为了提高网络入侵检测率，提出一种协同量子粒子群算法和最小二乘支持向量机的网络入侵检测模型（CQPSO-LSSVM）。将网络特征子集编码成量子粒子位置，入侵检测正确率作为特征子集优劣的评价标准，采用协同量子粒子群算法找到最优特征子集，采用最小二乘支持向量机建立网络入侵检测模型，并采用KDD CUP 99数据集进行仿真测试。结果表明，CQPSO-LSSVM获得了比其他入侵检测模型更高的检测效率和检测率。

可以对数据进行预测以及回归分析，有示例直接可用。

针对电力负荷数据的非线性和非平稳性特性，为提高短期电力负荷预测的精度，提出一种基于EMD-DA-LSSVM的短期用电负荷预测模型。首先，采用EMD分解短期电力负荷数据，获得互不耦合的IMF分量；其次，针对各IMF分量建立最优参数下的EMD-DA-LSSVM短期电力负荷预测模型，重构得到预测值。通过算法验证分析，与LSSVM、DA-LSSVM和EMD-LSSVM相比，EMD-DA-LSSVM模型具有更高的预测精度，短期电力负荷预测精度高达2.203%。

【lssvm预测】基于麻雀算法优化最小二乘支持向量机实现数据预测（多输入单输出）含Matlab源码

优秀论文及配套源码。首先阐述了负荷预测的应用研究现状，概括了负荷预测的特点及其影响因素，归纳了短期负荷预测的常用方法，并分析了各种方法的优劣；接着介绍了作为支持向量机（SVM）理论基础的统计学习理论和SVM的原理，推导了SVM回归模型；本文采用最小二乘支持向量机（LSSVM）模型，根据浙江台州某地区的历史负荷数据和气象数据，分析影响预测的各种因素，总结了负荷变化的规律性，对历史负荷数据中的“异常数据”进行修正，对负荷预测中要考虑的相关因素进行了归一化处理。LSSVM中的两个参数对模型有很大影响，而目前依然是基于经验的办法解决。对此，本文采用粒子群优化算法对模型参数进行寻优，以测试集误差作为判决依据，实现模型参数的优化选择，使得预测精度有所提高。实际算例表明，本文的预测方法收敛性好、有较高的预测精度和较快的训练速度。

针对暖通空调(HVAC)系统,提出一种基于粒子群优化(PSO)算法和最小二乘支持向量机(LSSVM)的预测控制方法。该方法利用LSSVM建立HVAC系统预测模型并预测系统的输出值,引入输出反馈和偏差校正以克服模型失配等因素引起的预测误差,以此构造加权预测控制性能指标。由PSO算法滚动优化得到系统的最优控制量。利用该控制方法对一个HVAC系统进行仿真实验,结果表明该方法具有较好的控制效果。

遗传算法嵌入粒子群算法优化LSSVM回归预测模型 pso-ga-lssvm 遗传算法嵌入粒子群算法优化LSSVM回归预测模型 直接替换数据就可以运行

将ga算法嵌入pso算法组合优化lssvm分类模型 替换数据就行

烟气含氧量是影响火电厂锅炉运行安全性和经济性的一个重要因素,影响锅炉烟气含氧量的因素多而复杂,对烟气含氧量特性进行建模与控制是实现锅炉正常运行的基础。借助现场运行数据,根据锅炉烟气含氧量的特性,建立基于最小二乘支持向量机(LSSVM)的锅炉烟气含氧量预测模型。在此基础上结合全局寻优的混合粒子群算法(PSO),对锅炉烟气含氧量进行控制。仿真结果表明:该方法能够比较准确地对火电厂锅炉烟气含氧量进行测量和控制,为锅炉燃烧系统的闭环控制与优化运行提供了新的手段。

大数据-算法-非线性LSSVM逆系统主动容错控制方法研究.pdf