• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    最小二乘支持向量機(jī)

    • 基于改進(jìn)最小二乘支持向量機(jī)組合模型的深基坑沉降變形預(yù)測(cè)
      進(jìn)最小二乘支持向量機(jī)組合模型;通過引入自適應(yīng)噪聲完備集合經(jīng)驗(yàn)?zāi)B(tài)分解方法分解原始深基坑沉降變形數(shù)據(jù),并結(jié)合粒子群優(yōu)化算法和遺傳算法對(duì)最小二乘支持向量機(jī)進(jìn)行參數(shù)尋優(yōu),對(duì)分解的數(shù)據(jù)分別訓(xùn)練、預(yù)測(cè)后再疊加,得到最終預(yù)測(cè)結(jié)果;應(yīng)用所提出模型對(duì)濟(jì)南市某深基坑的累積沉降量進(jìn)行預(yù)測(cè),同時(shí)與其他模型對(duì)比,驗(yàn)證所提出模型的實(shí)用性和優(yōu)越性。結(jié)果表明:所提出模型預(yù)測(cè)深基坑累積沉降量的平均相對(duì)誤差為0.035%,均方誤差為0.080 9 mm2,均方根誤差為0.283 8 mm,

      濟(jì)南大學(xué)學(xué)報(bào)(自然科學(xué)版) 2024年1期2024-01-12

    • 改進(jìn)灰狼優(yōu)化最小二乘支持向量機(jī)的鋰電池剩余壽命預(yù)測(cè)
      最小二乘支持向量機(jī)(improved gray wolf optimization least-squares support vector machine, IGWO-LSSVM)的鋰電池剩余壽命間接預(yù)測(cè)方法。該方法從電池放電特性曲線中獲取3種表征電池性能退化的間接健康因子,通過引入tent混沌映射、收斂因子非線性遞減與萊維飛行策略對(duì)灰狼算法加以改進(jìn),并結(jié)合LS-SVM模型,形成了具有全局優(yōu)化的改進(jìn)灰狼優(yōu)化最小二乘支持向量機(jī)的鋰電池壽命預(yù)測(cè)模型。最后利

      重慶大學(xué)學(xué)報(bào) 2023年11期2023-12-30

    • 基于Isomap-MPA-LSSVM 軟測(cè)量模型的PVC聚合過程轉(zhuǎn)化率預(yù)測(cè)
      ;最小二乘支持向量機(jī)中圖分類號(hào):TP273;TQ325.3 文獻(xiàn)標(biāo)識(shí)碼:A DOI: 10.7535/hbgykj.2023yx01003在復(fù)雜的化學(xué)工業(yè)中,聚氯乙烯(polyvinylchloride,PVC)樹脂在國民經(jīng)濟(jì)建設(shè)中占有非常重要的地位,由于本身具有良好的機(jī)械性能、耐腐蝕性和不易燃燒等特性,廣泛用于工業(yè)、建筑、日常用品等領(lǐng)域[1]。PVC 聚合方式主要有懸浮法、溶液法、乳液法和本體法等[2],本文是以懸浮法作為研究背景,進(jìn)行理論方法和應(yīng)用研究

      河北工業(yè)科技 2023年1期2023-08-11

    • 基于混沌尋參LSSVM的棉織物靛藍(lán)染色預(yù)測(cè)模型
      最小二乘支持向量機(jī)(LSSVM)算法建立了靛藍(lán)染色預(yù)測(cè)模型,并對(duì)模型的預(yù)測(cè)性能進(jìn)行了驗(yàn)證。結(jié)果表明:該模型對(duì)織物K/S值預(yù)測(cè)的平均絕對(duì)百分比誤差為1.759 7%,均方根相對(duì)誤差為0.029 4%,比網(wǎng)格尋參法的預(yù)測(cè)誤差更小,說明該模型具有較高的精度和良好的預(yù)測(cè)能力,可以為棉織物靛藍(lán)染色工藝的預(yù)測(cè)和優(yōu)化提供參考。關(guān)鍵詞: 混沌算法;最小二乘支持向量機(jī)(LSSVM);Python;棉織物;靛藍(lán);染色預(yù)測(cè)模型中圖分類號(hào): TS190.9; TP181文獻(xiàn)標(biāo)志

      絲綢 2023年7期2023-08-10

    • 基于LMD形態(tài)濾波的LSSVM方法研究
      最小二乘支持向量機(jī)中參數(shù)選擇困難及稀疏性差的問題,提出了局部均值分解(LMD)形態(tài)濾波的最小二乘支持向量機(jī)(LSSVM)方法。該方法首先利用LMD對(duì)信號(hào)進(jìn)行分解得到PF分量,并對(duì)信號(hào)做相關(guān)分析去除虛假分量,形態(tài)濾波降噪后再進(jìn)行LMD分解得到新PF分量,提取能量特征;其次,對(duì)LSSVM的核函數(shù)進(jìn)行改進(jìn),解決核參數(shù)選擇的問題;應(yīng)用特征加權(quán)法對(duì)拉格朗日參數(shù)進(jìn)行特征加權(quán),取其加權(quán)平均值作為剪枝方法的閾值,降低稀疏性;最后將能量特征信號(hào)輸入LSSVM中,對(duì)信息進(jìn)行

      哈爾濱理工大學(xué)學(xué)報(bào) 2022年1期2022-05-10

    • 基于最小二乘支持向量機(jī)的短時(shí)交通流預(yù)測(cè)
      最小二乘支持向量機(jī)方法來建立短時(shí)交通流預(yù)測(cè)的模型,在經(jīng)驗(yàn)風(fēng)險(xiǎn)和置信范圍之間尋求最佳折衷,并且通過實(shí)例研究來驗(yàn)證其有效性。結(jié)果表明,該模型適應(yīng)小樣本情況下對(duì)非線性動(dòng)態(tài)系統(tǒng)的學(xué)習(xí),對(duì)短時(shí)交通流有較好的預(yù)測(cè)效果。關(guān)鍵詞 短時(shí)交通流預(yù)測(cè);最小二乘支持向量機(jī);結(jié)構(gòu)風(fēng)險(xiǎn)最小化;核函數(shù)中圖分類號(hào) U491.1 文獻(xiàn)標(biāo)識(shí)碼 A 文章編號(hào) 2096-8949(2022)07-0047-030 引言短時(shí)交通流預(yù)測(cè)是交通控制與誘導(dǎo)的重要基礎(chǔ),也一直是智能交通研究領(lǐng)域的熱點(diǎn)

      交通科技與管理 2022年7期2022-04-15

    • 基于遺傳算法的最小二乘支持向量機(jī)風(fēng)速預(yù)測(cè)模型研究
      最小二乘支持向量機(jī)(LS-SVM)方法對(duì)風(fēng)速進(jìn)行預(yù)測(cè)分析??紤]到LS-SVM的參數(shù)選取方面尚無有效手段,嘗試結(jié)合遺傳算法對(duì)LS-SVM進(jìn)行參數(shù)選取。選取山西省陽泵市風(fēng)場(chǎng)前15 d的實(shí)測(cè)風(fēng)速數(shù)據(jù),采用遺傳算法優(yōu)化LS-SVM參數(shù)后的預(yù)測(cè)模型,對(duì)第16天的風(fēng)速進(jìn)行預(yù)測(cè)分析。經(jīng)過模型計(jì)算,風(fēng)速的預(yù)測(cè)值與實(shí)測(cè)值的平均絕對(duì)百分比誤差只有5.95%。結(jié)果表明:模型計(jì)算結(jié)果理想,驗(yàn)證了采用遺傳算法優(yōu)化LS-SVM參數(shù)后用于風(fēng)速短期預(yù)測(cè)的有效性。研究成果可為風(fēng)電場(chǎng)實(shí)際運(yùn)

      水利水電快報(bào) 2021年12期2021-12-20

    • 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
      最小二乘支持向量機(jī)(LS-SVM)建立定量校正模型,并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%,二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96,LS-SVM模型的各

      安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25

    • 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
      最小二乘支持向量機(jī)(LS-SVM)建立定量校正模型,并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動(dòng)-差分進(jìn)化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%,二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96,LS-SVM模型的各

      安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25

    • 基于BFO-LSSVM模型的爆破料級(jí)配預(yù)測(cè)研究
      最小二乘支持向量機(jī)(LS-SVM)理論構(gòu)建基于BFO算法的LS-SVM優(yōu)化模型(BFO-LSSVM)。使用35組爆破數(shù)據(jù)作為訓(xùn)練樣本對(duì)模型預(yù)測(cè)精度進(jìn)行檢驗(yàn),選取孔排距、堵塞、孔深等因素作為輸入因子,爆破料級(jí)配作為預(yù)測(cè)模型輸出因子。結(jié)果表明,BFO-LSSVM預(yù)測(cè)模型的預(yù)測(cè)結(jié)果精度高于相同樣本容量下LS-SVM模型。以阿爾塔什水利樞紐工程料場(chǎng)開挖爆破數(shù)據(jù)為例,BFO-LSSVM模型預(yù)測(cè)結(jié)果平均誤差為1.47%,驗(yàn)證了該預(yù)測(cè)模型的可行性及實(shí)用性。關(guān)鍵詞:爆破

      科技信息·學(xué)術(shù)版 2021年26期2021-11-18

    • 一種利用單通道母體腹部心電信號(hào)提取胎兒心電信號(hào)的新技術(shù)
      最小二乘支持向量機(jī)(LSSVM)的胎兒心電提取新方法. 首先,利用SVD從單通道母體腹部心電信號(hào)中重構(gòu)分解矩陣,估計(jì)出母體心電參考信號(hào),并利用SW方法對(duì)估計(jì)出的母體心電參考信號(hào)進(jìn)行平滑處理;然后,利用LSSVM建立非線性估計(jì)模型,通過該模型和平滑后的母體心電參考信號(hào)估計(jì)出腹部信號(hào)中的母體心電成分,并采用布谷鳥搜索算法(CS)優(yōu)化LSSVM的超參數(shù);最后,將腹部混合信號(hào)與CS-LSSVM模型估計(jì)出的母體心電成分相減,即可獲得初步胎兒心電信號(hào),為了進(jìn)一步消除

      湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2021年10期2021-09-14

    • LabVIEW 與 MATLAB 聯(lián)合編程在制冷系統(tǒng)故障診斷中的應(yīng)用
      最小二乘支持向量機(jī)(LSSVM ),作為故障診斷的內(nèi)核,建立了制冷系統(tǒng)故障診斷平臺(tái)。對(duì)離心式冷水機(jī)組七類典型故障的診斷實(shí)驗(yàn)結(jié)果表明:該聯(lián)合編程方法可行,可以實(shí)現(xiàn)界面友好、功能豐富、方便快捷的制冷系統(tǒng)故障診斷;所建立的 PSO?LSSVM 模型總體診斷正確率高達(dá)99.70%,正常和每類故障的診斷正確率均在99%以上。該平臺(tái)具有一定的開放性和擴(kuò)展性,后續(xù)可以根據(jù)需要對(duì)診斷算法及其他功能模塊進(jìn)行更改或添加,也可增加不同算法之間的比較分析或集成診斷,改善其靈活性

      能源研究與信息 2021年4期2021-08-08

    • 有限二氧化碳資源條件下的溫室光氣耦合優(yōu)化調(diào)控模型
      最小二乘支持向量機(jī)(LS-SVM)的光合速率預(yù)測(cè)模型;然后,基于提出的光合速率預(yù)測(cè)模型,構(gòu)建在有限CO2資源條件下溫室CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫,可根據(jù)用戶輸入的CO2資源總量,自動(dòng)尋優(yōu)獲取最佳補(bǔ)氣時(shí)間與單位補(bǔ)氣量;最后,提出以光照度增長相對(duì)價(jià)值為評(píng)價(jià)指標(biāo)的經(jīng)濟(jì)性相對(duì)最優(yōu)的補(bǔ)光策略,在確定的補(bǔ)氣時(shí)間段內(nèi)進(jìn)行補(bǔ)光,最終實(shí)現(xiàn)了有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控,進(jìn)一步提高了設(shè)施溫室環(huán)境因子調(diào)控的精準(zhǔn)度與智能化水平。關(guān)鍵詞:?光合速率預(yù)測(cè);光氣耦合;調(diào)控

      江蘇農(nóng)業(yè)學(xué)報(bào) 2021年2期2021-06-30

    • 基于LS-SVM的直冷機(jī)組凝汽器積灰狀態(tài)預(yù)測(cè)研究
      ;最小二乘支持向量機(jī);換熱系數(shù)1引言我國燃煤發(fā)電量占比高達(dá)72%,其所需的煤炭與水資源地理分布矛盾顯著,為了克服火電機(jī)組增加的需求和缺水之間的矛盾,從2002年開始,有著明顯節(jié)水和環(huán)保效用的直接空冷機(jī)組,被廣泛應(yīng)用于火力發(fā)電[1]。然而"三北"地區(qū)揚(yáng)塵多,灰塵易于積聚在空冷凝汽器(Air Cooled Condenser,ACC)翅片管上,ACC長期置于室外運(yùn)行,其特有的緊密排布結(jié)構(gòu)使其更易累積灰垢[2]?;夜傅睦鄯e增加了翅片管散熱的難度,降低了冷流體帶走

      電子樂園·上旬刊 2021年1期2021-05-19

    • 風(fēng)電齒輪箱復(fù)合故障診斷方法研究
      最小二乘支持向量機(jī)(DEWOA-LSSVM)故障診斷模型進(jìn)行故障診斷。通過變分模態(tài)方法將收集的信號(hào)分解為K個(gè)模態(tài)分量,通過加權(quán)排序熵對(duì)其進(jìn)行量化處理,得到特征向量,將特征向量輸入到經(jīng)過改進(jìn)鯨魚算法優(yōu)化后的最小二乘支持向量機(jī)模型完成故障診斷,并通過試驗(yàn)驗(yàn)證該方法的有效性。關(guān)鍵詞:故障診斷;變分模態(tài)分解;加權(quán)排序熵;鯨魚算法;最小二乘支持向量機(jī)中圖分類號(hào):TH165.3文獻(xiàn)標(biāo)識(shí)碼:A文章編號(hào):1003-5168(2020)17-0072-04Research

      河南科技 2020年17期2020-08-04

    • 基于LS-SVM的艦艇修理能力評(píng)估研究
      最小二乘支持向量機(jī)(LSSVM)回歸性能的參數(shù)進(jìn)行優(yōu)化。通過專家打分?jǐn)?shù)據(jù)驗(yàn)證,結(jié)果表明,該方法在小樣本條件下的泛化能力較好,能夠科學(xué)、準(zhǔn)確地評(píng)估艦艇修理能力,具有較高的評(píng)估效率。關(guān)鍵詞:艦艇修理;評(píng)估;最小二乘支持向量機(jī);粒子群優(yōu)化Abstract: Evaluation of warship maintenance capability is limited by several factors, The historical data is lack

      裝備維修技術(shù) 2020年31期2020-07-08

    • 基于GP-LVM和LS-SVM航班延誤等級(jí)預(yù)測(cè)研究
      ;最小二乘支持向量機(jī)根據(jù)《民航行業(yè)統(tǒng)計(jì)發(fā)展公報(bào)》航班不正常原因統(tǒng)計(jì)分類中,天氣原因占50%左右,復(fù)雜的航空氣象影響著航班正常的運(yùn)行,航班延誤問題逐漸增多成為民航運(yùn)輸業(yè)發(fā)展道路上的阻礙。本文對(duì)樞紐機(jī)場(chǎng)的航班運(yùn)行數(shù)據(jù)進(jìn)行分析計(jì)算,預(yù)測(cè)得出機(jī)場(chǎng)航班延誤等級(jí),給相關(guān)部門調(diào)度運(yùn)行提供依據(jù)。氣象問題極大地影響了機(jī)場(chǎng)跑道的容量架次標(biāo)準(zhǔn),甚至在惡劣的天氣條件下關(guān)閉跑道,對(duì)航班產(chǎn)生影響的氣象因素較多,將海量數(shù)據(jù)參數(shù)引入預(yù)測(cè)模型,在運(yùn)算中使得模型訓(xùn)練時(shí)間加長且預(yù)測(cè)結(jié)果出現(xiàn)偏離

      無線互聯(lián)科技 2020年6期2020-04-30

    • 基于灰狼優(yōu)化算法的最小二乘支持向量機(jī)紅棗產(chǎn)量預(yù)測(cè)研究
      ?最小二乘支持向量機(jī)預(yù)測(cè)時(shí),其參數(shù)的選取大部分只依賴于人工經(jīng)驗(yàn),無法實(shí)現(xiàn)自適應(yīng)尋優(yōu),阻礙了其學(xué)習(xí)與泛化能力。針對(duì)該問題,采用灰狼優(yōu)化算法對(duì)最小二乘支持向量機(jī)參數(shù)尋優(yōu),以1978—2016全國紅棗產(chǎn)量數(shù)據(jù)為研究對(duì)象,利用最小二乘支持向量機(jī)的最優(yōu)參數(shù)對(duì)紅棗產(chǎn)量數(shù)據(jù)進(jìn)行擬合與預(yù)測(cè)。為避免過擬合現(xiàn)象,將1978—2007和2013—2016年數(shù)據(jù)分別作為模型的訓(xùn)練與預(yù)測(cè)數(shù)據(jù),2008-2012年數(shù)據(jù)用于交叉驗(yàn)證,同時(shí)為檢驗(yàn)該模型的預(yù)測(cè)性能,將其與ARIMA模型的預(yù)

      安徽農(nóng)業(yè)科學(xué) 2020年6期2020-04-13

    • 基于LS-SVM棉針織物軋烘軋蒸染色工藝的預(yù)測(cè)模型
      最小二乘支持向量機(jī)(LS-SVM),以氯化鈉質(zhì)量濃度、碳酸鈉質(zhì)量濃度、烘干時(shí)間和汽蒸時(shí)間作為預(yù)測(cè)模型的輸入變量,染色織物K/S值作為輸出變量,建立了多因素模型并進(jìn)行預(yù)測(cè)。結(jié)果表明,織物實(shí)驗(yàn)K/S值和模型預(yù)測(cè)值的相關(guān)系數(shù)高達(dá)0.999 96,平均相對(duì)誤差小于0.5%,說明該模型具有較高的精度,該建模方法可用于染色織物K/S值的預(yù)測(cè),可以用于棉針織物軋烘軋蒸染色工藝的預(yù)測(cè)和優(yōu)化。關(guān)鍵詞:活性染料;軋烘軋蒸工藝;最小二乘支持向量機(jī);多因素模型;棉針織物中圖分類

      現(xiàn)代紡織技術(shù) 2020年1期2020-04-10

    • 基于CEEMD-LSSVM的縫紉機(jī)軸承故障診斷
      最小二乘支持向量機(jī)(LSSVM)的縫紉機(jī)軸承故障診斷算法——CEEMD-LSSVM。首先,采用CEEMD算法,對(duì)縫紉機(jī)軸承振動(dòng)原始數(shù)據(jù)進(jìn)行分解,得到各固有模態(tài)分量(IMF)和剩余分量;其次,采用LSSVM算法,對(duì)各分量建立相應(yīng)的預(yù)測(cè)模型,進(jìn)行仿真預(yù)測(cè),尤其是為提高預(yù)測(cè)精度,采用改進(jìn)粒子群算法對(duì)ERBF核函數(shù)進(jìn)行優(yōu)化;最后,對(duì)各自預(yù)測(cè)得到的結(jié)果進(jìn)行疊加,得到實(shí)際預(yù)測(cè)結(jié)果。以西安標(biāo)準(zhǔn)縫紉機(jī)公司GC-6730縫紉機(jī)電機(jī)主軸軸承為研究對(duì)象,對(duì)算法進(jìn)行應(yīng)用,明確了

      工業(yè)技術(shù)創(chuàng)新 2020年6期2020-01-11

    • 光伏影響下考慮氣象負(fù)荷分解和LSSVM的負(fù)荷預(yù)測(cè)
      最小二乘支持向量機(jī)算法分別對(duì)二者進(jìn)行預(yù)測(cè)。之后采用主導(dǎo)氣象因素辨識(shí)方法分析影響凈負(fù)荷的主要?dú)庀笠蛩?,合理選取預(yù)測(cè)模型的輸入向量,實(shí)現(xiàn)了考慮光伏影響與氣象敏感負(fù)荷分解的LSSVM負(fù)荷預(yù)測(cè)。實(shí)驗(yàn)證明所提出的模型能夠明顯提高負(fù)荷預(yù)測(cè)的準(zhǔn)確度。關(guān)鍵詞:光伏;實(shí)時(shí)氣象因素;氣象敏感負(fù)荷分解;最小二乘支持向量機(jī);負(fù)荷預(yù)測(cè)中圖分類號(hào):TP39? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼:ALoad

