基于粗糙集与灰色SVM的中国CO2排放量预测

格式：pdf
大小：422.71 KB
文档页数：7

Ｃｈｉｎａ）．ＣｈｉｎａＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ，２０１３，３３（１２）：２１５７～２１６３
Ａｂｓｔｒａｃｔ：ＴｈｅｔｅｘｔｉｓｔｏｅｓｔａｂｌｉｓｈａｃｏｍｂｉｎｅｄｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌｂａｓｅｄｏｎｔｈｅＲｏｕｇｈＳｅｔ，ｔｈｅＧｒｅｙＳｙｓｔｅｍ（ＧＭ）Ｍｏｄｅｌ
ＰｒｏｊｅｃｔｉｏｎｓａｂｏｕｔＣｈｉｎｅｓｅＣＯ２ｅｍｉｓｓｉｏｎｓｂａｓｅｄｏｎｒｏｕｇｈｓｅｔｓａｎｄｇｒａｙｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅ．ＺＨＯＵＪｉａｎ — ｇｕｏ。
同期ＣＯ２排放量进行预测来验证其有效性，最后对我国２０１２～２０１７的ＣＯ２排放量进行预测．结果表明，灰色系统理论与支持向量机模型仅能
够反应我国ＣＯ：排放的长期变化趋势，在预测精度上存在一定缺陷而基于粗糙集与灰色ＳＶＭ的组合预测模型在预测精度上明显优于以上
ｐｏｐｕｌａｔｉｏｎ，ＧＤＰａｎｄｔｏｔａｌｅｎｅｒｇｙｃｏｎｓｕｍｐｔｉｏｎｉｎｔｈｅｓａｎｌｅｐｅｒｉｏｄ，ｔｈｅｎｐｒｅｄｉｃｔｏｕｒｃｏｕｎｔｒｙｆｕｔｕｒｅＣ０２ｅｍｉｓｓｉｏｎｓｆｒｏｍ２０１２ｔｏ２０１７．ＴｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔＧＭｎｄａＳＶＭａｒｅｏｎｌｙａｂｌｅｔｏｓｈｏｗｌｏｎｇ — ｔｅｒｍｔｒｅｎｄｏｆＣＯ２ｅｍｉｓｓｉｏｎｓ．ｃｏｍｂｉｎａｔｉｏｎｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｎｆｏｒｅｃａｓｔｉｎｇａｃｃｕｒａｃｙｉｓｂｅｔｔｅｒｔｈｎａｔｈｅａｂｏｖｅｔｗｏｍｅｈｏｔｄｓ，ｔｈｉｓｍｅｔｈｏｄｃａｌｌｅｆｅｃｔｉｖｅｌｙｎａａｌｙｚｅ
中国环境科学
２ቤተ መጻሕፍቲ ባይዱ０１３，３３（１２）：２１５７－２１６３
ＣｈｉｎａＥｎｖｉｒｏｎｍｅｎｔａｌＳｃｉｅｎｃｅ
基于粗糙集与灰色ＳＶＭ的中国ＣＯ２排放量预测
周建国，张希刚（华北电力大学（保定）经济管理学院，河北保定０７１００３）
摘要：从我国ＣＯ２排放量的不确定性、不完整性、小样本等特征出发，以灰色系统（ＧＭ）模型和支持向量机（ＳＶＭ）模型为基础，建立基于粗糙集的组合预测模型．利用该模型以我国１９９０～２０１１年ＣＯ２排放量的数据以及同期的人口数量、ＧＤＰ和能源消耗总量数据为基础对我国
ｓａｍｐｌｅｐｒｏｐｅｔｉｒｅｓ．Ｗｉｔｈｔｈｉｓｍｏｄｅｌ，ｗｅｐｒｅｄｉｃｔｔｈｅｓａｍｅｐｅｒｉｏｄＣｈｉｎｅｓｅＣ０２ｅｍｉｓｓｉｏｎｓｔｏｖｅｒｉｆｙｔｈｅｅｆｅｃｔｉｖｅｎｅｓｓｏｆｃｏｍｂｉｎａｔｉｏｎｆｏｒｅｃａｓｔｉｎｇｍｏｄｅｌ，ｂａｓｅｄｏｎｔｈｅｄａｔａｏｆｔｈｅＣｈｉｎｅｓｅＣ０２ｅｍｉｓｓｉｏｎｓｆｒｏｍ１９９２ｔｏ２０１１ａｓｗｅｌｌａｓｔｈｅ
ｎｄａＳｕｐｐｏｒｔＶｅｃｔｏｒＭａｃｈｉｎｅ（ＳＶＭ），ｉｎｃｏｎｓｉｄｅｒａｔｉｏｎｏｆｔｈｅＣｈｉｎｅｓｅＣＯ２ｅｍｉｓｓｉｏｎ：ｕｎｃｅｒｔａｉｎｙ，ｔｉｍｐｅｒｆｅｃｔｉｏｎａｎｄｓｍａｌｌ
ＺＨＡＮＧＸｉ－ｇａｎｇ（ＳｃｈｏｏｌｏｆＥｃｏｎｏｍｉｃｓａｎｄＭａｎａｇｅｍｅｎｔ，ＮｏｒｔｈＣｈｉｎａＥｌｅｃｔｒｉｃＰｏｗｅｒＵｎｉｖｅｒｓｉｔｙ，Ｂａｏｄｉｎｇ０７１００３，
两种方法，能够对我国未来ＣＯ２排放量进行准确有效的预测分析．关键词：粗糙集：灰色系统；支持向量机；ＣＯ２排放预测中图分类号：Ｘ３２文献标识码：Ａ文章编号：１０００ — ６９２３（２０１３）１２－２１５７ — ０７

