导读:本文包含了贝叶斯证据框架论文开题报告文献综述及选题提纲参考文献，主要关键词:贝叶斯证据框架,最小二乘支持向量机,中期负荷预测,历史数据
贝叶斯证据框架论文文献综述
陈若曦[1]（2017）在《对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究》一文中研究指出本文提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据叁层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第叁层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对一固定预测区电网中期负荷进行了预测,结果证明了该方法具有良好的预测效果。(本文来源于《自动化技术与应用》期刊2017年11期）
陈若曦[2]（2017）在《基于贝叶斯证据框架优化的LS-SVM预测模型在空间电力负荷预测方法中的应用研究》一文中研究指出因短期电力系统负荷具有明显的随机性,使得其负荷预测工作不容易找到内在发展规律,故很不容易提高短期负荷预测的准确性。因依据简单基础理论的传统负荷预测没有充分考虑影响电力系统负荷发展的关键性因素被研究学者们逐渐淘汰。近年来,因为国家政策的完善使得城市发展越来越规范合理,城市土地性质也越来越明确,这就为电力负荷预测提供了一个优越的有基础的更广阔的研究空间。使得很多研究学者也对空间负荷预测方法进行了系统深入地研究以得到较高的短期负荷预测精度。其中短期负荷预测中发展潜力较大的预测方法当属最小二乘支持向量机(LS-SVM)。随着对其研究的扩展,研究学者们对LS-SVM预测方法的探究越来越深刻。基于深刻了解和意识到短期负荷预测的本质理论和深刻意义,本研究论文选择了一种优化的LS-SVM预测模型来对短期负荷预测进行一个更深广的研究。本文多方面综合考虑了外部影响因素,如负荷功能区土地使用性质和天气等。该预测模型集多种因素所校正并得以自学习适应,使其更加智能化,也更加符合实际环境,但却使模型更加复杂且不易模拟。复杂性的提高还有各种因素的考虑使得该预测模型的鲁棒性下降,使得该预测模型的稳定性被一些影响因素破坏,故本文特别应用由各种因素下误差得出的权系数因子修改其预测模型以提高鲁棒性和稳定性。另外,本文还为更快更准确地搭建预测模型采用了贝叶斯证据框架优化模式。通过此模式优化,本文预测模型更具有实用性和高效性。本文第一章先着重有条理地介绍了电力负荷预测研究原理,第二章研究了进行负荷数据采集的重要平台-地理信息系统(GIS),而且也分析了数据前期处理对空间负荷分类分区的重要性。接下来,第叁章则为构建预测模型奠定数据样本基础提供了理论依据。第四章则统筹考虑各种外界的影响因素,研究了一种加权处理的最小二乘支持向量机,并应用贝叶斯证据框架对其模型进行优化。本文最后,完善了整体预测流程,并在电力GIS图层上选取一个行政功能负荷区,采用本文构建的预测模型进行为期10日的负荷预测,与优化前模型输出的负荷作对比,证明本文研究的优化后预测模型的先进可靠性,具有实用价值。可在社会上推广以适应电力发展。(本文来源于《天津理工大学》期刊2017-02-01）
孙正凤,窦如凤,刘增元[3]（2016）在《贝叶斯证据框架下LS-SVM方法在秸秆发酵制乙醇浓度预测中的寻优轨迹研究》一文中研究指出针对秸秆发酵制乙醇浓度预测问题,引入贝叶斯证据框架下最小二乘支持向量机(Least square support vector machines,LS-SVM)方法。贝叶斯证据框架自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。本文主要对贝叶斯证据框架下LS-SVM的寻优轨迹进行探索研究,从方法内部剖析其在秸秆发酵制乙醇浓度预测的应用优势,给出寻优轨迹,验证贝叶斯证据框架下LS-SVM方法的可行性。(本文来源于《信息系统工程》期刊2016年09期）
夏莘媛,戴静,潘用科,韩扬[4]（2016）在《基于贝叶斯证据框架下SVM的油层识别模型研究》一文中研究指出支持向量机(support vector machine,SVM)方法在石油测井领域的油层识别中取得了很好的应用效果,但SVM方法的识别效果受到惩罚参数和核参数的影响,不同的参数组合直接影响识别精度的优劣。为了在油层识别中获得更好的识别效果,提出一种基于贝叶斯证据框架下SVM的油层识别模型,即根据测井数据的训练样本信息,采用贝叶斯证据框架的理论求解惩罚参数以及核参数,再通过所求得的决策函数对测井数据的测试样本进行识别。实际测井数据实验表明,基于贝叶斯证据框架下SVM的油层识别模型的油层识别效果得到提高,优于传统SVM方法和基于粒子群优化算法(particle swarm optimization,PSO)的SVM方法。(本文来源于《重庆邮电大学学报(自然科学版)》期刊2016年02期）