      計(jì)算技術(shù)與自動(dòng)化 2020年4期2020-01-05

    • 荊門市竹皮河流域地表水污染預(yù)報(bào)研究
      最小二乘支持向量機(jī)對(duì)8周的數(shù)據(jù)進(jìn)行了測(cè)試。分析結(jié)果可知:只有第六個(gè)污染等級(jí)預(yù)報(bào)錯(cuò)誤,其他的七個(gè)污染等級(jí)均預(yù)報(bào)正確。這可充分的說明,五個(gè)指標(biāo)與水污染等級(jí)之間存在一種強(qiáng)烈的對(duì)應(yīng)關(guān)系,也說明所使用的LS-SVM算法的正確性和有效性。同時(shí)為了對(duì)比說明,運(yùn)用RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行了預(yù)測(cè)。訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)與LS-SVM預(yù)測(cè)法一致。對(duì)比預(yù)測(cè)結(jié)果發(fā)現(xiàn):RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果與LS-SVM預(yù)測(cè)結(jié)果相比,存在預(yù)測(cè)精度不高的問題。同時(shí),LS-SVM算法具有簡便的操作性。通過對(duì)

      綠色科技 2019年16期2019-11-22

    • 基于組合模型的接地網(wǎng)腐蝕速率預(yù)測(cè)算法
      進(jìn)最小二乘支持向量機(jī)與誤差校正的組合模型,將其應(yīng)用于接地網(wǎng)腐蝕速率預(yù)測(cè)。該法采用遺傳算法優(yōu)化最小二乘支持向量機(jī)參數(shù),為提高模型的預(yù)測(cè)精度,應(yīng)用誤差預(yù)測(cè)校正模型修正其預(yù)測(cè)結(jié)果,降低了極大誤差出現(xiàn)的可能性,提高了預(yù)測(cè)模型的穩(wěn)定性。結(jié)果表明,采用組合模型對(duì)接地網(wǎng)腐蝕速率進(jìn)行預(yù)測(cè),比采用最小二乘支持向量機(jī)模型具有更高的預(yù)測(cè)精度,更適用于接地網(wǎng)腐蝕速率的預(yù)測(cè)。關(guān)鍵詞:接地網(wǎng);腐蝕速率;預(yù)測(cè);最小二乘支持向量機(jī);遺傳算法;誤差校正中圖分類號(hào):TP301? ? ? ?

      計(jì)算技術(shù)與自動(dòng)化 2019年3期2019-11-05

    • 基于近紅外光譜分析技術(shù)的轉(zhuǎn)Bt基因水稻種子及其親本快速鑒別方法
      最小二乘支持向量機(jī)方法建立光譜反射率值與類別值之間的預(yù)測(cè)模型。3種水稻種子樣本數(shù)均為350個(gè),共計(jì)1 050個(gè)樣本,將其分成900個(gè)訓(xùn)練集樣本和150個(gè)預(yù)測(cè)集樣本,預(yù)測(cè)準(zhǔn)確率達(dá)94.67%。說明本研究提出的方法對(duì)于轉(zhuǎn)Bt基因水稻種子及其親本具有很好的分類和鑒別能力,且檢測(cè)過程比傳統(tǒng)理化檢測(cè)手段簡單,操作性強(qiáng)。該研究為今后轉(zhuǎn)基因水稻種子及其親本的快速無損檢測(cè)提供了新的方法。關(guān)鍵詞:轉(zhuǎn)基因水稻;ISOMAP流形降維;最小二乘支持向量機(jī);近紅外光譜技術(shù)中圖分類

      江蘇農(nóng)業(yè)科學(xué) 2019年13期2019-10-25

    • 基于光譜和Gabor紋理信息融合的油桃品種識(shí)別
      最小二乘支持向量機(jī)(least squares support vector machine,簡稱LS-SVM)和極限學(xué)習(xí)機(jī)(extreme learning machine,簡稱ELM)油桃品種判別模型。結(jié)果表明,基于融合特征的LS-SVM和ELM模型識(shí)別率分別為94.7%、92.1%,較單獨(dú)采用光譜信息和紋理信息的識(shí)別率都高,說明采用光譜信息和Gabor紋理信息融合的方法可以實(shí)現(xiàn)油桃品種判別,為農(nóng)產(chǎn)品無損檢測(cè)提供參考價(jià)值。關(guān)鍵詞:油桃品種識(shí)別;光譜信

      江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25

    • 基于PSO-LSSVM算法的造紙過程短期電力負(fù)荷預(yù)測(cè)模型
      最小二乘支持向量機(jī)(LSSVM)相結(jié)合(PSO-LSSVM)的短期電力負(fù)荷預(yù)測(cè)方法,該方法可對(duì)造紙廠未來每30 min的電力負(fù)荷進(jìn)行預(yù)測(cè)。結(jié)果表明,采用PSO-LSSVM算法對(duì)短期電力負(fù)荷進(jìn)行預(yù)測(cè)時(shí),預(yù)測(cè)結(jié)果的相對(duì)百分誤差絕對(duì)值的平均值約為0.75%,精度高于其他行業(yè)的電力負(fù)荷預(yù)測(cè)值,模型具有良好的可行性和有效性。關(guān)鍵詞:數(shù)學(xué)建模;短期預(yù)測(cè);電力負(fù)荷;最小二乘支持向量機(jī);粒子群優(yōu)化中圖分類號(hào):TS7文獻(xiàn)標(biāo)識(shí)碼:A近年來,我國造紙工業(yè)產(chǎn)能迅速擴(kuò)大,紙及紙板

      中國造紙學(xué)報(bào) 2019年1期2019-09-10

    • 基于大數(shù)據(jù)分析的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估
      最小二乘支持向量機(jī)對(duì)網(wǎng)絡(luò)安全態(tài)勢(shì)樣本進(jìn)行訓(xùn)練,建立網(wǎng)絡(luò)安全態(tài)勢(shì)的評(píng)估模型,并進(jìn)行具體網(wǎng)絡(luò)安全態(tài)勢(shì)仿真測(cè)試。結(jié)果表明,所提模型可以準(zhǔn)確描述網(wǎng)絡(luò)安全態(tài)勢(shì)變化特點(diǎn),獲得高精度的網(wǎng)絡(luò)安全態(tài)勢(shì)評(píng)估結(jié)果,評(píng)估誤差要遠(yuǎn)遠(yuǎn)低于對(duì)照模型,為網(wǎng)絡(luò)安全管理提供了一種有效的研究方法。關(guān)鍵詞: 大數(shù)據(jù)分析; 學(xué)習(xí)樣本; 仿真測(cè)試; 樣本重構(gòu); 最小二乘支持向量機(jī); 網(wǎng)絡(luò)安全中圖分類號(hào): TN915.08?34; TP391 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼: A ?

      現(xiàn)代電子技術(shù) 2019年13期2019-07-08

    • 基于粒子群最小二乘支持向量機(jī)的股指波動(dòng)率預(yù)測(cè)
      最小二乘支持向量機(jī)(LSSVM-PSO)的波動(dòng)率預(yù)測(cè)方法,利用LSSVM優(yōu)良的非線性逼近能力預(yù)測(cè)波動(dòng)率,通過PSO算法的全局快速優(yōu)化特點(diǎn)選擇LSSVM最優(yōu)參數(shù)。以中國股市實(shí)際交易數(shù)據(jù)為樣本,通過樣本內(nèi)預(yù)測(cè)和樣本外預(yù)測(cè)驗(yàn)證了該方法的有效性。結(jié)果表明,LSSVM-PSO模型具有較高的預(yù)測(cè)精度和計(jì)算效率,是一種有效的股指波動(dòng)率預(yù)測(cè)方法。[關(guān)鍵詞]波動(dòng)率預(yù)測(cè);最小二乘支持向量機(jī);粒子群優(yōu)化算法[中圖分類號(hào)]F830;TP1831 引 言股指波動(dòng)率是衡量金融資產(chǎn)風(fēng)

      新財(cái)經(jīng) 2019年7期2019-06-27

    • 基于微粒群優(yōu)化LSSVM的室內(nèi)指紋定位算法
      最小二乘支持向量機(jī)(LSSVM)定位過程中參數(shù)選取對(duì)定位精度的影響,提出一種基于微粒群進(jìn)行參數(shù)優(yōu)化的室內(nèi)指紋定位算法。該算法通過離線采集的RSSI數(shù)據(jù)訓(xùn)練最小二乘支持向量機(jī),利用微粒群算法尋找并確定LSSVM全局最優(yōu)參數(shù),獲得基于位置指紋的LSSVM定位模型。仿真結(jié)果表明,相對(duì)于傳統(tǒng)LSSVM定位,PSO-LSSVM有效提高了定位準(zhǔn)確度,并能在小樣本情況下保持良好的定位精度。關(guān)鍵詞:指紋定位;微粒群算法;最小二乘支持向量機(jī);RSSIDOI:10. 119

      軟件導(dǎo)刊 2019年4期2019-06-09

    • 基于最小二乘支持向量機(jī)導(dǎo)彈訂購價(jià)格預(yù)測(cè)模型研究
      最小二乘支持向量機(jī)方法對(duì)數(shù)據(jù)樣本訓(xùn)練優(yōu)化,并應(yīng)用實(shí)例進(jìn)行了建模分析研究。關(guān)鍵詞:性能;最小二乘支持向量機(jī);訂購價(jià)格;預(yù)測(cè)中圖分類號(hào):G641? ? ? ?文獻(xiàn)標(biāo)志碼:A? ? ?文章編號(hào):1673-291X(2019)26-0187-02引言采取最小二乘支持向量機(jī)(LS-SVM)法對(duì)導(dǎo)彈訂購目標(biāo)價(jià)格進(jìn)行預(yù)測(cè),預(yù)測(cè)結(jié)果與傳統(tǒng)的支持向量機(jī)(SVM)預(yù)測(cè)結(jié)果相比較,不僅滿足了預(yù)測(cè)的精度,而且也解決了模型計(jì)算的復(fù)雜性,提高了求解的速度,對(duì)導(dǎo)彈全壽命周期費(fèi)用的預(yù)測(cè)