【计算机测量与控制】_故障预测模型_期刊发文热词逐年推荐_20140724

2013年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24
科研热词故障预测频域信息面向对象量子粒子群优化转子故障行为预测航空电子航空发动机自回归模型统一建模语言经验模态分解相关向量机电力设备状态感知滑油光谱分析混杂系统混合petri网模糊神经petri网络机内测试时间序列故障诊断与预测故障诊断决策树专家系统
2012年科研热词故障预测灰色系统理论测试性设计故障诊断面向对象随机扰动软件故障预测融合自主保障粗糙集理论神经网络电源组合电液伺服执行器状态监控灰色神经网络灰色理论灰色模型漏钢预报概率神经网络新陈代谢数据驱动故障改进si模型推理系统拉坯阻力异常检测宏模型多线程多信号流图在线预测在线测试回归分析算法变权搜索变压器功能仿真健康管理 phm os-lssvm afsa 推荐指数 4 2 2 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1
2008年序号 1 2 3 4 5 6 7 8 9 10 11 12
科研热词重构模糊推理故障诊断建模技术多机器人基于规则推理基于事例推理军事应用免疫算法人工神经网络人工免疫网络模型专家系统
推荐指数 1 1 1 1 1 1 1 1 1 1 1 1
2009年序号 1 2 3
2009年科研热词过程神经网络(pnn) 故障预测免疫算法(ia) 推荐指数 1 1 1
推荐指数 3 2 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1 1

基于粗糙集和支持向量机的离心泵气蚀故障诊断

基于粗糙集和支持向量机的离心泵气蚀故障诊断摘要：离心泵广泛应用于现代工业生产之中，其能否稳定运行对工业实际生产带来极大影响，气蚀是离心泵运行过程中的一种常见故障。

提出了一种基于粗糙集和支持向量机的离心泵气蚀故障诊断新方法。

该方法对离心泵入口压力脉动信号提取经验模态分解能量比特征与小波分解能量特征，运用粗糙集理论降低特征维数，并以此特征向量构成气蚀故障样本对支持向量机进行训练，实现了气蚀故障的多特征融合。

实验结果表明：降维后的特征很好地反映了不同气蚀故障间的差异，训练成功的支持向量机能快速准确地识别离心泵不同气蚀故障类型，整体识别率达到98.5%，每种气蚀信号的判别时间约为0.5s，适合气蚀的在线识别。

关键词：离心泵气蚀；经验模态分解；小波分解；粗糙集；支持向量机0 引言气蚀是离心泵运行过程中的一种常见故障。

气蚀的产生和发展不仅影响流道内速度分布，使泵工况变坏、效率降低，而且影响其动态响应，长时间的气蚀还可能严重损伤叶轮等过流部件。

离心泵入口压力脉动信号能够很好地体现气蚀状况，是检测气蚀的重要参数，并且此信号大多是非平稳、非线性的。

通过其他研究成果发现，EMD分解和小波包分解在处理非线性、非平稳信号上具有一定的优势，本文对几种气蚀状态下的入口压力脉动信号进行EMD分解以及小波包分解，提取能量特征和信息熵特征，经过粗糙集理论的约简最后输入支持向量机进行诊断识别，从识别结果看，此方法是一种有效的诊断离心泵气蚀的方法。

