动态贝叶斯最小二乘支持向量机  

Dynamic Bayesian least squares support vector machine

作　　者：潘宇雄[1,2] 任章[1,2] 李清东[1,2] 

机构地区：[1]北京航空航天大学自动化科学与电气工程学院,北京100191 [2]北京航空航天大学飞行器控制一体化技术国防科技重点实验室,北京100191

出　　处：《控制与决策》2014年第12期2297-2300,共4页Control and Decision

基　　金：国家自然科学基金项目(61101004;60874117);高等学校学科创新引智计划项目(B07009)

摘　　要：为了对涡扇发动机的运行参数变化进行实时高精度预测,提出一种基于动态贝叶斯最小二乘支持向量机(LS-SVM)的时间序列预测算法.该算法将贝叶斯证据框架理论用于推断LS-SVM的初始模型参数;然后,利用样本增减迭代学习算法实现LS-SVM的参数动态调整.对某型涡扇发动机的摩擦力矩时间序列进行动态预测,并与动态LS-SVM模型的预测结果进行比较.结果显示,动态贝叶斯LS-SVM具有较好的预测精度.A time series prediction method based on the dynamic Bayesian least squares support vector machine（LS-SVM） is proposed to accurately predict operating parameters of the turbofan engine. By the Bayesian evidence framework theory, initial model parameters of the LS-SVM are inferred. Dynamic learning of the LS-SVM and dynamic prediction of time series are realized by the recursively incremental and decremental sample learning method. The method is applied to dynamically predict frictional moment time series of a certain type of the turbofan engine, and a comparison is made with the dynamic LS-SVM. The results show that the proposed method is effective in improving prediction accuracy.

关 键 词：动态预测 时间序列预测 最小二乘支持向量机 贝叶斯证据框架 

分 类 号：TP29[自动化与计算机技术—检测技术与自动化装置]