克隆规划-交叉验证参数优化的LSSVM及惯性器件预测

合集下载

基于LSSVM的开关磁阻电机转子位置估算

在Ｓｉｍｕｌｉｎｋ中利用ｓ函数建立仿真系统，结果表明，在高速、低速、负载突变的情况下，ＬＳＳＶＭ位置估算模块的平均误差在０．１。以内，说明其训练速度快，泛化能力强，精度高，鲁棒性好．
ＸｕＹｕｚｈｅＣａｏＹａｎｐｉｎｇＺｈｏｎｇＲｕｉＱｕＹａｎＰｅｎｇＦｕｌｉｎ
（ＮａｔｉｏｎａｌＡＳＩＣＳｙｓｔｅｍＥｎｇｉｎｅｅｒｉｎｇＲｅｓｅａｒｃｈＣｅｎｔｅｒ，ＳｏｕｔｈｅａｓｔＵｎｉｖｅｒｓｉｔｙ，Ｎａｎｊｉｎｇ２１００９６，Ｃｈｉｎａ）
Ａｂｓｔｒａｅｔ：Ｔｏａｖｏｉｄｔｈｅｐｒｏｂｌｅｍｈａｔｔａｐｏｓｉｉｏｔｎｓｅｎｓｏｒｅａｓｉｌｙｆａｌｌｓｏｆｆｏｒｂｅｃｏｍｅｓｂｒｅａｋｄｏｗｎｗｈｅｎａ
ｓｗｉｔｃｈｅｄｒｅｌｕｃｔａｎｃｅｍｏｔｏｒ（ＳＲＭ）ｏｐｅｒａｔｅｓｉｎａｄｖｅｒｓｅｅｎｖｉｒｏｎｍｅｎｔ，ａｍｅｔｈｏｄｂａｓｅｄｏｎｌｅａｓｔｓｑｕａｒｅｓ
ｐｕｌｓｅｍｅｈｏｔｄ．Ｔｈｅｏｐｉｍａｔｌｐａｒａｍｅｔｅｒｓａｒｅｃｈｏｓｅｎｂｙｃｏｍｂｉｎｉｎｇｔｈｅｃｒｏｓｓ — ｖａｌｉｄａｔｉｏｎｍｅｈｏｔｄａｎｄｈｅｔｔｒｙｉｎｇｍｅｈｏｔｄ．Ｃｏｍｐａｒｅｄｗｉｈｔｈｅｔｐｏｓｉｉｔｏｎｅｓｉｔｍａｔｏｒｂｙｕｓｉｎｇｉｍｐｒｏｖｅｄｂａｃｋ— ｐｒｏｐａｇａｉｏｔｎｎｅｕｒａｌｎｅｔ —

《基于最小二乘支持向量机的短时交通流预测方法研究》范文

《基于最小二乘支持向量机的短时交通流预测方法研究》篇一一、引言随着城市化进程的加快和交通网络复杂性的提升，准确预测短时交通流量对于智能交通系统的建设和交通规划显得愈发重要。

