数做了改进,引进最小二乘法,得到最小二乘支持向量机(LS-SVM);为解决支持向量回归模型中噪声和野点的问题,提出了一种基于模糊理论的模糊最小二乘支持向量机分类算法。提出一种改进的隶属度计算方法,不仅考虑了样本点与类中心的距离,还考虑了样本点与分类面的距离。并且用蝙蝠算法对核函数的参数进行优化,改进算法的局限性及缺点。通过人工数据集的实验结果表明,FLS-SVM算法具有很好的分类性能,对于随机噪声也具有很好的鲁棒性。多输出直觉模糊最小二乘支持向量回归在多输出支持向量机的基础上引入直觉模糊,解决不确定多输出复杂系统问题,与传统模糊支持向量回归相比,除包含模糊隶属度外还包含非模糊隶属度的更接近于实际的模型。多输出IFLS-SVR采用直觉模糊算法将实际数据转化为模糊数据,将二次规划优化问题转化为求解一系列线性方程组。与现有的模糊支持向量回归相比,多输出IFLS-SVR采用直觉模糊方法来计算隶属度函数,采用最小二乘法提高算法的训练效率,减少训练时间,获得更精确的解。通过仿真模型,与其他方法相比,多输出IFLS-SVR取得了较好的效果。将多输出直觉模糊最小二乘支持向量回归应用于复杂风气象预测。通过计算风气象的关联度,选取关联度相对较大的影响因子,与风速、风向组成多元时间序列,从多元时间序列中提取相关数据,建立预测模型并进行实验,得到了较好的预测结果。(本文来源于《南京信息工程大学》期刊2018-06-01）
刘卫华[6]（2016）在《基于模糊增强与最小二乘支持向量机的图像边缘检测》一文中研究指出为了解决传统最小二乘支持向量机曲面拟合边缘检测推广性差的问题,提出了一种模糊理论与最小二乘支持向量机相结合的模糊最小二乘支持向量机(Fuzzy Least Squares Support Vector Machines,FLS-SVM)对图像边缘进行检测。结果证明,该算法可以很好的提取图像边缘信息,是一种很有实用价值的图像处理算法。(本文来源于《自动化与仪器仪表》期刊2016年07期）
何振红[7]（2016）在《基于特征加权FDCT和模糊最小二乘支持向量机的虹膜识别算法》一文中研究指出为了克服小波变换在二维空间分析的缺陷,提出了基于快速离散曲波(Curvelet)变换的虹膜识别改进算法。利用能有效捕捉图像边缘信息的Curvelet变换对虹膜图像进行分解,提取低频子带系数矩阵的均值方差和高频子带能量,然后根据不同子带特征的分类能力不同,对各子带特征的离散度进行加权,为分类能力较强的特征向量赋予较大权值,构成虹膜图像的特征向量。利用最优二叉树多类模糊最小二乘支持向量机分类器进行分类与识别。仿真实验结果表明,该算法具有较高的识别性能,具有可行性。(本文来源于《电信科学》期刊2016年03期）
刘卫华[8]（2015）在《模糊最小二乘支持向量机在心电图分类中的应用研究》一文中研究指出心电图(Electrocardiogram,ECG)是诊断心血管疾病的重要依据。本文提出一种基于模糊最小二乘支持向量机(FLSSVM)的ECG分类诊断方法,并利用麻省理工学院(MIT-BIH)的心电图数据库中的数据进行训练和测试,通过在每个训练样本点中加入模糊隶属度,训练得到分类模型,仿真结果表明,FLSSVM分类器相比标准LSSVM和SVM,在分类正确率,分类速度以及适用的样本规模上都表现出了十足的优越性,FLSSVM分类器能够有效地处理实际分类问题。(本文来源于《自动化与仪器仪表》期刊2015年12期）
王恺,关少卿,汪令祥,王鼎奕,崔垚[9]（2015）在《基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模》一文中研究指出提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率平均值预测和风电功率波动范围预测的联合预测模型建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各个窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值。其次应用最小二乘支持向量机对各个分量分别建立预测模型,并使用自适应粒子群算法对各个分量模型进行优化。最后使用优化后的最小二乘支持向量机模型对风电功率平均值和风电功率波动范围进行联合预测。实例研究表明,该联合预测模型可以有效进行风电功率平均值预测和风电功率波动范围预测的联合预测,并能有效跟踪风电功率变化。(本文来源于《电力系统保护与控制》期刊2015年02期）
