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

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。