状态时间序列预测的贝叶斯最小二乘支持向量机方法

张弦 1; 王宏力 1; 张金生 2; 孙渊 2

您当前的位置：

首页 >

文章列表页 >

状态时间序列预测的贝叶斯最小二乘支持向量机方法

更新时间：2025-07-09

- 状态时间序列预测的贝叶斯最小二乘支持向量机方法
- A Least Squares Support Vector Machine for Condition Time Series Prediction Based on Bayesian Evidence Framework
- 西安交通大学学报 2010年44卷第10期页码：42-46
- 作者机构：
  
  第二炮兵工程学院自动控制工程系,西安,710025
- 作者简介：
- 基金信息：
  
  : 2010-03-23. 作者简介: 张弦(1982-),男,博士生;王宏力(联系人),男,教授,博士生导师. 基金项目: 国家自然科学基金资助项目(60904083)
- DOI：
  中图分类号： TP277
- 网络首发：2010-10-10，
  
  纸质出版：2010
- 稿件说明：
移动端阅览
张弦 1, 王宏力 1, 张金生 2, 等. 状态时间序列预测的贝叶斯最小二乘支持向量机方法[J]. 西安交通大学学报, 2010,44(10):42-46.

A Least Squares Support Vector Machine for Condition Time Series Prediction Based on Bayesian Evidence Framework[J]. 2010, 44(10): 42-46.
张弦 1, 王宏力 1, 张金生 2, 等. 状态时间序列预测的贝叶斯最小二乘支持向量机方法[J]. 西安交通大学学报, 2010,44(10):42-46. DOI：

A Least Squares Support Vector Machine for Condition Time Series Prediction Based on Bayesian Evidence Framework[J]. 2010, 44(10): 42-46. DOI：

摘要

为实现对电子系统状态时间序列的有效预测

提出一种基于贝叶斯证据框架的最小二乘支持向量机在线预测方法.该方法以逐次增加最新状态数据并剔除最旧状态数据的方式更新最小二乘支持向量机预测模型

利用分块矩阵求逆运算简化了新旧状态数据交替增减所带来的预测模型重训问题

通过贝叶斯证据框架实现预测模型超参数的在线动态优化.应用于雷达发射机中高压电源与多注速调管的状态时间序列预测实例表明

该方法的预测精度与计算效率比自适应灰色模型方法分别高9.52%与73.26%

具有预测精度高、预测稳定性高与计算效率高的优点

适用于电子系统在线状态时间序列预测.

Abstract

A method using Bayesian evidence framework(BEF)and least squares support vector machine(LSSVM)is proposed to predict electronic system condition time series accurately. A LSSVM model for prediction is trained with all the current condition time series data. Then

the LSSVM model is iteratively updated by adopting the latest data and pruning the oldest data. Matrix transform is applied to reduce the computational cost of retraining the LSSVM model. Finally

the updated LSSVM model is dynamically optimized by BEF. Numerical experiments on radar transmitter condition time series prediction are carried out to test the effectiveness of the proposed method. The experimental results and comparisons with the conventional adaptive grey model show that the proposed method has better performance in prediction accuracy

prediction stability and computational efficiency

and that the prediction accuracy and the computational efficiency for electronic system condition time series prediction are raised by 9.52% and 73.26% respectively.

关键词

Keywords

references

许丽佳. 电子系统的故障预测与健康管理技术研究[D]. 成都: 电子科技大学自动化工程学院, 2009.

孙博, 康锐, 张叔农. 基于特征参数趋势进化的故障诊断和预测方法[J]. 航空学报,2008,29(2):393-398.

SUN Bo, KANG Rui, ZHANG Shunong. An approach to diagnostics and prognostics based on evolutionary feature parameters [J]. Acta Aeronautica et Astronautica Sinica, 2008,29(2):393-398.

GOEL A, GRAVES R J. Electronic system reliability: collating prediction models [J]. IEEE Transactions on Device and Materials Reliability, 2006,6(2):258-265.

PARRY J D, RANTALA J, LASANCE C J M. Enhanced electronic system reliability challenges for temperature prediction [J]. IEEE Transactions on Components and Packaging Technologies, 2002,25(4):533-538.