王贺,胡志坚,仉梦林[10]（2014）在《基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型》一文中研究指出提出一种基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测建模方法。该方法首先对训练样本进行模糊信息粒化,根据需要提取各窗口的有效分量信息,即各窗口的最小值、大致平均值和最大值;其次应用最小二乘支持向量机对各分量分别建立预测模型,并使用自适应粒子群算法对各分量模型进行优化;最后使用优化后最小二乘支持向量机模型对风电功率波动范围进行预测。实例研究表明,该组合预测模型可以有效跟踪风电功率变化,对风电功率波动范围进行预测。(本文来源于《电工技术学报》期刊2014年12期）
模糊最小二乘支持向量机论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
近年来,房地产行业的跨越式发展受益于国家经济的长足发展,其中,房地产行业中的住宅类房地产的发展势头更胜一筹。一方面,经济的发展带动了人们收入水平的提高,从而增加了对住宅房屋的购买需求;另一方面,经济发展带来的通货膨胀使人们更倾向于购买住宅类房地产作为财富保值增值的理财方式。为促使房地产市场的规范、健康、有序发展和保证交易的公平性,住宅类房地产的合理定价就显得格外重要。同时,对于国家出台的房产税收等财政政策、分期付款买房等金融政策,也需要以客观公允的住宅类房地产价值作为实施基础。因此,如何对现实经济生活中存在的大量住宅类房地产的市场交易价值进行客观、公允、高效、合理的评估显得尤为重要。在实际评估中,住宅类房地产主要使用市场比较法、收益法、重置成本法等进行价值评估。这叁大方法有一定的应用前提,且在影响因素修正和个别指标确定上,均需要评估人员的主观判断,这就导致在一定程度上会降低住宅类房地产价值的客观公允性及合理性;同时,在面对频繁的住宅类房地产交易中,逐个评估会加大评估人员的工作量,评估效率低且评估成本大。本文结合房地产估价理论、单宗及批量住宅价值评估方法,提出了模糊最小二乘支持向量机(FLSSVM)算法来评估住宅类房地产价值的方法。当进行多个单宗住宅价值评估时,可对各评估对象收集其所在小区的多个类似交易案例,优化市场比较法中仅选取叁个案例的局限性,将这些案例汇集成大量住宅价值评估样本,采用FLSSVM进行批量评估训练,同时预测出多个单宗住宅的价值,从而提高评估效率和效果。本文首先介绍了住宅类房地产评估、机器学习等理论基础。其次,阐述常用的房地产估价方法及其运用现状,并分析住宅类房地产评估现状和问题。再次,提出使用FLSSVM评估方法进行估价的解决方法,说明该方法的构造思路并对该方法的可行性、适用性进行分析。最后,将该方法运用到实际案例的评估中,并对其评估结果与最小二乘支持向量机(LSSVM)回归方法、市场比较法的评估结果进行对比分析,以验证FLSSVM评估方法的适用性和可行性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
模糊最小二乘支持向量机论文参考文献
[1].蒋燕,吴洋,栾毅,周彬彬,赵珍玉.基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究[J].电气自动化.2019
[2].王媛.基于模糊最小二乘支持向量机的住宅类房地产评估研究[D].重庆理工大学.2019
[3].邵玉倩,宗原,刘以安,刘登峰.基于机理模型和模糊加权最小二乘支持向量机(LSSVM)算法的农杆菌发酵过程混合建模与优化[J].食品与发酵工业.2019
[4].陈卫东,梁朔,肖园园,郭敏.基于模糊最小二乘支持向量机的微电网群状态评估方法[J].电力系统自动化.2019
[5].陆一祎.模糊多输出最小二乘支持向量机的分类与回归研究[D].南京信息工程大学.2018
[6].刘卫华.基于模糊增强与最小二乘支持向量机的图像边缘检测[J].自动化与仪器仪表.2016
[7].何振红.基于特征加权FDCT和模糊最小二乘支持向量机的虹膜识别算法[J].电信科学.2016
[8].刘卫华.模糊最小二乘支持向量机在心电图分类中的应用研究[J].自动化与仪器仪表.2015
[9].王恺,关少卿,汪令祥,王鼎奕,崔垚.基于模糊信息粒化和最小二乘支持向量机的风电功率联合预测建模[J].电力系统保护与控制.2015
[10].王贺,胡志坚,仉梦林.基于模糊信息粒化和最小二乘支持向量机的风电功率波动范围组合预测模型[J].电工技术学报.2014