准确的短时交通流预测能够提高交通运行效率、降低交通拥堵程度、改善城市居民出行体验，并有助于实现智能交通系统的智能化和自动化。

然而，由于交通流量的动态变化性、非线性和不确定性，传统的预测方法往往难以满足实际需求。

因此，本文提出了一种基于最小二乘支持向量机（Least Squares Support Vector Machine，LSSVM）的短时交通流预测方法。

二、最小二乘支持向量机理论最小二乘支持向量机是一种基于统计学习理论的机器学习方法，它通过构建一个高维空间中的超平面来对数据进行分类或回归。

与传统的支持向量机相比，LSSVM在处理回归问题时具有更好的泛化能力和更高的预测精度。

此外，LSSVM还具有算法简单、计算量小等优点，适用于处理大规模数据集。

三、短时交通流预测模型的构建1. 数据预处理：首先，收集历史交通流量数据，并对数据进行清洗、去噪和标准化处理，以消除异常值和噪声对预测结果的影响。

2. 特征提取：从历史交通流量数据中提取出与短时交通流预测相关的特征，如时间、天气、节假日等。

3. 模型构建：利用LSSVM构建短时交通流预测模型。

具体地，将历史交通流量数据作为输入，将预测的目标值（如未来某一时刻的交通流量）作为输出，通过优化算法求解得到模型参数。

4. 模型训练与优化：利用训练数据集对模型进行训练，通过交叉验证等方法对模型进行优化，以提高模型的预测精度。

四、实验与分析1. 数据集与实验环境：本文采用某城市实际交通流量数据作为实验数据集，实验环境为高性能计算机。

2. 实验方法与步骤：将实验数据集分为训练集和测试集，利用训练集对模型进行训练和优化，利用测试集对模型进行测试和评估。

3. 结果与分析：通过对比LSSVM与其他传统预测方法的预测结果，发现LSSVM在短时交通流预测方面具有更高的预测精度和更强的泛化能力。

LSSVM概述学习资料

所谓 VC 维是对函数类的一种度量，可以简单的理解为问题的复杂程度，VC 维越高，一个问题就越复杂。正是因为 SVM 关注的是 VC维，后面我们可以看到，SVM 解决问题的时候，呾样本的维数是无关的（甚至样本是上万维的都可以，这使得 SVM 径适合用来解决文本分类的问题，当然，有这样的能力也因为引入了核函数）。
( x1, y1 ),......, ( xl , y l ) R n R
首先用一非线性映射 Y( x)把样本从原空间R n映射到特征
空间 Y(x) (j (x1 ),j (x2 ),..., j (xl ))。在这个高维特征空间中构造最优决策函数 y(x) w .j ( x) b。这样非线性估计
LS-SVM方法简化了计算的复杂性。另外，由于LS-SVM采用了最小二乘法，因此运算速度明显快于支持向量机的其它版本。
3 SVM和示意图
最优分类函数为：
f(x ) sg n {li 1i* y iK (x i,x ) b * }
这就是支持向量机。
概括地说，支持向量机就是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间，在这个空间中求最优分类面。
SVM分类函数形式上类似于一个神经网络，输出是中间节点的线性组合，每个中间节点对应一个输入样本于一个支持向量机的内积，因此也就叫做支持向量网络。
4 相关名词解释
VC 维理论：
为了研究经验风险最小化函数集的学习一致收敛速度和推广性，SLT 定义了一些指标来衡量函数集的性能，其中最重要的就是VC维(VapnikChervonenkis Dimension)。对于一个指示函数（即只有0和1两种取值的函数）集，如果存在h个样本能够被函数集里的函数按照所有可能的2h种形式分开，则称函数集能够把h个样本打散，函数集的VC维就是能够打散的最大样本数目。

lssvm在时间序列预测中的理论与应用研究

LS-SVM在时间序列预测中的理论与应用研究重庆大学硕士学位论文（学术学位）学生姓名：梅*指导教师：王波副教授专业：计算机应用技术学科门类：工学重庆大学计算机学院二O一三年四月Theory and Application Research on LS-SVM in Time Series PredictionA Thesis Submitted to Chongqing Universityin Partial Fulfillment of the Requirement for theMaster’s Degree of EngineeringByMei QianSupervised by Ass. Prof. Wang Bo Specialty: Computer Application TechnologyCollege of Computer Science ofChongqing University, Chongqing, ChinaApril 2013摘要时间序列预测方法已经应用到几乎所有预报与决策的领域，广泛地应用在实际中。

对这种方法的研究不仅具有理论研究的重要意义，而且一直是国内外学者研究的热点和难点。

在支持向量机模型中，成功地应用了结构风险最小化、核函数映射和凸二次规划等技术，有效地解决了在传统机器学习中出现的维数灾难和局部极小等问题。

而最小二乘支持向量机(LS-SVM)作为支持向量机(SVM)的一个改进简化模型，在保证预测精度不减弱的情况下，具有比支持向量机运算更加简化的优点。

本文针对LS-SVM中的一些问题进行了研究，主要工作如下：①提出了经验模态分解与LS-SVM组合预测的方法，结合建筑能耗预测的实际应用，该方法的主要思路是把能耗数据形成的时间序列用EMD方法分解成多个本征模式分量，然后对每个本征模式分别建立LS-SVM模型进行分开预测，最后将所有本征模式分量对应的LS-SVM模型预测结果进行求和。

