摘要：目的解决变压器中主要设计参数影响下的碳排放量预测问题。方法本文利用随机森林(Random Forest,RF)算法和支持向量机(Support Vector Machine,SVM)算法进行对比,构建一个变压器碳排放预测模型。结果通过对变压器的全生命周期进行评价,确定铁芯的长宽比为影响碳排放量的主要因素,对给定参数下的碳排放量进行预测,并与实际值进行对比分析得出,3类预测模型中,SVM高斯核模型的平均绝对误差值约为5.37,与碳排放实际值最为接近,故采用高斯核函数的非线性支持向量机预测模型最优。结论证明支持向量机高斯核函数预测模型更具有预测准确性和有效性,以期能为生产企业进行低碳设计提供参考依据,为电力行业生产设备的可持续设计研究提供一定的借鉴意义。

摘要：试用新近提出的、特别适合于小样本多变量训练集的支持向量机(support vector machine,简称SVM)算法于复杂药物分子设计。对一批26个处理化疗或放疗呕吐拮抗药的候选化合物筛选数据用留一法判别SVM的预报能力。结果表明:与人工神经网络、最近邻法(KNN)、Fisher法相比,SVM算法可以提供误报率更低的数学模型。

摘要：用作压电材料的氮化铝薄膜要求有100或002晶体取向。薄膜的晶体取向与薄膜制备时的溅射气压、靶基距、靶功率有关。本工作应用支持向量机算法总结实验数据的数学模型,并用留一法检验模型的预报能力。计算表明:支持向量机算法的预报能力较传统的模式识别算法如Fisher法或KNN法为佳。有希望成为实验设计的有用工具。

摘要：镍氢电池阴极材料的组成对电池的电化学容量和寿命关系甚大。本工作用可限制过拟合、有较强预报能力的支持向量机算法进行镍氢电池阴极合金材料的配方优化,通过实验数据处理,建立了有关电化学容量和衰减速度的数学模型。留一法证实,支持向量机算法预报准确性高于人工神经网络。这说明支持向量机算法在材料配方设计方面有应用潜力。

摘要：由于计算机技术的发展,机器学习(包括线性和非线性回归、人工神经网络、模式识别算法等)已成为处理化学化工数据,总结经验规律,据以预报未知或控制生产过程的常规手段。但是,传统的机器学习算法都以经典统计数学的渐近理论为依据。该理论的大数定理规定:统计规律只有在已知样本数无限多时才显露出来。但化学化工实际工作中已知样本总是有限的。忽视这一矛盾是造成实际计算中过拟合弊病的重要原因。针对经典统计数学这一弱点,Vapnik学派提出了“统计学习理论”和“支持向量机算法”。新算法既能处理非线性问题,又能抑制传统算法(如人工神经网络等)常遇到的过拟合弊病。本专刊中的论文系列工作表明:支持向量机算法在分析化学的多变量校正、数据处理、商品检验、相图和新化合物的计算机预报、新材料制备的实验设计、环境污染的建模和预报,以及分子设计,药物设计等领域的应用都有良好效果。在多数情况下所建的数学模型较传统算法的结果有更好的预报正确率。这一新算法将会成为化学、化工领域数据处理广泛应用的新计算工具。

摘要：为了智能监控电网入户处违禁电器的使用以保证用电安全,需要对入网负载的电压和电流特征进行采样,再运用支持向量机算法对采集到的数据进行负载识别。为了保证算法学习的有效性和负载识别的准确性,设计了一种有效的采样系统,兼顾安全性、可靠性和准确性,且具备产业化基础。对常用电器进行电压电流采样实验,并送入支持向量机算法系统中深度学习,结果表明,该采样系统在负载识别上具有较高的准确性和可靠性,有望拥有广阔的应用场景。

摘要：提出了融合支持向量机-改进型鱼群算法的CO_2优化调控模型,为CO_2精准调控提供定量依据。设计了嵌套试验,采集不同温度、光子通量密度、CO_2浓度组合下的黄瓜光合速率,以此构建基于支持向量机的黄瓜光合速率预测模型;以预测模型网络为目标函数,采用改进型鱼群算法实现二氧化碳饱和点寻优,获得不同温度、光子通量密度组合条件的CO_2饱和点,进而构建CO_2优化调控模型。异校验结果表明,CO_2饱和点实测值与预测值相关系数为0.965,最大相对误差3.056%。提出的CO_2优化调控模型可动态预测CO_2饱和点,为实现设施CO_2精准调控提供了可行思路。

摘要：2016年至今,煤炭价格大幅上扬,供应趋紧。同时,国内煤电装机容量趋于饱和,电力市场竞争激烈。在燃料价格上涨及发电成本控制双重压力下,以设计煤种或者单一煤种作燃料已不是燃煤电厂的燃烧方式。如今,燃煤电厂燃用非设计煤种和配煤掺烧情况十分普遍,甚至有些电厂已经燃用煤泥发电。对于燃煤电厂而言,燃料不仅决定成本,而且关系到机组的安全、稳定、环保运行。如何通过配煤掺烧来实现电厂降本增效的目标是亟待解决的问题。

摘要：结合核主成分分析的主因子提取和支持向量机的分类机理,提出了一种组合建模算法。应用核主成分分析过程作为预处理器,可以把共线性的多元变量糅合为几个主因子,但基本不损失有效信息。然后进行基于支持向量机的分类建模和预测。这样不仅可以防止共线性多元变量对模型的负面影响,还可以降低数据维数,减少支持向量机分类过程中的复杂度和运算量。最后用实验进行评估所得到的训练模型,实例说明了所提方法的有效性。

摘要：为提高垃圾图像分类准确率,本文提出了基于空间注意力的ResNet50网络模型,并对算法进行改进,然后对垃圾图片数据集进行训练,并对数据集进行测试。采用了改进后的ResNet-att模型的垃圾分类系统成本低、效率高,为垃圾图像分类研究奠定基础、为垃圾分类系统提供图像分类识别的支持。一、背景介绍随着人们对环保的重视,国家对垃圾分类的要求也逐渐明确。为了可以更好地推行和科普垃圾分类,可以结合人工智能技术、物联网技术设计智能垃圾桶等方式来辅助居民进行垃圾分类。其中利用AI技术来实现自动判断垃圾图像分类也是研究热点。在垃圾图像分类算法研究上,通过用户来完成意见反馈从而实现长效生活垃圾分类,采用的方法是能自我训练的集成分类器,该分类器采用了K临近和支持向量机算法;采用迁移学习法,提出了训练速度更快和精准度更高的自动垃圾分类方法,该方法采用了对传统的卷积神经算法进行调整,主要调整了后三层结构;用支持向量机方法对建筑垃圾分类进行了研究。