      經(jīng)濟(jì)研究導(dǎo)刊 2019年26期2019-04-17

    • 基于EMD的金剛石砂輪磨損狀態(tài)聲發(fā)射監(jiān)測(cè)
      最小二乘支持向量機(jī)的輸入?yún)?shù),對(duì)金剛石砂輪的輕度磨損狀態(tài)和嚴(yán)重磨損狀態(tài)成功地進(jìn)行了智能監(jiān)測(cè).關(guān)鍵詞:氧化鋯磨削;金剛石砂輪磨損狀態(tài)監(jiān)測(cè);聲發(fā)射;經(jīng)驗(yàn)?zāi)B(tài)分解;最小二乘支持向量機(jī)中圖分類號(hào):TG58,TP183 ??????????????????????文獻(xiàn)標(biāo)志碼:AAcoustic Emission Intelligent Monitoring of Diamond GrindingWheel Wear Based on Empirical Mode

      湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2019年2期2019-04-13

    • 基于灰色關(guān)聯(lián)分析的LS-SVM的高鐵客流量預(yù)測(cè)
      最小二乘支持向量機(jī)(LS-SVM),構(gòu)建基于GRA的LS-SVM高鐵客流量預(yù)測(cè)模型(GRA-LS-SVM)。將高鐵客流量的影響因素初步設(shè)為17項(xiàng),利用灰色關(guān)聯(lián)分析從中選取主要影響因素,并將其作為輸入變量,構(gòu)建LS-SVM。以我國高鐵客流量數(shù)據(jù)為例,驗(yàn)證GRA-LS-SVM的有效性。結(jié)果顯示,GRA-LS-SVM不僅簡化了模型結(jié)構(gòu),而且提高了高鐵客流量預(yù)測(cè)精度。關(guān)鍵詞:高鐵客流量 灰色關(guān)聯(lián)分析 最小二乘支持向量機(jī)1.引言隨著各種交通工具的發(fā)展,客運(yùn)市場(chǎng)競爭

      中國市場(chǎng) 2019年31期2019-01-06

    • 網(wǎng)絡(luò)大數(shù)據(jù)平臺(tái)異常風(fēng)險(xiǎn)監(jiān)測(cè)系統(tǒng)設(shè)計(jì)
      最小二乘支持向量機(jī)對(duì)網(wǎng)絡(luò)大數(shù)據(jù)進(jìn)行高效率建模,實(shí)現(xiàn)網(wǎng)絡(luò)大數(shù)據(jù)異常監(jiān)測(cè)。實(shí)驗(yàn)結(jié)果表明,所設(shè)計(jì)系統(tǒng)具有監(jiān)測(cè)效率和穩(wěn)定性高、性能佳的優(yōu)勢(shì)。關(guān)鍵詞: 網(wǎng)絡(luò)大數(shù)據(jù); 異常風(fēng)險(xiǎn); 監(jiān)測(cè)系統(tǒng); 控制模塊; Hadoop; 最小二乘支持向量機(jī)中圖分類號(hào): TN931+.3?34; TP314 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2018)22?0143?04Abstract: When the support vector machine is used

      現(xiàn)代電子技術(shù) 2018年22期2018-11-13

    • 基于偏最小二乘及最小二乘支持向量機(jī)的 と斯ぜ硬誶道糙率預(yù)測(cè)模型
      最小二乘支持向量機(jī)(LSSVM)建立了人工加糙渠道糙率預(yù)測(cè)模型。結(jié)合實(shí)例,通過對(duì)某人工加糙渠道相關(guān)試驗(yàn)數(shù)據(jù)進(jìn)行PLSLSSVM模型的訓(xùn)練及預(yù)測(cè),并將預(yù)測(cè)結(jié)果與單獨(dú)使用PLS、LSSVM及公式法的預(yù)測(cè)結(jié)果進(jìn)行對(duì)比,其結(jié)果顯示:基于PLSLSSVM模型的預(yù)測(cè)平均絕對(duì)百分比誤差MAPE為138%,均方根誤差RMSE為224×10-4,預(yù)測(cè)精度均優(yōu)于PLS、LSSVM及公式法的預(yù)測(cè)結(jié)果。結(jié)果表明,將PLS與LSSVM相結(jié)合的PLSLSSVM模型,綜合了PLS與L

      南水北調(diào)與水利科技 2018年4期2018-11-12

    • 基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測(cè)
      個(gè)最小二乘支持向量機(jī)預(yù)測(cè)模型,進(jìn)行光伏發(fā)電量的超短期預(yù)測(cè)。通過實(shí)驗(yàn)對(duì)訓(xùn)練好的模型進(jìn)行預(yù)測(cè)精度的評(píng)估,結(jié)果表明,與未結(jié)合周天氣特征的預(yù)測(cè)模型相比,該模型的平均預(yù)測(cè)精度提高了30%左右。關(guān)鍵詞: 光伏發(fā)電量預(yù)測(cè); 最小二乘支持向量機(jī); 周天氣特征; 超短期預(yù)測(cè)中圖分類號(hào):TP39 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):1006-8228(2018)08-36-04Forecast of PV power generation based on data miningZho

      計(jì)算機(jī)時(shí)代 2018年8期2018-10-17

    • 基于灰狼優(yōu)化算法的最小二乘支持向量機(jī)在軟件老化預(yù)測(cè)中的應(yīng)用
      最小二乘支持向量機(jī)參數(shù)主要涉及懲罰因子和核函數(shù)參數(shù),這兩個(gè)參數(shù)的選擇將直接影響最小二乘支持向量機(jī)的學(xué)習(xí)和泛化能力。為了提高最小二乘支持向量機(jī)的預(yù)測(cè)結(jié)果,文章用灰狼優(yōu)化算法對(duì)其參數(shù)尋優(yōu),建立軟件老化預(yù)測(cè)模型。通過實(shí)驗(yàn)證明了該模型,對(duì)軟件老化的預(yù)測(cè)表現(xiàn)出很好的效果。關(guān)鍵詞:軟件老化預(yù)測(cè);最小二乘支持向量機(jī);灰狼優(yōu)化算法遺留在軟件中的缺陷會(huì)隨軟件系統(tǒng)長期持續(xù)運(yùn)行造成計(jì)算機(jī)內(nèi)存泄漏、舍入誤差積累、文件鎖未釋放等現(xiàn)象發(fā)生,導(dǎo)致系統(tǒng)性能衰退甚至崩潰。這些軟件老化現(xiàn)象

      無線互聯(lián)科技 2018年15期2018-09-20

    • 基于圖像處理技術(shù)的火災(zāi)識(shí)別方法的應(yīng)用與研究
      最小二乘支持向量機(jī)超參數(shù)選取在快速留一法的基礎(chǔ)上,結(jié)合共軛梯度算法,提出改進(jìn)的最小二乘支持向量機(jī)的火災(zāi)圖像處理方法,構(gòu)建了FR?LSSVM模型。通過對(duì)比采用BP神經(jīng)網(wǎng)絡(luò)、最小二乘法支持向量機(jī)、FR?LSSVM和標(biāo)準(zhǔn)支持向量機(jī)的實(shí)驗(yàn)結(jié)果可以得出,改進(jìn)算法具有更好的穩(wěn)定性、更快的運(yùn)算速度和更高的識(shí)別率,有利于提高火災(zāi)識(shí)別的有效性,進(jìn)而保護(hù)人們的生命財(cái)產(chǎn)安全。關(guān)鍵詞: 圖像處理; 火災(zāi)識(shí)別; 快速留一法; 共軛梯度; BP 神經(jīng)網(wǎng)絡(luò); 最小二乘支持向量機(jī)中圖分

      現(xiàn)代電子技術(shù) 2018年13期2018-07-10

    • 組合模型在電子設(shè)備故障預(yù)測(cè)中的應(yīng)用
      最小二乘支持向量機(jī)(LSSVM)和隱馬爾可夫(HMM)組合故障預(yù)測(cè)模型,本模型充分利用了LSSVM解決小樣本數(shù)據(jù)時(shí)計(jì)算速度快,可對(duì)信號(hào)進(jìn)行非線性預(yù)測(cè)和HMM數(shù)據(jù)結(jié)構(gòu)嚴(yán)謹(jǐn),計(jì)算性能可靠,狀態(tài)識(shí)別精度高的優(yōu)點(diǎn),將二者相結(jié)合實(shí)現(xiàn)故障狀態(tài)預(yù)測(cè)。實(shí)驗(yàn)結(jié)果證明,文章所提出的組合故障預(yù)測(cè)模型能直接得到該設(shè)備的預(yù)測(cè)狀態(tài),而且相對(duì)精度較高。關(guān)鍵詞:最小二乘支持向量機(jī);隱馬爾可夫;狀態(tài)預(yù)測(cè)中圖分類號(hào):TP206 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):2095-2945(2018)15-

      科技創(chuàng)新與應(yīng)用 2018年15期2018-06-06

    • 基于組合核CPSO—LSSVM模擬電路故障診斷
      最小二乘支持向量機(jī)作為分類器對(duì)模擬電路進(jìn)行故障模式識(shí)別,并選用組合核函數(shù)作為分類器的核函數(shù),對(duì)于最小二乘支持向量機(jī)系數(shù)的優(yōu)化選取,將采用混沌粒子群算法,在粒子群算法中加入混沌理論,增加種群的多樣性和粒子搜索的遍歷性,避免陷入局部最優(yōu)解,加快全局收斂,得到最優(yōu)系數(shù)。關(guān)鍵詞:故障模式識(shí)別;最小二乘支持向量機(jī);組合核函數(shù);混沌粒子群算法一、組合核LSSVM(一)LSSVM特點(diǎn)最小二乘支持向量機(jī)(Least Square Support Vector Machi

      報(bào)刊薈萃(上) 2018年5期2018-05-30

    • 灰色最小二乘支持向量機(jī)在電子產(chǎn)品壽命預(yù)測(cè)中應(yīng)用
      最小二乘支持向量機(jī)所具有的泛化能力強(qiáng)、運(yùn)算速度快、非線形擬合精度高、參數(shù)優(yōu)化好、小樣本等優(yōu)點(diǎn),提出了一種灰色理論和最小二乘支持向量機(jī)組合預(yù)測(cè)方法。與灰色GM(l,l)和單一最小二乘支持向量機(jī)對(duì)比表明,灰色最小二乘支持向量機(jī)組合預(yù)測(cè)模型具有較高的預(yù)測(cè)精度,是節(jié)省試驗(yàn)費(fèi)用及提高評(píng)價(jià)精度的一種簡便實(shí)用且高效的新方法。關(guān)鍵詞:壽命預(yù)測(cè);灰色理論;最小二乘支持向量機(jī);組合預(yù)測(cè)0引言灰色預(yù)測(cè)模型具有所需樣本少、計(jì)算簡便的優(yōu)點(diǎn)[1],最小二乘支持向量機(jī)具有泛化能力強(qiáng)、