基于遗传算法的LS-SVM参数优选及其在经济预测中的应用

Ｍｃｉｅ（ＳＳＭｎＳＳＭＷＳｗｌｔｉｙｓｇｏｕａｏａｎｅｏｏｉｓｓｍ．ｈｎｈｅｅａｎＳａｈｎＬ－Ｖ）ａｄＬ－ＶａｅａｅｂｉｐｌｎｄｔｉａｃｎｍｃｙｔＴｅ，ｔｌｔｉｅＬ — ｌｒｎｄｕｎｐｉｔａｎｅｗｌｒｄ
ａｐｌａｉｎｎｅｏｍｉｏｅａｔｎｇｐｉｔｏｉｃｎｏｃｆｒｃｓｉｃ
ＺＨＯＵｉｒｎ，Ｈｕ —ｅＺＨＥＮＧｉｅＺＨＡＯＰ —，Ｃｈｕｘｕｎ—ｉ
（ｎａｅｆＩａａｓｏ
棚Ｅｎｒｇｉｊｎｅｉ，ｉｊ０７，Ｃｉ）ｒｅｉ，ＴｎｎＵｗ￣ｔＴｎｎ００２ｈａｅｎａｉｙａｉ３ｎ
Ｋｅｏｄ：ＬａｔｑａｅｕｐｒＶｃｒｃｎｓ（ＳＳＭ）ｅｅｃａｏｔｍｐｍｚｔｎｏｙｅ－ａａｅｒ；ｙｗｒｓｅｓＳｕｒｓｐｔｅｔｈｅＬ —Ｖ；ｇｎｔｇｒｈ；ｏｔａｏｆｐｒｒｍｔｓＳｏｏＭａｉｉｌｉｉｉｉｈｐｃ
ＳＶＭＳｕｅｏｆｒｃｓｐａｉｎｉｉ．ＦｎｌｙＳＳＷａｓｄｔｅａｔｏｏｌｏｎｐｕｔａｃｔｙｉａｌ，Ｌ — ＶＭｄＢｅｗｏｋｗｅｅｃｍｐｒｎｐｅｉｔｎａｄｔｅｒｓｔｎａＰｎｔｒｒｏａｅｉｒｄｃｉｈｅｕｄｏｎｌｓｏｓｔａｅｇｎｔｇｒｈｆｒｏｔｚｎａａｔｒｆＬａｔＳｕｒｓＳｐａｃｏｃｎｒｐｓｄｉｈｓｐｐｒｉｈｗｈｔｔｅｅｃａｏｔｍｐｍｉｇｐｍｅｅｓｏｅｓｑａｅｕｐｈｉｌｉｏｉｉｒｏＶｅｔｒＭａｈｅｐｏｏｅｎｔｉａｅｓｉｆａｉｌｄｅｅｔｅｅｓｂｅａｆｃｖ．ｎｉ

基于改进粒子群优化LS-SVM的卫星钟差预报研究

基于改进粒子群优化LS-SVM的卫星钟差预报研究
刘继业;陈西宏;刘强;孙际哲
【期刊名称】《宇航学报》
【年(卷),期】2013(034)011
【摘要】针对导航卫星短期钟差预报精度和稳定度不高的问题,提出了一种基于改进粒子群优化(PSO)最小二乘支持向量机(LS-SVM)的卫星钟差预报方法.通过引进自适应改变的惯性权重和学习因子来提高粒子群算法的寻优能力,并将其应用到LS-SVM的参数优化中,避免人为选择参数的盲目性,提高了LS-SVM的泛化能力和预报精度.选取国际GPS服务组织(IGS)产品中四颗典型卫星的钟差数据,分别采用LS-SVM模型、神经网络模型和灰色系统模型进行短期钟差预报,计算结果表明:LS-SVM模型的预报精度优于其它两种模型,为导航卫星短期高精度钟差预报提供了新的思路.
【总页数】7页(P1509-1515)
【作者】刘继业;陈西宏;刘强;孙际哲
【作者单位】空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051;空军工程大学防空反导学院,西安710051
【正文语种】中文
【中图分类】P228
【相关文献】
1.基于人工鱼群优化LS-SVM的卫星钟差预报 [J], 刘继业;陈西宏;刘强;孙际哲
2.基于改进粒子群优化LS-SVM的谐波源特性研究 [J], 汪洋;龚仁喜;贾僖泉;于槟华
3.基于改进灰色ARMA模型的卫星钟差短期预报研究 [J], 李晓宇;杨洋;胡晓粉;贾蕊溪
4.粒子群优化加权灰色回归组合的卫星钟差预报 [J], 于烨;黄默;段涛;王长元;胡锐
5.基于改进粒子群优化LS-SVM的短期风速预测 [J], 范曼萍;周冬
因版权原因，仅展示原文概要，查看原文内容请购买。