SUYKENS J A K, VANDEWALLE J. Least squares support vector machine classifiers [J].Neural Processing Letters, 1999, 9(3):293-300.

PENG Xinjun, WANG Yifei. A normal least squares support vector machine(NLS-SVM)and its learning algorithm [J].Neurocomputing, 2009, 72(16/17/18):3734-3741.

CHOI Y S. Least squares one-class support vector machine [J]. Pattern Recognition Letters, 2009, 30(13):1236-1240.

HAO Peiyi, CHIANG Jung-hsien. Fuzzy regression analysis by support vector learning approach [J]. IEEE Transactions on Fuzzy Systems, 2008, 16(2):428-441.

SLOIN A, BURSHTEIN D. Support vector machine training for improved hidden markov modeling[J]. IEEE Transactions on Signal Processing, 2008, 56(1):172-188.

KOWK J T. The evidence framework applied to support vector machines [J]. IEEE Transactions on Neural Network, 2000, 11(5):1162-1173.

GESTEL T V, SUYKENS J A K, BAESTAENS D K, et al. Financial time series prediction using least squares support vector machines within the evidence framework[J]. IEEE Transactions on Neural Network, 2001, 12(4):809-821.

陆晓峰, 郑南宁, 袁泽剑. 证据框架与自由能框架[J]. 西安交通大学学报, 2003,37(2):167-170.

LU Xiaofeng, ZHENG Nanning, YUAN Zejian. Evidence framework and free energy framework [J]. Journal of Xi'an Jiaotong University, 2003, 37(2):167-170.

张浩然, 汪晓东. 回归最小二乘支持向量机的增量和在线式学习算法[J]. 计算机学报, 2006, 29(3):400-406.

ZHANG Haoran, WANG Xiaodong. Incremental and online learning algorithm for regression least squares support vector machine [J]. Chinese Journal of Computers, 2006, 29(3):400-406.

具有小世界特性的复杂液压系统故障源搜索方法. 西安交通大学学报,2010,44(7):79-84.

采用遗传算法的自适应随机共振系统弱信号检测方法研究. 西安交通大学学报,2010,44(3):32-36.

利用非线性流形学习的轴承早期故障特征提取方法. 西安交通大学学报,2010,44(5):45-49.

一类支持向量机的设备状态自适应报警方法. 西安交通大学学报,2009,43(11):61-65.

基于非线性流形学习的喘振监测技术研究. 西安交通大学学报,2009,43(7):44-48.

一种基于密度加权的最小二乘支持向量机稀疏化算法. 西安交通大学学报,2009,43(10):11-15.

具有模糊隶属度的模糊支持向量机算法. 西安交通大学学报,2009,43(7):40-42.

一种新的选择性支持向量机集成学习算法. 西安交通大学学报,2008,42(10):1221-1225.

加权支持向量机求解路径算法研究. 西安交通大学学报,2008,42(10):1226-1229.

一类具有未知干扰的Markov跳变系统故障检测. 西安交通大学学报,2007,41(4):458-462.

面向分类去噪问题的模糊支持向量机新算法. 西安交通大学学报,2007,41(12):1414-1418.

ε不敏感损失函数支持向量机分类性能研究. 西安交通大学学报,2007,41(11):1315-1320.

基于支持向量机的发动机故障诊断. 西安交通大学学报,2007,41(9):1124-1126.

采用支持向量机评估老年人步态对称性的研究. 西安交通大学学报,2007,41(8):995-999.

支持向量机在电力变压器故障诊断中的应用. 西安交通大学学报,2007,41(6):722-726.

基于改进的加权最小二乘支持向量机的空间桁架建模. 西安交通大学学报,2007,41(1):119-121.

基于喘振频域特性的失稳预警技术研究. 西安交通大学学报,2007,41(11):1321-1325.

一类基于模糊系统的非线性鲁棒自适应预测控制. 西安交通大学学报,2008,42(6):669-673.

自适应移频变尺度随机共振在故障诊断中的应用. 西安交通大学学报,2009,43(7):69-73.

浏览量

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

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

尺度核函数在最小二乘支持向量机信号逼近中的应用

超临界水异常区域热力学特性研究

隧道内燃料电池汽车氢气泄漏扩散特性及影响因素

采用试验设计方法的第三代CO2气体箔轴承箔片几何参数敏感性分析