余文利,姚鑫骅,傅建中,孙磊[5]（2014）在《贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模》一文中研究指出最小二乘支持向量机(LS-SVM)模型是表征数控机床热误差特性的有效工具,但该模型中的参数设置直接影响建模的精度。传统的基于交叉验证法或网格法的参数获取方法存在计算量大、精度低的缺点,且同一组模型常数往往不能准确表征机床多种工况条件下所产生的热误差。为解决这一问题,提出了一种基于贝叶斯证据框架理论的LS-SVM多工况参数优化方法。通过测量不同工况下数控机床温度值与主轴热变形量,采用贝叶斯证据框架的3个推断对LS-SVM模型进行训练并对参数进行辨识和优化,推导出了不同工况所对应的最优模型和参数。热误差建模实验验证了该参数优化方法的有效性,结果显示,经优化的模型具有泛化能力强、预测精度高、计算速度快的特点,能够较准确地描述多种典型工况条件下的实际热误差特性。(本文来源于《中国机械工程》期刊2014年17期）
苏莉,陈鹏飞,齐勇,武义涵[6]（2013）在《贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法》一文中研究指出针对当前软件老化的检测、分析和软件再生的不确定性问题,提出了一种基于贝叶斯证据框架的最小二乘支持向量机(LS-SVM)的软件老化检测方法,即:使用最小二乘支持向量机分类器进行数据分类,以此解决数据采集时出现的小样本、高纬度,非线性、局部最小值等问题;通过贝叶斯证据框架来优化LS-SVM的超参数,从而提高分类器的学习精度和泛化能力。实验结果表明,在状态清晰区间,软件老化的概率均在0.7至0.9之间,而高维模型检测出的软件老化的概率为0或1。如果从概率粒度层来描述软件老化,则软件再生的时间点选取效率更高,根据概率值的变化可进一步解析软件老化的不确定性。实验结果及分析显示,概率粒度所描述的软件健康状态更符合软件老化的客观状况。(本文来源于《西安交通大学学报》期刊2013年08期）
张洁,方瑞明[7]（2012）在《基于小波变换和贝叶斯证据推断框架下的LS-SVM短期风速预测》一文中研究指出基于小波的多分辨率分析,针对风速序列拟周期性、非平稳性及非线性等特点,将风速序列按不同频率进行分解,对分解后的原始风速信号分别建立不同的预测模型;各个模型的最佳参数由贝叶斯证据3层推断得出,用以建立基于小波和贝叶斯证据推断框架下的最小二乘支持向量机(LS-SVM)回归短期风速预测模型。应用该模型对东北某风电场的风速进行了提前1 h的预测,预测的平均绝对百分比误差为7.63%,提高了预测精度。预测结果表明:基于贝叶斯证据推断框架下的LS-SVM和小波分析相结合的短期风速预测模型是一种有效、可行的风速预测模型,可为风力发电功率的预测提供一定的理论支持。(本文来源于《能源技术经济》期刊2012年05期）
孙晓东,陈龙,杨泽斌,朱熀秋,嵇小辅[8]（2012）在《贝叶斯证据框架下LS-SVM的BPMSM磁链建模》一文中研究指出针对常规解析法建立无轴承永磁同步电机(BPMSM)磁链模型的局限性,提出一种贝叶斯证据框架下最小二乘支持向量机(LS-SVM)的BPMSM磁链建模方法.对BPMSM磁链的非线性建模进行简单分析,在介绍LS-SVM回归理论和贝叶斯证据框架基本思想的基础上,通过贝叶斯证据框架推断准则1确定模型的权向量w,通过贝叶斯证据框架推断准则2确定模型的正则化参数γ,通过贝叶斯证据框架推断准则3确定模型的核参数σ,进而建立基于贝叶斯证据框架下LS-SVM的BPMSM磁链模型.在Matlab7.0环境下进行仿真研究.仿真结果表明,贝叶斯证据框架下LS-SVM的磁链模型具有拟合精度高、泛化能力强、结构灵活、计算速度快等特点.(本文来源于《浙江大学学报(工学版)》期刊2012年05期）
王林川,白波,于奉振,袁明哲[9]（2011）在《基于贝叶斯证据框架下WLS-SVM的短期负荷预测》一文中研究指出提出了一种基于贝叶斯证据框架下加权最小二乘支持向量机(Weighted Least Squares Support Vector Machine,WLS-SVM)的短期负荷预测模型和算法。在对历史负荷数据进行完预处理基础上,分析影响负荷变化的重要因素,然后选择最佳的输入数据作为LS-SVM训练模型的输入向量。通过贝叶斯证据叁层推断寻找到模型的最佳参数:第一层推断确定LS-SVM的权向量w和偏置值b,第二层推断确定模型的超参数γ,第叁层推断确定核函数的超参数σ。为了提高模型的鲁棒性,赋予了每个样本误差不同的权系数,建立了具有良好泛化性能的WLS-SVM回归模型,从而进一步提高了模型预测的精度。采用上述方法对黑龙江电网短期负荷进行了预测,结果证明了该方法具有良好的预测效果。(本文来源于《电力系统保护与控制》期刊2011年07期）