基于智能算法的蓄电池远程核容优化路径探究

Telecom Power Technology电源与节能技术 2023年9月25日第40卷第18期87 Telecom Power TechnologySep. 25, 2023, Vol.40 No.18李晓玲：基于智能算法的蓄电池远程核容优化路径探究表达式可转化为 ()i i j 1,Ni y a K x x b ==+∑（2）式中：a i 为Lagrange 对偶变量，并且有a i ≥0；K (x i , x j )= ()T x φw x i )T ()T x φw x j )为核函数。

常用的核函数包括线性函数、径向基核函数等，在蓄电池剩余容量估算中选用径向基核函数，其表达式为 ()()2i j i j,exp ,PK x x x x =−（3）式中：P 为指数参数。

1.2.2　LSSVM 算法的整体实施流程根据LSSVM 算法的应用原理，其实施流程为选择模型的输入变量和输出变量→数据预处理→确定K 折线交叉验证回归的最佳参数→利用最佳参数训练LSSVM 算法→进行数据预测[3]。

在K 折线交叉验证回归阶段，需要确定sig 2和gam 这2个关键参数。

1.2.3　基于LSSVM 算法的蓄电池核容方法性能试验（1）试验方法。

试验方法由物理试验和仿真试验2部分组成，物理试验装置包括温度控制箱、内部电阻检测仪、蓄电池活化仪以及4节铅酸蓄电池。

利用MATLAB 搭建物理模型的仿真模型，运用LSSVM 算法进行剩余容量预测，物理试验和仿真试验互为对照组[4]。

在物理试验中，剩余容量S OC 采用安时法进行计算，具体为 ()OCOC00e1S S d ti t t C η=+∫（4）式中：S OC 0为剩余容量的初始值；C e 为蓄电池的额定容量；η为放电效率；i (t )为时刻t 的放电电流。

蓄电池组的恒流放电采用蓄电池活化仪，进而得到i (t )数据。

（2）误差评价标准。

在误差评价中，使用3个评价指标，分别为均方根误差εmse 、平均百分比误差εavg_error 以及最大百分比误差εmax_error ，相应的计算方法为 ip io max _error io max 100%y y y ε−=×（5） ip io avg _error1io100%n i y y n y ε=− =× ∑（6）()2ipio 1mse ni yy nε=−=∑ （7）式中：y io 为第i 个数据点剩余容量的预测值；y ip 为对应的原始值（物理模型的检测结果）。

高斯-柯西变异算子优化的lssvm模型研究

20
周慧等：高斯-柯西变异算子优化的 LSSVM 模型研究
第 48 卷
开发能力和柯西变异数的全局探索能力，来避免优化算法的局部极值并提高收敛速度。
通过多种优化方法对该两个参数进行优化，如蚁群算法［2］、模拟退火算法［3］、果蝇优化算法［4］、遗传算法［5］、粒子群算法［6］等。
传统的种群优化算法无法避免陷入局部收敛和收敛速度慢［7~8］的问题，为了改进这些缺陷，本文提出一种基于 GC 变异算子的量子粒子群算法对 LSSVM 的参数进行优化，利用高斯变异数的局部
∗ 收稿日期：2019 年 7 月 3 日，修回日期：2019 年 8 月 14 日基金项目：江苏省普通高校研究生创新计划（编号：SJCX17-0641）；南通大学产学研项目“第二代光伏组件智能运维机器人研制”（编号：17ZH040）资助。作者简介：周慧，女，硕士研究生，研究方向：数据挖掘。王进，男，博士，硕士生导师，研究方向：人工智能。顾翔，男，博士，硕士生导师，研究方向：网络安全。徐巍巍，男，助理工程师，研究方向：智能系统。
226019）Leabharlann Abstract In this paper，an improved quantum-particle-optimized least squares support vector machine（LSSVM）method is proposed for the problem that the standard quantum particle swarm algorithm is easy to fall into local extremum. Using the local de⁃ velopment capability of Gaussian mutations and the global search capability of the Cauchy mutation，a Gauss-Cauchy mutation oper⁃ ator is introduced in the quantum particle swarm optimization algorithm to help the algorithm jump out of the local extrema. And us⁃ ing this optimization model for photovoltaic power generation prediction experiments，the prediction results of the optimized least squares support vector machine model are compared with other model prediction results. The results show that the quantum particle swarm optimization based on Gauss-Cauchy mutation operator least squares support vector machine predicts PV generation with good convergence speed and ability to jump out of local convergence.