      科學(xué)與財(cái)富 2018年8期2018-05-09

    • 基于最小二乘支持向量機(jī)的電子音樂識(shí)別研究
      最小二乘支持向量機(jī)的電子音樂識(shí)別模型。首先收集電子音樂的數(shù)據(jù),并采用小波分析對(duì)電子音樂數(shù)據(jù)進(jìn)行去噪處理,然后提取電子音樂的特征,并對(duì)特征進(jìn)行歸一化處理,最后采用最小二乘支持向量機(jī)對(duì)處理后的電子音樂數(shù)據(jù)進(jìn)行訓(xùn)練,建立電子音樂識(shí)別模型。采用具體電子音樂數(shù)據(jù)對(duì)模型的有效性進(jìn)行驗(yàn)證,結(jié)果表明,與傳統(tǒng)電子音樂識(shí)別模型相比,支持向量機(jī)對(duì)噪聲數(shù)據(jù)具有良好的魯棒性,可以有效識(shí)別各種類型的電子音樂,而且電子音樂的識(shí)別速度更優(yōu)。關(guān)鍵詞: 電子音樂; 短時(shí)特征; 特征向量歸一

      現(xiàn)代電子技術(shù) 2018年9期2018-05-05

    • 基于灰色支持向量機(jī)模型的基金波動(dòng)率預(yù)測(cè)
      最小二乘支持向量機(jī)組合預(yù)測(cè)模型在波動(dòng)率上的應(yīng)用的可行性,通過對(duì)灰色模型進(jìn)行殘差修正和背景值修正以及對(duì)最小二乘支持向量機(jī)進(jìn)行參數(shù)尋優(yōu),來提高組合預(yù)測(cè)模型的預(yù)測(cè)精度和推廣泛化能力。經(jīng)波動(dòng)率預(yù)測(cè)的實(shí)證分析得出建立的組合模型比支持向量機(jī)模型有較好的預(yù)測(cè)效果。【關(guān)鍵詞】灰色系統(tǒng) 最小二乘支持向量機(jī) 波動(dòng)率預(yù)測(cè)目前國內(nèi)外有關(guān)基金波動(dòng)預(yù)測(cè)方法主要可以分為兩類:第一,統(tǒng)計(jì)方法[James D.,Parvez Ahmed.Chiang et al]。第二,人工智能方法[C

      時(shí)代金融 2018年6期2018-03-26

    • 最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的運(yùn)動(dòng)員成績預(yù)測(cè)
      最小二乘支持向量機(jī)和預(yù)測(cè)誤差校正的運(yùn)動(dòng)員成績預(yù)測(cè)模型。首先通過提升小波和最小二乘支持向量機(jī)對(duì)運(yùn)動(dòng)員成績進(jìn)行建模和預(yù)測(cè),然后通過誤差校正方式對(duì)運(yùn)動(dòng)員成績的預(yù)測(cè)結(jié)果進(jìn)行校正,最后通過運(yùn)動(dòng)員成績預(yù)測(cè)實(shí)例對(duì)模型的有效性進(jìn)行測(cè)試,并與其他運(yùn)動(dòng)員預(yù)測(cè)模型進(jìn)行對(duì)比實(shí)驗(yàn),驗(yàn)證其優(yōu)越性,結(jié)果表明,所提模型降低了運(yùn)動(dòng)員成績的預(yù)測(cè)誤差,并且通過誤差校正提高了運(yùn)動(dòng)員成績預(yù)測(cè)結(jié)果的穩(wěn)定性,預(yù)測(cè)精度要優(yōu)于其他運(yùn)動(dòng)員成績預(yù)測(cè)模型。關(guān)鍵詞: 運(yùn)動(dòng)員成績; 最小二乘支持向量機(jī); 誤差校正

      現(xiàn)代電子技術(shù) 2018年5期2018-03-03

    • 基于PSO優(yōu)化的LSSVM的電力系統(tǒng)電壓優(yōu)化的研究
      最小二乘支持向量機(jī)(PSO-LSSVM)來對(duì)電力系統(tǒng)電壓進(jìn)行優(yōu)化。通過實(shí)例的結(jié)果分析,該方法對(duì)電壓的合格率有所提高,對(duì)電壓性能有明顯的改善,損耗也下降了,且收斂速度加快,有助于解決地區(qū)電力系統(tǒng)電壓優(yōu)化和治理問題。關(guān)鍵詞:數(shù)學(xué)模型;粒子群優(yōu)化;最小二乘支持向量機(jī);電壓優(yōu)化0 引言電力系統(tǒng)的無功優(yōu)化作為非線性的規(guī)劃問題,存在著多個(gè)不等式的約束條件。而且控制變量的類型也比較復(fù)雜,既有連續(xù)值,又有離散值。所以導(dǎo)致無功優(yōu)化的分析過程變得更加復(fù)雜。無功優(yōu)化的常見方法

      軟件 2017年9期2018-03-02

    • 分段最小二乘支持向量機(jī)的故障診斷
      最小二乘支持向量機(jī)的方法,該方法首先利用模糊C聚類(FCM)對(duì)樣本進(jìn)行聚類分析,達(dá)到劃分發(fā)酵階段和建立局部模型的目的,然后采用最小二乘支持向量機(jī)(LS-SVM)的方法對(duì)各類樣本進(jìn)行建模。實(shí)驗(yàn)結(jié)果表明,使用該方法建立的啤酒發(fā)酵過程溫度故障診斷模型具有較高的準(zhǔn)確性。經(jīng)過比較,該方法建立的模型的泛化能力要強(qiáng)于其他SVM方法建立的模型。關(guān)鍵詞:支持向量機(jī);模糊C均值聚類;最小二乘支持向量機(jī);啤酒發(fā)酵;建模DOI:10.15938/j.jhust.2018.06.

      哈爾濱理工大學(xué)學(xué)報(bào) 2018年6期2018-02-13

    • 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測(cè)研究
      最小二乘支持向量機(jī)的網(wǎng)絡(luò)流量異常檢測(cè)模型;最后,在Maltab 2014平臺(tái)下進(jìn)行網(wǎng)絡(luò)流量異常檢測(cè)實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該模型可以準(zhǔn)確對(duì)網(wǎng)絡(luò)流量異?,F(xiàn)象進(jìn)行檢測(cè),獲得了比其他模型更優(yōu)的網(wǎng)絡(luò)流量異常檢測(cè)結(jié)果,具有更高的實(shí)際應(yīng)用價(jià)值。關(guān)鍵詞: 網(wǎng)絡(luò)安全; 流量異常檢測(cè); HDOOP平臺(tái); 最小二乘支持向量機(jī); 大數(shù)據(jù)環(huán)境; 檢測(cè)模型中圖分類號(hào): TN915.08?34; TP392 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2018)03?0084?0

      現(xiàn)代電子技術(shù) 2018年3期2018-01-31

    • LS—SVM和混合主元分析的電梯故障類型檢測(cè)研究
      最小二乘支持向量機(jī)(LS-SVM)和混合主元分析的方法。在此方法中,首先利用小波包分析對(duì)電梯轎廂X、Y、Z三個(gè)方向傳感器所得數(shù)值進(jìn)行特征值提取,提取出9個(gè)特征向量用來描述電梯具體運(yùn)行狀態(tài)。然后將特征向量送入LS-SVM進(jìn)行訓(xùn)練和分類,得出每個(gè)特征向量與正常運(yùn)行時(shí)的殘差值,根據(jù)殘差值判斷電梯狀態(tài)。最后利用混合主元分析得出主元特征向量,作出主元特征向量的組合形式貢獻(xiàn)圖判斷電梯故障原因。關(guān)鍵詞:最小二乘支持向量機(jī);小波包分析;混合主元分析;主元特征向量中圖分類

      科技創(chuàng)新與應(yīng)用 2017年21期2017-08-24

    • 基于最小二乘支持向量機(jī)的無人機(jī)遙感影像分類
      最小二乘支持向量機(jī);粒子群優(yōu)化;網(wǎng)格搜索;交叉驗(yàn)證;無人機(jī)遙感中圖分類號(hào): TP751;S127文獻(xiàn)標(biāo)志碼: A文章編號(hào):1002-1302(2017)09-0187-05隨著無人機(jī)技術(shù)[1]的成熟,輕量型的多光譜傳感器被廣泛搭載并獲取數(shù)據(jù)[2-3],在國土資源[4-5]、環(huán)境災(zāi)害[6-7]、農(nóng)情監(jiān)測(cè)[8-12]等眾多領(lǐng)域得到廣泛應(yīng)用。針對(duì)多波段影像數(shù)據(jù)的分類處理[13]也一直是各行業(yè)應(yīng)用所面對(duì)的首要問題,已經(jīng)成為研究熱點(diǎn)之一。支持向量機(jī)(support

      江蘇農(nóng)業(yè)科學(xué) 2017年9期2017-07-15

    • 基于自適應(yīng)最小二乘支持向量機(jī)逆系統(tǒng)的鏈?zhǔn)絊TATCOM控制策略
      最小二乘支持向量機(jī)自適應(yīng)地估計(jì)動(dòng)態(tài)的模型非線性部分,通過反饋的方式加入到逆系統(tǒng)的輸入端,從而補(bǔ)償?shù)魧?shí)際系統(tǒng)模型中的非線性部分,實(shí)現(xiàn)真正意義上的偽線性模型。由于是線性系統(tǒng)的解耦模型,采用線性二次型最優(yōu)控制算法,實(shí)現(xiàn)配電網(wǎng)的無功補(bǔ)償。仿真和實(shí)驗(yàn)結(jié)果表明,本文所提的算法很好的解決了配電網(wǎng)的無功補(bǔ)償問題,且具有很好的魯棒性和動(dòng)態(tài)性能。關(guān)鍵詞:最小二乘支持向量機(jī);靜止同步補(bǔ)償器;逆系統(tǒng);線性二次型調(diào)節(jié)器中圖分類號(hào):TP273 文獻(xiàn)標(biāo)志碼:A 文章編號(hào):1007-4