王振树,李林川,牛丽[10]（2009）在《基于贝叶斯证据框架的支持向量机负荷建模》一文中研究指出负荷建模一直是电力系统中的难题之一,精确的负荷模型对电力系统数字仿真非常重要。本文提出一种基于贝叶斯证据框架的支持向量机负荷建模方法。根据广域测量的负荷特性数据,利用支持向量机进行负荷建模,选用高斯径向基核函数优化模型结构;用贝叶斯证据框架推断准则1解释了支持向量机的训练,又将贝叶斯证据准则2和3应用到支持向量机。采用贝叶斯证据框架的叁个准则对负荷模型进行训练并对参数进行了辨识和优化。通过对支持向量机负荷模型的仿真试验,验证了该方法的正确性和有效性。贝叶斯证据框架下的支持向量机负荷模型具有泛化能力强、结构灵活、计算速度快的特点,能够较准确地描述实际负荷特性。(本文来源于《电工技术学报》期刊2009年08期）
贝叶斯证据框架论文开题报告
（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：
因短期电力系统负荷具有明显的随机性,使得其负荷预测工作不容易找到内在发展规律,故很不容易提高短期负荷预测的准确性。因依据简单基础理论的传统负荷预测没有充分考虑影响电力系统负荷发展的关键性因素被研究学者们逐渐淘汰。近年来,因为国家政策的完善使得城市发展越来越规范合理,城市土地性质也越来越明确,这就为电力负荷预测提供了一个优越的有基础的更广阔的研究空间。使得很多研究学者也对空间负荷预测方法进行了系统深入地研究以得到较高的短期负荷预测精度。其中短期负荷预测中发展潜力较大的预测方法当属最小二乘支持向量机(LS-SVM)。随着对其研究的扩展,研究学者们对LS-SVM预测方法的探究越来越深刻。基于深刻了解和意识到短期负荷预测的本质理论和深刻意义,本研究论文选择了一种优化的LS-SVM预测模型来对短期负荷预测进行一个更深广的研究。本文多方面综合考虑了外部影响因素,如负荷功能区土地使用性质和天气等。该预测模型集多种因素所校正并得以自学习适应,使其更加智能化,也更加符合实际环境,但却使模型更加复杂且不易模拟。复杂性的提高还有各种因素的考虑使得该预测模型的鲁棒性下降,使得该预测模型的稳定性被一些影响因素破坏,故本文特别应用由各种因素下误差得出的权系数因子修改其预测模型以提高鲁棒性和稳定性。另外,本文还为更快更准确地搭建预测模型采用了贝叶斯证据框架优化模式。通过此模式优化,本文预测模型更具有实用性和高效性。本文第一章先着重有条理地介绍了电力负荷预测研究原理,第二章研究了进行负荷数据采集的重要平台-地理信息系统(GIS),而且也分析了数据前期处理对空间负荷分类分区的重要性。接下来,第叁章则为构建预测模型奠定数据样本基础提供了理论依据。第四章则统筹考虑各种外界的影响因素,研究了一种加权处理的最小二乘支持向量机,并应用贝叶斯证据框架对其模型进行优化。本文最后,完善了整体预测流程,并在电力GIS图层上选取一个行政功能负荷区,采用本文构建的预测模型进行为期10日的负荷预测,与优化前模型输出的负荷作对比,证明本文研究的优化后预测模型的先进可靠性,具有实用价值。可在社会上推广以适应电力发展。
（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。
贝叶斯证据框架论文参考文献
[1].陈若曦.对基于贝叶斯证据框架下WLS-SVM中期负荷预测的研究[J].自动化技术与应用.2017
[2].陈若曦.基于贝叶斯证据框架优化的LS-SVM预测模型在空间电力负荷预测方法中的应用研究[D].天津理工大学.2017
[3].孙正凤,窦如凤,刘增元.贝叶斯证据框架下LS-SVM方法在秸秆发酵制乙醇浓度预测中的寻优轨迹研究[J].信息系统工程.2016
[4].夏莘媛,戴静,潘用科,韩扬.基于贝叶斯证据框架下SVM的油层识别模型研究[J].重庆邮电大学学报(自然科学版).2016
[5].余文利,姚鑫骅,傅建中,孙磊.贝叶斯证据框架下的LS-SVM多工况数控机床热误差建模[J].中国机械工程.2014
[6].苏莉,陈鹏飞,齐勇,武义涵.贝叶斯证据框架下最小二乘支持向量机的软件老化检测方法[J].西安交通大学学报.2013
[7].张洁,方瑞明.基于小波变换和贝叶斯证据推断框架下的LS-SVM短期风速预测[J].能源技术经济.2012
[8].孙晓东,陈龙,杨泽斌,朱熀秋,嵇小辅.贝叶斯证据框架下LS-SVM的BPMSM磁链建模[J].浙江大学学报(工学版).2012
[9].王林川,白波,于奉振,袁明哲.基于贝叶斯证据框架下WLS-SVM的短期负荷预测[J].电力系统保护与控制.2011
[10].王振树,李林川,牛丽.基于贝叶斯证据框架的支持向量机负荷建模[J].电工技术学报.2009