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)。

・
ＺＨＡＮＧｉＷｅ，ＨＵｈｎ — ｕ，ＪＩＬｉｃｅｇＣａｇｈａＡＯ —ｈｎ，ＢＯｅｆｅｇＬｉ— ｎ
（．ＲｅｅｒｈＩｓ．ｏｎｅｌｅｔＩｆｒｔｎＰｒｃｓｉｇ，ＸｉｉｎＵｎｖ，Ｘｉａ７０７，Ｃｈｎ；２１ｓａｃｎｔｆＩｔｌｇｎｎｏｍａｉｏｅｓｎｉｏｄａｉ．ｎ１０１ｉａ．３２０Ｕｎｔｉ，ＴｈｅｏｄＡｒｉｅｙＥｎｉｅｒｇＩｓｉｔ，Ｘｉｎ７０２，Ｃｈｎ）ｅＳｃｎｔｌｒｇｎｅｉｎｔｔｅｌｎｕ１０５ａｉａＡｂｔｃ：ＦｒｉｒｖｎｈｅｅａｉｔｎａｉｔｆｔｅｌａｔｓｕｒｕｐｒｅｔｒｍａｈｎＬＳｓａｔｒｏｍｐｏｉｇｔｅｇｎｒｚｉｂｌｙｏｈｅｓｑａｅｓｐｏｔｖｃｏｃｉｅ（ＳＶＭ）ｈｌａｏｉ，ｔｅｐｒｍｅｅｐｉｚｔｎａｇｒｔｍｆｌｎｒｇａａａｔｒｔｏｍｉａｉｏｉｏｌｈｏｏｅｐｏｒｍｍｉｇｃｏｓｖｌａｉｎｉｅｌｙｄｔｅｅｔｐｉｌａａｅｅｓｃｎ－ｒｓａｉｔｓｍｐｏｅｓｌｃｔｄｏＯｏｍａｒｍｔｒｐｏＳＶＭ．ＴｈｌｎｒｇａｆＬＳｅｃｏｅｐｏｒｍｍｉｇｒｈｈｓｔｅｓｐｒｒｃｐｂｌｙｉｃｌｎｌｂｌｓａｃｇｌｉｎａｏｔｍａｈｕｅｏａａｉｔｎｌａｄｇｏａｅｒｈ，ａｄｌｃｉｉｏａｎｏａｌｉｉｍｓａｅｒｆａｎｅｆｉｎｌ；ｃｏｓｖｄｔａｈｎｉｓｄｅｔｍｎｍｕｒｅｒｉｅｆｉｅｔｙｒｓａｉａｉｎｈｓｔｅｕｂａｅｓｉｔｒｐｏｅｔ，ａｄｔｅｅｏｅｔｅｄｃｌｏａｍｏｒｐｒｙｎｈｒｆｒ，ｈｐｏｌｍｓｓｃｓｏｅｒｉｉｇｏｎｕｆｉｎｒｉｎｒｖｉｅ．Ｉｈｐｉｚｔｎａｇｒｈ，ｔｅａｉｉｒｂｅｕｈａｖｒｔａｎｎｒｉｓｆｃｔｔａｎｇａｅａｏｄｄｎｔｅｏｔａｉｏｉｍｉｅｉｍｉｏｌｔｈｖｄｔｙｆｎｔｎｉｃｎｔｕｔｄｂｈｒｓａｉａｉｎｅｒｒｎｒｏｅ，ｏｔｌａａｅｅｓｏＳＶＭｒｈｓｎｕｃｉｓｏｓｒｃｅｙｔｅｃｏｓｖｌｔｒｏ，ａｄｍｏｅｖｒｐｉｒｏｄｏａｍｐｍｔｒｆＬＳａｅｃｏｅｂｅｃｏｅｐｏｒｍｍｉｇａｇｒｔｍ．ＴｈｉｅｉｓｆｒｃｓｉｇｍｏｅｏｈｎｒｉｌｏｏｎｎｓｂｉｔｙｔｌｎｒｇａｈｎｏｈｌｉｅｔｍｅｓｒｏｅｔｄｌｆｔｅｉｅｔｍｐｅｔｉｕｌｗｉｅａｎａｃｔｈＬＳＳＶＭ．