      電機(jī)與控制學(xué)報(bào) 2017年7期2017-07-10

    • 基于LS—SVM的制冷系統(tǒng)故障診斷
      最小二乘支持向量機(jī)(LSSVM)的制冷系統(tǒng)故障診斷模型,并采用ASHRAE制冷系統(tǒng)故障模擬實(shí)驗(yàn)數(shù)據(jù)進(jìn)行模型訓(xùn)練與驗(yàn)證.對(duì)一臺(tái) 90冷噸(約316 kW)的離心式冷水機(jī)組的7類制冷循環(huán)典型故障進(jìn)行了實(shí)驗(yàn).研究結(jié)果表明,LS-SVM模型對(duì)制冷系統(tǒng)七類故障的總體診斷正確率比支持向量機(jī)(SVM)診斷模型、誤差反向傳播(BP)神經(jīng)網(wǎng)絡(luò)診斷模型分別提高0.12%和1.32%;盡管對(duì)個(gè)別局部故障(冷凝器結(jié)垢、冷凝器水流量不足、制冷劑含不凝性氣體)的診斷性能較SVM模型

      能源研究與信息 2017年1期2017-05-15

    • 基于粒子群優(yōu)化的最小二乘支持向量機(jī)圖像分割研究
      最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LS-SVM)應(yīng)用于圖像分割,并利用粒子群算法對(duì)其參數(shù)進(jìn)行優(yōu)化。通過對(duì)經(jīng)典的二分類與多分類問題的測(cè)試及彩色實(shí)物圖像分割實(shí)驗(yàn),結(jié)果表明,LS-SVM能綜合使用圖像多種特征,能夠準(zhǔn)確實(shí)現(xiàn)對(duì)圖像感興趣區(qū)域的分割,且分割速度比一般的支持向量機(jī)提高很多。關(guān)鍵詞:最小二乘支持向量機(jī);彩色圖像;圖像分割;參數(shù)優(yōu)化引言支持向量機(jī)(Support Vector Machine,

      科技創(chuàng)新與應(yīng)用 2017年9期2017-04-26

    • 基于EMD與果蠅參數(shù)尋優(yōu)的LSSVM的機(jī)場(chǎng)能耗預(yù)測(cè)
      最小二乘支持向量機(jī)(Least Squares Support Vector Machines,LSSVM)的能耗預(yù)測(cè)方法。在原有LSSVM方法基礎(chǔ)上,運(yùn)用EMD對(duì)天津機(jī)場(chǎng)能耗數(shù)據(jù)進(jìn)行預(yù)處理,得到若干個(gè)本征分量。根據(jù)各分量的變化規(guī)律構(gòu)造不同的最小二乘支持向量機(jī)模型分別預(yù)測(cè),加入果蠅參數(shù)優(yōu)化算法尋找最優(yōu)的最小二乘支持向量機(jī)正則化參數(shù)與核函數(shù)參數(shù)。最后將各分量的預(yù)測(cè)結(jié)果疊加得到最終的預(yù)測(cè)值。仿真結(jié)果表明,經(jīng)過EMD處理后各個(gè)分量突出了原能耗數(shù)據(jù)的特性,降低了

      計(jì)算機(jī)時(shí)代 2017年4期2017-04-26

    • 基于LS?SVM的一次風(fēng)機(jī)振動(dòng)在線監(jiān)測(cè)及故障預(yù)警
      最小二乘支持向量機(jī)(LS?SVM)的一次風(fēng)機(jī)振動(dòng)狀態(tài)估計(jì)和故障預(yù)警方法。結(jié)合山西河曲發(fā)電廠1號(hào)機(jī)組的1#一次風(fēng)機(jī)歷史運(yùn)行數(shù)據(jù),應(yīng)用Matlab對(duì)提出的方法進(jìn)行驗(yàn)證和分析。研究結(jié)果表明,該預(yù)測(cè)方法有較高的估計(jì)精度,能夠及時(shí)辨別一次風(fēng)機(jī)在運(yùn)行中的振動(dòng)異常,適用于火電廠輔機(jī)設(shè)備的故障診斷,具有一定的工程應(yīng)用價(jià)值。關(guān)鍵詞: 一次風(fēng)機(jī); 在線監(jiān)測(cè); 最小二乘支持向量機(jī)(LS?SVM); 故障預(yù)警中圖分類號(hào): TN911?34 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004

      現(xiàn)代電子技術(shù) 2017年7期2017-04-14

    • 一種模擬電路故障診斷方法研究
      最小二乘支持向量機(jī); 粒子群優(yōu)化算法中圖分類號(hào): TN710.4?34; TP391 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2017)06?0183?04Abstract: The LSSVM algorithm is applied to the analog circuit fault diagnosis model, and its parameters are optimized with particle swarm optimiz

      現(xiàn)代電子技術(shù) 2017年6期2017-04-10

    • 基于滾動(dòng)時(shí)間窗的PSO—LSSVM的通信基站能耗建模
      最小二乘支持向量機(jī)(LSSVM)的基站能耗建模方法.該方法通過選取預(yù)處理的基站配置參數(shù)與實(shí)時(shí)數(shù)據(jù)建立滾動(dòng)時(shí)間窗,采用PSO優(yōu)化訓(xùn)練模型參數(shù),并通過LSSVM回歸估計(jì)訓(xùn)練模型,得到隨時(shí)間窗數(shù)據(jù)變化的基站動(dòng)態(tài)能耗模型.仿真試驗(yàn)與樣本基站實(shí)測(cè)數(shù)據(jù)的驗(yàn)證結(jié)果表明,本文建立的能耗模型具有較高的預(yù)測(cè)精度及泛化能力,對(duì)基站節(jié)能工程的評(píng)估具有良好的應(yīng)用前景.關(guān)鍵詞:通信基站;能耗模型;最小二乘支持向量機(jī);粒子群;滾動(dòng)時(shí)間窗中圖分類號(hào):TP18;TN929.5 文獻(xiàn)標(biāo)志碼

      湖南大學(xué)學(xué)報(bào)·自然科學(xué)版 2017年2期2017-03-17

    • 基于最小二乘支持向量機(jī)的VaR計(jì)算方法研究
      最小二乘支持向量機(jī)與傳統(tǒng)的蒙特卡羅模擬法結(jié)合,對(duì)波動(dòng)率進(jìn)行估計(jì)。實(shí)證分析表明,該方法可行有效。Abstract: VaR is a tool making the investment risk quantification, which aims at estimating the possible or potential maximum loss in the future of a given financial asset or portfol

      價(jià)值工程 2017年6期2017-03-15

    • 電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估模型仿真分析
      最小二乘支持向量機(jī)對(duì)電子商務(wù)交易風(fēng)險(xiǎn)評(píng)估樣本進(jìn)行學(xué)習(xí),構(gòu)建電子商務(wù)交易風(fēng)險(xiǎn)的評(píng)估模型;最后對(duì)模型的有效性和優(yōu)越性進(jìn)行分析。結(jié)果表明,該模型提高了電子商務(wù)交易風(fēng)險(xiǎn)的評(píng)估精度,能夠?yàn)殡娮由虅?wù)交易提供有價(jià)值的參考信息。關(guān)鍵詞: 電子商務(wù); 交易風(fēng)險(xiǎn); 風(fēng)險(xiǎn)評(píng)估; 最小二乘支持向量機(jī)中圖分類號(hào): TN919?34; TP181 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2017)03?0140?03Simulation analysis of asses

      現(xiàn)代電子技術(shù) 2017年3期2017-03-04

    • 基于聯(lián)合互信息的動(dòng)液面預(yù)測(cè)模型
      最小二乘支持向量機(jī)(Least Squares Support Vector Machine,LSSVM)模型,采用改進(jìn)黑洞算法(Black Hole,BH)優(yōu)化模型參數(shù),預(yù)測(cè)出動(dòng)液面,然后計(jì)算輔助變量與動(dòng)液面的聯(lián)合互信息,判斷聯(lián)合互信息的波動(dòng)是否在合理范圍內(nèi),以此作為模型更新的標(biāo)準(zhǔn),提高動(dòng)液面預(yù)測(cè)精度,最后將上述方法應(yīng)用到遼河油田某采油平臺(tái)實(shí)際生產(chǎn)數(shù)據(jù)中,仿真實(shí)驗(yàn)結(jié)果驗(yàn)證了該方法的有效性。關(guān)鍵詞:動(dòng)液面;最小二乘支持向量機(jī);聯(lián)合互信息;動(dòng)態(tài)模型中圖分類

      科技與創(chuàng)新 2016年18期2016-11-04

    • 基于量子差分進(jìn)化優(yōu)化LSSVM的短期負(fù)荷預(yù)測(cè)
      最小二乘支持向量機(jī)(least squares-support vector machine,LSSVM)模型。通過采用量子比特編碼方案有效選取最小二乘支持向量機(jī)的參數(shù),克服了最小二乘支持向量機(jī)算法中依據(jù)經(jīng)驗(yàn)選定參數(shù)的盲目性。實(shí)例驗(yàn)證結(jié)果表明,與BP神經(jīng)網(wǎng)路和單純的最小二乘支持向量機(jī)算法相比,QDE-LSSVM有更高的預(yù)測(cè)精度,更適用于當(dāng)前中國短期負(fù)荷的需要?!娟P(guān)鍵詞】短期負(fù)荷預(yù)測(cè);參數(shù)優(yōu)化;量子差分進(jìn)化;最小二乘支持向量機(jī)引言“十三五”規(guī)劃期間,隨著電

      成長·讀寫月刊 2016年9期2016-10-21

    • 基于粒子群算法與最小二乘支持向量機(jī)的ET0模擬
      最小二乘支持向量機(jī)的ET0模擬鞠彬1,2,王嘉毅3(1.河海大學(xué)水文水資源學(xué)院,江蘇 南京210098; 2.中國電建集團(tuán)華東勘測(cè)設(shè)計(jì)院有限公司,浙江 杭州310014;3.河海大學(xué)水利水電學(xué)院,江蘇 南京210098)摘要:以月最高氣溫、月最低氣溫、月平均氣溫、平均風(fēng)速、日照時(shí)數(shù)以及相對(duì)濕度6個(gè)氣象因子的不同組合作為輸入數(shù)據(jù),以FAO Penman-Monteith公式計(jì)算結(jié)果作為標(biāo)準(zhǔn)值,構(gòu)建基于粒子群優(yōu)化算法與最小二乘支持向量機(jī)的ET0預(yù)測(cè)模型(PS

