Time-series gas prediction model using LS-SVR within a Bayesian framework

查看全文 作　　者：Qiao [1,2]Meiying;Ma [1]Xiaoping;Lan ][3]ianyi;Wang [1]Ying

机构地区：[1]School of Information and Electrical Engineering, China University Mining & Technology, Xuzhou 221008, China;[2]School of Electrical Engineering and Automation, Henan Polytechnic University, Jiaozuo 454000, China;[3]School of Energy Science and Engineering, Henan Polytechnic University, Jiaozuo 454000, China

出　　处：《Mining Science and Technology》索引2011年第21卷第1期,共5页

基　　金：Financial support for this work,provided by the National Natural Science Foundation of China(No.60974126);the Natural Science Foundation of Jiangsu Province(No.BK2009094) 摘　　要：传统的最少的广场支持向量回归(LS-SVR ) 当模特儿,用决定规则化参数和核参数的生气确认,是费时间的。我们建议一个贝叶斯的证据框架推断 LS-SVR 模型参数。三个层次贝叶斯的推论被用来决定模型参数,规则化超和调子由模型比较的原子参数。在这个基础上,我们建立了预报模型的贝叶斯的 LS-SVR 时间系列气体并且为算法提供步。Hebi 的煤气的爆发数据第 10 矿工作脸被用来验证模型。时间系列的最佳的嵌入尺寸和延期时间被最小的微分熵方法获得。在 MATLAB7.1 环境以内,最后,我们使用了实际的煤气体数据把传统的 LS-SVR 和贝叶斯的 LS-SVR 与 LS-SVMlab1.5 工具箱模拟作比较。结果证明 LS-SVR 的贝叶斯的框架显著地改进预报的速度和精确性。 关键词：时间序列预测模型贝叶斯推论 SVR LS 框架支持向量回归瓦斯突出矿井模型参数

相关文献

参考文献（16）
引证文献（8）
耦合文献（115）

参考文献(16)

引证文献(8)

耦合文献(115)

互联网出版许可证新出网证(渝)字10号全国400电话 - 免长途话费

Time-series gas prediction model using LS-SVR within a Bayesian framework

参考文献(16)

引证文献(8)

耦合文献(115)

用户提示