Ｅｐｒｍｅｔｌｅｕｔｐｏｅｔｅｅｆｃｉｅｅｓｏｈｐｉｚｔｎａｇｒｔｍｎｅｅａｉｔｎａｉｔｆｘｅｉｎａｓｌｓｒｖｈｆｅｔｎｓｆｔｅｏｔｒｖｉｍａｉｏｉｏｌｈａｄｇｎｒｚｉｂｌｙｏｌａｏｉｔｅｆｒｃｓｉｇｍｏｅ，ａｄｔｅｆｒｃｓｉｇｈｏｅａｔｄｌｎｈｏｅａｔｍｏｅｐｏｄｓａｓｐｒｏｙａｃｏｅｓｔｎａｄａｌｎｎｄｌｒｖｅｕｐｔｎｄｎｍｉｉｏｃｍｐｎａｉｎｆｕｔｏｆｒａｔｇｏｈｅｉｌｏｏｎｎ．ｏｅｓｉｆｔｅｉｒａｍｐｅｔｃｎｎｔｃＫｅｏｄ：ｙＷｒｓｃｏｅｐｏｒｍｉｇｃｏｓｖｌａｉｎｐｒｍｅｅｓｏｔｚｔｎ；ｅｓｑａｅｓｐｏｔｖｃｏｌｎｒｇａｎ；ｒｓａｉｔ；ａａｔｒｐｉａｉｄｏｍｉｏｌａｔｓｕｒｕｐｒｅｔｒｍａｈｎ；ｅｔｌｃｍｐｎｎｏｅａｔｇｃｉｅｉｒｉｏｏｅｔｆｒｃｓｉｎａｎ
维普资讯
２００７年６月
西安电子科技大学学报（自然科学版）
Ｊ０ＵＲＮＡＬ０ＦＸＩＩＤＡＮＵＮＩFra bibliotekＶＥＲＳＩＴＹ
Ｊｎ．０７ｕ２０
Ｖｏ．４Ｎｏ３１３．
第３４卷
第３期
摘要：为改善最小二乘支持向量机的泛化性能，克隆规划、将交叉验证相结合的优化算法用于最小二乘
支持向量机的参数优化．隆规划算法是具有局部、局搜索能力的优化算法，有效避免陷入局部极克全能
克隆规划．叉验证参数优化的ＬＳＭ及惯性器件预测交ＳＶ
张伟胡昌华焦李成薄列峰，，，
（．西安电子科技大学智能信息处理研究所，西西安１陕２．第二炮兵工程学院３２室，西西安０陕７０２）１０５７０７；１０１
Ｌｅｓｑａｅｓｐｒｅｔｒｍａｈｉｅｂｓｄｏａａｅｅｓｏｔｍｉａｉｎｏａｔｓｕｒｕｐｏｔｖｃｏｃｎａｅｎｐｒｍｔｒｐｉｚｔｏｆｃｏｅｐｒｇａｍｉｇｃｏｓｖｌｄｔｏｎｎｒｉｌｃｍｐｎｎｏｅａｔｎｇｌｎｏｒｍｎ－ｒｓａｉａｉｎａｄｉｅｔａｏｏｅｔｆｒｃｓｉ
持向量机回归模型建立了惯性器件时问序列预测模型．验结果验证了算法的有效性及预测模型的泛实化性能．预测模型为动态补偿、障预测提供了依据．故关键词：克隆规划；叉验证；数优化；小二乘支持向量机；性器件预测交参最惯中图分类号：Ｐ７Ｔ２７文献标识码：Ａ文章编号：０１２０（０７０ —４８０１０ —４０２０）３０２—５
值；叉验证算法的无偏估计性抑制了训练过程中“ 拟合 ” “ 拟合” 在该优化算法中，交叉验证交过和欠．用
误差构造抗体抗原亲合度，克隆规划算法寻找最小二乘支持向量机的最优参数．优化的最小二乘支用用