      水資源保護(hù) 2016年4期2016-08-13

    亚洲天堂av无毛| 成人美女网站在线观看视频| 男男h啪啪无遮挡| 国产av国产精品国产| 亚洲最大成人av| 国产黄片视频在线免费观看| 久久6这里有精品| 成人特级av手机在线观看| 欧美日本视频| 伦精品一区二区三区| 亚洲三级黄色毛片| tube8黄色片| 免费少妇av软件| 国产乱人偷精品视频| 亚洲久久久久久中文字幕| 亚洲四区av| 成年女人看的毛片在线观看| 99视频精品全部免费 在线| 狠狠精品人妻久久久久久综合| 成人漫画全彩无遮挡| 免费观看a级毛片全部| 久久99蜜桃精品久久| 免费看a级黄色片| 蜜臀久久99精品久久宅男| 精品人妻视频免费看| 男女下面进入的视频免费午夜| 日韩欧美精品v在线| av免费观看日本| 免费播放大片免费观看视频在线观看| 美女主播在线视频| 久久精品综合一区二区三区| 亚洲成人久久爱视频| 国产色婷婷99| 国产精品一区二区性色av| 我的女老师完整版在线观看| 国内精品宾馆在线| 欧美97在线视频| 国产有黄有色有爽视频| 亚洲精品色激情综合| 成人无遮挡网站| 内地一区二区视频在线| 波野结衣二区三区在线| www.色视频.com| 欧美zozozo另类| 亚洲精品中文字幕在线视频 | 国产av不卡久久| 亚洲婷婷狠狠爱综合网| 精品亚洲乱码少妇综合久久| 大陆偷拍与自拍| 97人妻精品一区二区三区麻豆| 亚洲自偷自拍三级| 国产精品久久久久久精品电影小说 | 亚洲国产精品成人久久小说| 久久这里有精品视频免费| 身体一侧抽搐| 久久久久久久午夜电影| 麻豆乱淫一区二区| 久久鲁丝午夜福利片| 97人妻精品一区二区三区麻豆| 97在线视频观看| 亚洲国产精品成人久久小说| 熟女av电影| 日韩av在线免费看完整版不卡| 国产精品一及| 国产精品嫩草影院av在线观看| 老女人水多毛片| 熟女电影av网| 国产成人福利小说| 一级黄片播放器| 免费av观看视频| 久久久午夜欧美精品| 99九九线精品视频在线观看视频| 99热这里只有是精品在线观看| 国产乱人偷精品视频| 国产老妇女一区| 国产精品一及| 简卡轻食公司| 国产毛片在线视频| 菩萨蛮人人尽说江南好唐韦庄| 少妇猛男粗大的猛烈进出视频 | 亚洲av成人精品一二三区| 毛片一级片免费看久久久久| 一级爰片在线观看| 精品人妻偷拍中文字幕| 男女国产视频网站| 18禁动态无遮挡网站| 黄色一级大片看看| 97超视频在线观看视频| 国内精品宾馆在线| 欧美老熟妇乱子伦牲交| 视频区图区小说| 欧美日韩国产mv在线观看视频 | 欧美高清成人免费视频www| 久久人人爽人人片av| 美女主播在线视频| 日韩av不卡免费在线播放| 99热国产这里只有精品6| 在线观看三级黄色| 黄色怎么调成土黄色| 一本久久精品| 99热6这里只有精品| 别揉我奶头 嗯啊视频| 成人午夜精彩视频在线观看| 国产黄片美女视频| 天天躁夜夜躁狠狠久久av| 草草在线视频免费看| 男女国产视频网站| 99久久精品国产国产毛片| 又爽又黄无遮挡网站| 国产亚洲av嫩草精品影院| 亚洲一级一片aⅴ在线观看| 3wmmmm亚洲av在线观看| 色网站视频免费| 一个人看的www免费观看视频| 欧美激情久久久久久爽电影| 你懂的网址亚洲精品在线观看| 成人高潮视频无遮挡免费网站| 国产午夜精品一二区理论片| 国产黄片美女视频| 亚洲真实伦在线观看| 成人国产av品久久久| 成人一区二区视频在线观看| 99热国产这里只有精品6| 国产男人的电影天堂91| 亚洲精品成人av观看孕妇| 在线播放无遮挡| 国产精品福利在线免费观看| 免费播放大片免费观看视频在线观看| 欧美成人精品欧美一级黄| 欧美日韩亚洲高清精品| 女的被弄到高潮叫床怎么办| 99热这里只有是精品50| 国产 一区 欧美 日韩| 欧美潮喷喷水| 一个人看的www免费观看视频| 精品人妻偷拍中文字幕| 国产欧美另类精品又又久久亚洲欧美| 激情五月婷婷亚洲| 性色avwww在线观看| 美女高潮的动态| 大又大粗又爽又黄少妇毛片口| 日本熟妇午夜| 日韩一本色道免费dvd| 我的女老师完整版在线观看| 欧美成人a在线观看| 91精品国产九色| av福利片在线观看| 噜噜噜噜噜久久久久久91| 亚洲av不卡在线观看| 欧美区成人在线视频| 国产成年人精品一区二区| 黄色视频在线播放观看不卡| 亚洲成色77777| 国产成人精品婷婷| 狠狠精品人妻久久久久久综合| 国产高清不卡午夜福利| av在线天堂中文字幕| 中文字幕制服av| 亚洲第一区二区三区不卡| 久久久久久国产a免费观看| 男人狂女人下面高潮的视频| 熟女电影av网| 精品少妇久久久久久888优播| 欧美高清性xxxxhd video| 插逼视频在线观看| 欧美另类一区| 高清在线视频一区二区三区| 国产亚洲5aaaaa淫片| av卡一久久| 可以在线观看毛片的网站| 91aial.com中文字幕在线观看| 卡戴珊不雅视频在线播放| 黄色欧美视频在线观看| 成人国产麻豆网| 色婷婷久久久亚洲欧美| 伦理电影大哥的女人| 国产欧美另类精品又又久久亚洲欧美| 国产精品99久久99久久久不卡 | 有码 亚洲区| 国产亚洲一区二区精品| 成人亚洲精品一区在线观看 | 青春草亚洲视频在线观看| av线在线观看网站| 国产黄色免费在线视频| 婷婷色综合www| 中国美白少妇内射xxxbb| 亚洲国产精品专区欧美| 久久人人爽人人片av| 夫妻性生交免费视频一级片| 国产综合精华液| 尤物成人国产欧美一区二区三区| 亚洲一区二区三区欧美精品 | 亚洲国产高清在线一区二区三| 777米奇影视久久| 热re99久久精品国产66热6| 白带黄色成豆腐渣| 国产亚洲91精品色在线| 超碰97精品在线观看| 国产精品久久久久久久电影| 久久久久久久精品精品| 日韩视频在线欧美| 国产成人91sexporn| 欧美xxxx性猛交bbbb| 少妇高潮的动态图| av一本久久久久| 亚洲国产精品国产精品| 日本色播在线视频| 亚洲人与动物交配视频| 欧美xxⅹ黑人| 91精品伊人久久大香线蕉| 精品视频人人做人人爽| 久久精品国产自在天天线| 久久99热这里只频精品6学生| 一本一本综合久久| 亚洲欧洲日产国产| 精品久久久精品久久久| 欧美潮喷喷水| 国产乱人视频| 久久久国产一区二区| 91久久精品国产一区二区成人| 毛片女人毛片| 新久久久久国产一级毛片| 女人久久www免费人成看片| 亚洲精品日韩av片在线观看| 搡老乐熟女国产| 99热全是精品| 欧美老熟妇乱子伦牲交| 黄片无遮挡物在线观看| 久久影院123| 日本黄色片子视频| 人人妻人人看人人澡| 国产精品国产三级专区第一集| 色哟哟·www| 简卡轻食公司| 国产精品国产av在线观看| 日产精品乱码卡一卡2卡三| 国精品久久久久久国模美| 联通29元200g的流量卡| 99热网站在线观看| 女的被弄到高潮叫床怎么办| 国内少妇人妻偷人精品xxx网站| 啦啦啦中文免费视频观看日本| 日本一本二区三区精品| 久久精品久久久久久噜噜老黄| 国产精品熟女久久久久浪| 日韩,欧美,国产一区二区三区| 国产精品国产三级国产av玫瑰| 在线免费观看不下载黄p国产| 在线精品无人区一区二区三 | 精品一区在线观看国产| 国产探花在线观看一区二区| av免费在线看不卡| 欧美极品一区二区三区四区| 少妇人妻一区二区三区视频| 国产视频内射| 亚洲精品视频女| 99久久精品国产国产毛片| 九草在线视频观看| 欧美另类一区| 少妇人妻一区二区三区视频| 国产精品一区www在线观看| 国产精品一区二区在线观看99| 久久人人爽人人爽人人片va| 久久久久久久亚洲中文字幕| av免费在线看不卡| 精品亚洲乱码少妇综合久久| 视频区图区小说| 性色av一级| 亚洲精品aⅴ在线观看| 久久午夜福利片| 日日摸夜夜添夜夜添av毛片| 亚州av有码| 亚洲国产成人一精品久久久| 国产午夜精品久久久久久一区二区三区| 嫩草影院入口| 日韩,欧美,国产一区二区三区| 一边亲一边摸免费视频| 国产日韩欧美在线精品| 亚洲精品乱久久久久久| 中文在线观看免费www的网站| 一区二区三区精品91| 国产老妇伦熟女老妇高清| 欧美最新免费一区二区三区| 女人十人毛片免费观看3o分钟| 99久久精品一区二区三区| 久久久久久久久大av| 欧美成人精品欧美一级黄| 久久久午夜欧美精品| 男人爽女人下面视频在线观看| 久久鲁丝午夜福利片| 我要看日韩黄色一级片| 人妻 亚洲 视频| 国产欧美另类精品又又久久亚洲欧美| 欧美高清性xxxxhd video| av播播在线观看一区| 国产美女午夜福利| 欧美精品一区二区大全| 国产老妇伦熟女老妇高清| 美女脱内裤让男人舔精品视频| 午夜免费鲁丝| 91狼人影院| 久久久久久久午夜电影| 国产伦精品一区二区三区四那| 免费av毛片视频| 亚洲精品国产av蜜桃| 自拍偷自拍亚洲精品老妇| 