SSVR算法及炉膛燃烧状态时间序列预测

计算机工程与应用 ›› 2008, Vol. 44 ›› Issue (14): 205-207.

SSVR算法及炉膛燃烧状态时间序列预测

张欣¹,王兵²,赵璞¹

1.河北大学电子信息工程学院，河北保定 071002
2.河北大学数学与计算机学院，河北保定 071002

收稿日期:2007-12-24 修回日期:2008-03-03 出版日期:2008-05-11 发布日期:2008-05-11
通讯作者: 张欣

SSVR algorithm and time series prediction of furnace combustion state

ZHANG Xin¹,WANG Bing²,ZHAO Pu¹

1.College of Electronics and Information Engineering,Hebei University,Baoding,Hebei 071002,China
2.College of Mathematics and Computer Science,Hebei University,Baoding,Hebei 071002,China

Received:2007-12-24 Revised:2008-03-03 Online:2008-05-11 Published:2008-05-11
Contact: ZHANG Xin

摘要/Abstract

摘要： 用支持向量回归（SVR）的方法分析和预测时间序列，可解决复杂非线性系统的建模问题。采用光滑化方法对SVR的基本算法进行改进，可降低计算的复杂度。将光滑支持向量回归（SSVR）算法应用于炉膛燃烧状态时间序列预测。对炉内火焰图像进行聚类分析，计算表征炉膛燃烧状态的状态指数，建立状态指数时间序列，并利用光滑支持向量回归算法构建预测模型。实验结果表明，SSVR方法具有更快的收敛速度、更好的拟合精度和良好的预测性能。

关键词: 光滑支持向量回归, 炉膛燃烧状态, 时间序列预测

Abstract: The Support Vector Regression(SVR) is used for the time series analysis and prediction to resolve the complex nonlinear system modeling problems.The smooth method is introduced to improve the standard SVR algorithm in order to reduce calculation complexity.In this paper,the Smooth Support Vector Regression(SSVR)is applied for the time series prediction of furnace combustion states.By clustering and analyzing the furnace flame images,calculated the state coefficient denoting the furnace combustion states,constructed the state coefficient time series,and built the prediction model using the SSVR algorithm.The experimental results show that SSVR has faster convergence speed and higher fitting and prediction precision,which effectively extends the application of SVR.

Key words: smooth support vector regression, furnace combustion state, time series prediction

张欣¹,王兵²,赵璞¹. SSVR算法及炉膛燃烧状态时间序列预测[J]. 计算机工程与应用, 2008, 44(14): 205-207.

ZHANG Xin¹,WANG Bing²,ZHAO Pu¹. SSVR algorithm and time series prediction of furnace combustion state[J]. Computer Engineering and Applications, 2008, 44(14): 205-207.

[1]	吴明慧，侯凌燕，王超. 面向预测的长短时神经网络记忆增强机制[J]. 计算机工程与应用, 2021, 57(21): 109-115.
[2]	刘恒，侯越. 贝叶斯神经网络在股票时间序列预测中的应用[J]. 计算机工程与应用, 2019, 55(12): 225-229.
[3]	贾松达1，庞宇松1，2，阎高伟1. 多任务LS-SVM在时间序列预测中的应用[J]. 计算机工程与应用, 2018, 54(3): 233-237.
[4]	崔未，王卫华，黄樟灿，谈庆. 基于GEP算法的高阶常微分方程预测模型[J]. 计算机工程与应用, 2018, 54(18): 256-262.
[5]	孙天昊，石鸿瑗，万煊民. 基于ARIMA和QoS的云服务选择算法研究[J]. 计算机工程与应用, 2017, 53(13): 99-103.
[6]	曹　　净，李文云，赵党书，宋志刚，丁文云. 基于PSO-LSSVM模型的基坑周边建筑倾斜预测[J]. 计算机工程与应用, 2016, 52(1): 254-259.
[7]	王波，梅倩. LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优[J]. 计算机工程与应用, 2014, 50(21): 254-258.
[8]	刘丽杰1，李盼池2，李欣2，张强2. 离散过程神经网络在时间序列预测中的应用[J]. 计算机工程与应用, 2011, 47(32): 224-227.
[9]	向昌盛¹，张林峰². 混沌时间序列预测模型参数同步优化[J]. 计算机工程与应用, 2011, 47(1): 4-7.
[10]	王晓兰^1，2，康蕾¹. 在线模糊最小二乘支持向量机的时间序列预测[J]. 计算机工程与应用, 2010, 46(9): 215-216.
[11]	王华秋¹，廖晓峰². 非线性量化CMAC研究与应用[J]. 计算机工程与应用, 2010, 46(28): 218-221.
[12]	李目^1,2,何怡刚²,周少武¹,谭文¹. 混沌时间序列的自适应变异差分进化ANFIS预测[J]. 计算机工程与应用, 2009, 45(12): 134-137.
[13]	周辉仁,郑丕谔. LS-SVM的参数优选及铁路客运市场预测[J]. 计算机工程与应用, 2007, 43(30): 206-208.
[14]	曲文龙^1,2,李海燕¹,刘永伟¹,杨炳儒². 基于小波和支持向量机的多尺度时间序列预测[J]. 计算机工程与应用, 2007, 43(29): 182-185.