1 实验装置和方法本实验采用如图1所示的闭式循环试验装置。

离心泵为IS型卧式单级单吸离心泵，额定工况下:流量Q=12m\+3/h，转速n=2900r/min。

试验过程中，首先通过变频器将离心泵调至某一流量，待离心泵运行稳定后，采集泵正常运转（无气蚀）时的入口压力信号作为参考量，然后启动真空泵，逐渐降低吸入罐液面的气体压力，同时观察离心泵入口的气蚀状况，当泵装置有效气蚀余量NPSHa达到一定数值时，采集入口压力值。

【国家自然科学基金】_粗糙集(rs)_基金支持热词逐年推荐_【万方软件创新助手】_20140731

科研热词粗糙集神经网络支持向量机高速公路频率规划铁路数字移动通信选择识别融资模式约简矿井环境监测知识约简相对核相容关系矩阵电子商务煤层厚度预测灰色聚类灰色关联分析火灾识别汽轮机组模糊神经网络最小二乘支持向量机断层预测数据融合敏捷定制设计故障诊断成组数据处理属性约简客户流失预测多变量决策树基础设施项目噪声数据变精度粗糙集单变量决策树信息融合人工神经网络交通事件不完备决策表 smc rbf神经网络 d-s证据理论
2013年序号 1 2 3 4 5 6 7 8 9 1焊离散化知识发现母线负荷预测旋转电弧数据挖掘支持向量机属性约简单病种成本偏差识别
推荐指数 3 1 1 1 1 1 1 1 1 1 1
2012年序号 1 2 3 4 5 6 7 8 9 10 11 12 13 14 15 16 17 18 19 20 21 22 23 24 25 26 27 28 29 30 31 32 33 34 35 36 37 38 39 40
科研热词推荐指数粗糙集 9 支持向量机 3 未确知测度 2 预测 1 采空区 1 遥感影像 1 遗传算法 1 逼近理想解的排序法(topsis) 1 贴近度 1 质量特性 1 质量功能配置 1 置信度 1 结构尺寸效应 1 经济效益 1 精度设计 1 粗糙集理论(rs) 1 突出危险性评价 1 神经网络 1 特征加权 1 煤与瓦斯突出 1 灰色关联分析 1 概率神经网络 1 无线传感器网络 1 数控机床 1 效果评估 1 故障诊断 1 影响因素 1 定制企业 1 安全测评 1 培训 1 受训人员 1 危险度 1 危机预警 1 制粉系统 1 分类 1 分布式数据挖掘 1 克隆选择算法 1 信息系统安全保障评估模型 1 供应链质量 1 优选指标 1

基于GWO-LSSVM的锂离子电池健康状态估算

基于GWO-LSSVM的锂离子电池健康状态估算
李炬晨;胡欲立;高剑;曾立腾;郑乙;代文帅
【期刊名称】《水下无人系统学报》
【年(卷),期】2022(30)5
【摘要】针对目前应用于电池健康状态(SOH)估算的算法需用大量数据样本来进行训练且估算效果不佳的问题,提出了一种基于灰狼优化(GWO)算法的最小二乘支持向量机(LSSVM)算法来估算电池SOH,依据灰色关联度分析法筛选出恒流充电时间作为适合估算电池SOH的输入特征参数。

以18650钴酸锂电池充放电循环试验为例,采用所建立的算法模型在不同比例的训练集样本下对不同容量规格的电池进行SOH估算,并将估算结果与基于网格搜索法的LSSVM算法、基于粒子群优化算法的LSSVM算法的估算结果进行对比,结果表明,基于GWO算法的LSSVM算法模型适用于小样本数据且估算误差较小,用于电池SOH估算的效果更好。

【总页数】9页(P550-557)
【作者】李炬晨;胡欲立;高剑;曾立腾;郑乙;代文帅
【作者单位】西北工业大学航海学院
【正文语种】中文
【中图分类】U674;TM912
【相关文献】
1.电动汽车锂离子电池健康状态估算及寿命预测方法综述
2.基于容量增量曲线峰值区间特征参数的锂离子电池健康状态估算
3.基于XGBoost算法的锂离子电池健康
状态估算4.基于电化学模型的锂离子电池健康状态估算5.基于WOA-BP神经网络的锂离子电池健康状态估算
因版权原因，仅展示原文概要，查看原文内容请购买。

下载提示

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

基于粗糙集与灰色SVM的中国CO2排放量预测

合集下载

【计算机测量与控制】_故障预测模型_期刊发文热词逐年推荐_20140724

基于粗糙集和支持向量机的离心泵气蚀故障诊断

【国家自然科学基金】_粗糙集(rs)_基金支持热词逐年推荐_【万方软件创新助手】_20140731

基于GWO-LSSVM的锂离子电池健康状态估算

文档推荐

最新文档