午夜爱爱视频在线播放| 亚洲av欧美aⅴ国产| 一级毛片我不卡| 99久久九九国产精品国产免费| av一本久久久久| 联通29元200g的流量卡| 高清av免费在线| 日本一本二区三区精品| 精品一区二区免费观看| 日本三级黄在线观看| 日韩中字成人| 狠狠精品人妻久久久久久综合| 蜜臀久久99精品久久宅男| 精品人妻熟女av久视频| 国内少妇人妻偷人精品xxx网站| 午夜老司机福利剧场| 网址你懂的国产日韩在线| 在线观看美女被高潮喷水网站| 国产免费又黄又爽又色| 精品午夜福利在线看| 极品少妇高潮喷水抽搐| 精品国产三级普通话版| 国产久久久一区二区三区| 97人妻精品一区二区三区麻豆| 久久久久国产精品人妻一区二区| 麻豆久久精品国产亚洲av| 欧美成人一区二区免费高清观看| 不卡视频在线观看欧美| 嫩草影院精品99| 国产在线男女| 我要看日韩黄色一级片| 色5月婷婷丁香| 久久ye,这里只有精品| 人妻 亚洲 视频| 少妇的逼好多水| 成人综合一区亚洲| 国产精品三级大全| 久久这里有精品视频免费| 又粗又硬又长又爽又黄的视频| 国产乱人偷精品视频| 草草在线视频免费看| 亚洲精品国产av蜜桃| 3wmmmm亚洲av在线观看| 熟妇人妻不卡中文字幕| 少妇人妻久久综合中文| 久久久a久久爽久久v久久| 国产精品一及| 成人美女网站在线观看视频| 国产国拍精品亚洲av在线观看| 国产日韩欧美亚洲二区| av免费在线看不卡| 日韩视频在线欧美| 国产一区二区亚洲精品在线观看| 黄色欧美视频在线观看| 男女边吃奶边做爰视频| 小蜜桃在线观看免费完整版高清| 国国产精品蜜臀av免费| 久久久欧美国产精品| 久久久久久久午夜电影| 在线播放无遮挡| 在线观看国产h片| 97超碰精品成人国产| 久久久久久久午夜电影| 亚洲国产精品999| 国产精品精品国产色婷婷| 国产精品人妻久久久久久| 欧美国产精品一级二级三级 | 97在线人人人人妻| 国产精品国产三级国产av玫瑰| 久久久久久久久久久丰满| 精品一区二区免费观看| 国产一区有黄有色的免费视频| 菩萨蛮人人尽说江南好唐韦庄| 中文字幕亚洲精品专区| 在线观看一区二区三区| 极品少妇高潮喷水抽搐| 国产成人精品婷婷| 欧美变态另类bdsm刘玥| 嫩草影院精品99| 国产毛片在线视频| 免费观看无遮挡的男女| 成年版毛片免费区| av国产久精品久网站免费入址| 白带黄色成豆腐渣| 一区二区三区乱码不卡18| 国产有黄有色有爽视频| av女优亚洲男人天堂| 成人毛片a级毛片在线播放| 国产 精品1| 亚洲一区二区三区欧美精品 | 欧美bdsm另类| 欧美高清性xxxxhd video| 精品久久久久久电影网| 欧美一级a爱片免费观看看| 一本色道久久久久久精品综合| 高清在线视频一区二区三区| 欧美精品国产亚洲| 免费看不卡的av| 久久人人爽av亚洲精品天堂 | 神马国产精品三级电影在线观看| 国产黄色视频一区二区在线观看| 麻豆久久精品国产亚洲av| 午夜爱爱视频在线播放| 国产精品成人在线| 熟妇人妻不卡中文字幕| 免费不卡的大黄色大毛片视频在线观看| 高清在线视频一区二区三区| 欧美精品国产亚洲| 在线播放无遮挡| 精品少妇久久久久久888优播| 在线精品无人区一区二区三 | 亚洲av不卡在线观看| 日韩不卡一区二区三区视频在线| av线在线观看网站| 国产成人精品婷婷| 国产伦理片在线播放av一区| 少妇的逼好多水| 久久精品国产亚洲av天美| 看免费成人av毛片| 国产男女超爽视频在线观看| 日韩强制内射视频| 国产大屁股一区二区在线视频| 免费看光身美女| 国产真实伦视频高清在线观看| 王馨瑶露胸无遮挡在线观看| 成人一区二区视频在线观看| 一区二区av电影网| 少妇熟女欧美另类| 身体一侧抽搐| 亚洲精品国产av成人精品| 日本熟妇午夜| 我要看日韩黄色一级片| av专区在线播放| 亚洲精品乱久久久久久| 久久久a久久爽久久v久久| 美女国产视频在线观看| 嘟嘟电影网在线观看| 亚洲一区二区三区欧美精品 | 免费看av在线观看网站| 亚洲精品自拍成人| 久久久色成人| 欧美区成人在线视频| 嫩草影院入口| 国产毛片a区久久久久| 久久久成人免费电影| 国产亚洲av嫩草精品影院| 看黄色毛片网站| 色视频www国产| 日本免费在线观看一区| 久久久久久久精品精品| 久久久精品免费免费高清| 久久久久久伊人网av| 久久久久久久大尺度免费视频| 欧美最新免费一区二区三区| 欧美日韩视频高清一区二区三区二| 直男gayav资源| 少妇人妻一区二区三区视频| 水蜜桃什么品种好| 国产老妇女一区| 国产永久视频网站| 青春草亚洲视频在线观看| 亚洲精华国产精华液的使用体验| 久久久精品欧美日韩精品| 高清视频免费观看一区二区| 午夜福利视频精品| 精品熟女少妇av免费看| 国产人妻一区二区三区在| 久久久亚洲精品成人影院| 99热这里只有是精品在线观看| 欧美亚洲 丝袜 人妻 在线| 国产69精品久久久久777片| 3wmmmm亚洲av在线观看| 中文在线观看免费www的网站| 一级毛片 在线播放| 黄色欧美视频在线观看| 久久久精品欧美日韩精品| 伊人久久精品亚洲午夜| 成人无遮挡网站| 天堂中文最新版在线下载 | 老师上课跳d突然被开到最大视频| 99热网站在线观看| 男女无遮挡免费网站观看| 欧美性感艳星| 欧美区成人在线视频| 亚洲人与动物交配视频| 少妇丰满av| 亚洲在线观看片| 国产高清国产精品国产三级 | 少妇丰满av| 国产日韩欧美在线精品| 亚洲av一区综合| 三级男女做爰猛烈吃奶摸视频| 大香蕉97超碰在线| 亚洲成人精品中文字幕电影| av线在线观看网站| 久久久久久久午夜电影| 亚洲色图av天堂| av女优亚洲男人天堂| 精品人妻视频免费看| 国产 一区 欧美 日韩| 噜噜噜噜噜久久久久久91| 亚洲av二区三区四区| 久久久久精品性色| 精品国产乱码久久久久久小说| 在线观看人妻少妇| 美女xxoo啪啪120秒动态图| 夫妻性生交免费视频一级片| 少妇 在线观看| 搡女人真爽免费视频火全软件| 一级爰片在线观看| 黄色怎么调成土黄色| 天堂中文最新版在线下载 | 在线看a的网站| 亚洲成人一二三区av| 国产精品国产三级国产av玫瑰| 久热这里只有精品99| 啦啦啦中文免费视频观看日本| 精品国产一区二区三区久久久樱花 | 69人妻影院| 天堂中文最新版在线下载 | 午夜福利网站1000一区二区三区| 久久人人爽人人片av| 最新中文字幕久久久久| 久久久精品免费免费高清| 丝袜美腿在线中文| 精品人妻偷拍中文字幕| av线在线观看网站| 久久久精品欧美日韩精品| 成人亚洲欧美一区二区av| 51国产日韩欧美| 男女下面进入的视频免费午夜| 久久久久久久亚洲中文字幕| 黄色怎么调成土黄色| 亚洲av日韩在线播放| 国产精品伦人一区二区| 亚洲国产欧美在线一区| 亚洲最大成人中文| av国产精品久久久久影院| 亚洲欧美一区二区三区黑人 | 最近2019中文字幕mv第一页| 国产精品秋霞免费鲁丝片| 久久久欧美国产精品| 成人无遮挡网站| av在线观看视频网站免费| 精品人妻一区二区三区麻豆| 激情 狠狠 欧美| 国产av码专区亚洲av| 干丝袜人妻中文字幕| 亚洲精品乱久久久久久| 日韩国内少妇激情av| av女优亚洲男人天堂| 视频区图区小说| 欧美变态另类bdsm刘玥| 能在线免费看毛片的网站| 免费高清在线观看视频在线观看| 99久久人妻综合| 综合色av麻豆| 插逼视频在线观看| 国产精品伦人一区二区| 精品久久久久久久久av| 国产白丝娇喘喷水9色精品| 亚洲人与动物交配视频| 高清日韩中文字幕在线| 一个人看视频在线观看www免费| 99久久精品国产国产毛片| 日本午夜av视频| 久热这里只有精品99| 97热精品久久久久久| 亚洲自拍偷在线| 国产淫语在线视频| 嫩草影院入口| av在线观看视频网站免费| 一级爰片在线观看| 91久久精品国产一区二区成人| 成人毛片a级毛片在线播放| 99久久人妻综合| 深爱激情五月婷婷| 国产精品一区二区性色av| 九九爱精品视频在线观看| 激情 狠狠 欧美| 制服丝袜香蕉在线| 成年av动漫网址| 国产精品精品国产色婷婷| 国产午夜福利久久久久久| 狠狠精品人妻久久久久久综合| 精品久久国产蜜桃| 99视频精品全部免费 在线| 亚洲精品456在线播放app| 夫妻午夜视频| 99视频精品全部免费 在线| 美女视频免费永久观看网站| 久久精品综合一区二区三区| 国产熟女欧美一区二区| 如何舔出高潮| av一本久久久久| 午夜福利在线观看免费完整高清在| 美女高潮的动态| 九色成人免费人妻av| 波野结衣二区三区在线| 女人被狂操c到高潮| 国产黄a三级三级三级人| 夫妻性生交免费视频一级片| 免费看日本二区| 欧美国产精品一级二级三级 | 欧美激情久久久久久爽电影| 在线免费观看不下载黄p国产| 久久久久久久久大av| 久久久久国产网址| 人妻系列 视频|