CN101655456A - 基于粒子群支持向量机的绝缘子等值盐密光纤检测方法 - Google Patents

Abstract

本发明基于粒子群支持向量机的高压绝缘子等值盐密光纤检测方法，首先检测光通量衰减、相对湿度并通过无线通讯的方式传送给管理计算机；再对光通量衰减进行归一化预处理；参照尘埃比率与光通量衰减、相对湿度的标准关系曲线图，查找对应的尘埃比率；用粒子群支持向量机建立绝缘子表面等值盐密值、光通量衰减、相对湿度、尘埃比率之间的非线性回归模型；将光通量衰减、相对湿度和尘埃比率代入非线性回归模型中，得到绝缘子表面等值盐密值。本发明基于粒子群支持向量机的高压绝缘子等值盐密光纤监测方法实现了绝缘子盐密的在线检测、准确率高、适用于各种电压等级，避免了传统测量盐密方法费时费力、测量效果不好的缺点，提高了供电系统可靠性。

Description

基于粒子群支持向量机的绝缘子等值盐密光纤检测方法

技术领域

本发明属于电力系统智能状态检测技术领域，涉及一种高压绝缘子等值盐密的检测方法，具体涉及一种基于粒子群支持向量机的绝缘子等值盐密光纤检测方法。

背景技术

工农业生产的迅速发展一方面对电力的需求和可靠性要求越来越高，导致高压输变电系统电压等级不断提高；另一方面，工业污染导致空气环境及气象条件变差，暴露在污秽条件下的绝缘子表面会沉积污秽，污秽层受潮后使绝缘子的外绝缘能力下降，并常引起污闪事故，严重影响了供电系统的可靠性。据统计，由于污秽而引起的绝缘闪络事故次数目前在电力系统总事故数中位居第二，仅次于雷害事故，但污闪事故所造成的损失却是雷害事故的10倍。全国六大电网几乎都发生过大面积污闪，造成了很大的经济损失。

等值附盐密度(The Equal Salt Deposit Density，ESDD)是以绝缘子表面每平方厘米的面积上附着的污秽中导电物质的含量所相当的NaCL数(mg/cm²)，简称等值盐密，可表征污秽层中可溶物质导电率的大小。等值盐密目前采用的是停电测量，方法如下：在测量时，首先以一定量的蒸馏水将绝缘子绝缘件表面上的污秽物全部清洗下来，并将洗下的污液全部收集在干净的容器内。然后，将污液充分搅拌，待污液充分溶解后，用电导仪测量污液的电导率δ_t，并同时测量污液的温度。由电导仪测量的污液电导率换算到20℃时的值：

δ₂₀＝k_t·δ_t    (1)

式中δ₂₀——20℃时的污液电导率(μS/cm)；

δ_t——t℃时的污液电导率(μS/cm)；

k_t——换算系数。

然后，在含盐量-电导率曲线中，根据换算后的20℃时的污液电导率查出相应的100毫升溶液中含盐的毫克数，再按公式

$y=\frac{\mathrm{NM}}{100S}---\left(2\right)$

式中y——等值附盐密度(mg/cm²)；

M——洗污秽用的蒸馏水量(mL)；

S——绝缘件表面总面积(cm²)；

N——100毫升溶液中含盐的毫克数(mg/cm²)。

计算出等值附盐密度。

等值附盐密度是目前确定污秽等级和绘制电网污区分布图的主要依据，被不少国家采用，我国的国家标准中也推荐使用等值附盐密度。

上述传统测量绝缘子等值盐密的方法虽然简单易行，但它易受测量用水量的影响，测量结果分散性较大；同时需投入大量人力物力，费时费力。由于复杂多变的气象因素和大气污秽程度的加剧，尽管电力运行部门定期测量输变电系统绝缘子等值盐密并进行了清扫，但减少污闪的效果仍不理想。主要原因在于目前缺乏对绝缘子表面等值盐密的实时在线监测，无法准确确定清扫周期所致。因此，研究探索一种新的检测方法来实现对高压绝缘子表面等值盐密的实时在线检测，是十分必要的。既可以减少污闪事故的发生，又避免了传统检测下停电测量带来的经济损失和带电测量的恶劣环境。

发明内容

本发明的目的是提供基于粒子群支持向量机的绝缘子等值盐密光纤检测方法，解决现有检测方法效率低，不能实时在线检测的问题，以减少污闪事故的发生，提高供电系统的可靠性。

本发明所采用的技术方案是，基于粒子群支持向量机的高压绝缘子等值盐密光纤检测方法，具体按照以下步骤实施：

步骤1：将石英玻璃棒置于高压绝缘子附近的大气环境中作为光纤测量绝缘子等值盐密的传感器，利用激光发生与合成器产生入射激光，入射激光从石英玻璃棒的一端输入，从石英玻璃棒的另一端输出，利用光检测器检测入射激光的入射光强度β_i和出射光强度β_o，用β_i-β_o得到光通量衰减Φ₁，同时利用湿度传感器测量相对湿度RH，将光通量衰减Φ₁和相对湿度RH通过无线通讯的方式传送给管理计算机；

步骤2：管理计算机接收光通量衰减Φ₁和相对湿度RH的数据信息，对光通量衰减Φ₁按照以下公式进行归一化预处理，得到归一化预处理后的光通量哀减Φ₂：

${\mathrm{\Φ}}_2=\frac{{\mathrm{\β}}_i-{\mathrm{\β}}_o}{{\mathrm{\β}}_i}\×100\%$

式中β_i为入射光强度，β_o为出射光强度；

步骤3：参照尘埃比率X与光通量衰减Φ₂、相对湿度RH的标准关系曲线图，根据步骤2得到的光通量衰减Φ₂和相对湿度RH，查找对应的尘埃比率X；

步骤4：用粒子群支持向量机建立绝缘子表面等值盐密值ESDD、光通量衰减Φ₂、相对湿度RH、尘埃比率X之间的非线性回归模型，模型的输入参数为光通量衰减Φ₂、相对湿度RH、尘埃比率X，输出参数为等值盐密值ESDD；

步骤5：将步骤2得到的光通量衰减Φ₂、相对湿度RH和步骤3得到的尘埃比率X代入步骤4得到的非线性回归模型中，得到绝缘子表面等值盐密值ESDD。

本发明的特点还在于，

其中的步骤4建立模型具体按照以下步骤实施：

(1)在人工污秽实验室和电力生产现场采集样本数据，包括光通量衰减、相对湿度、等值盐密值、尘埃比率，对样本数据进行校正和预处理，并将样本数据划分为训练样本和测试样本两部分；

(2)进行初始化设置，包括设置群体规模、迭代次数，随机给出γ和σ作为粒子的初始位置；

(3)采用粒子个体对应的γ和σ，建立LS-SVM的学习预测模型，并用该模型对测试样本的预测错误率作为该粒子的适应值y_i；

(4)将粒子适应值y_i与该粒子自身最优适应值

进行比较，若y_i小于

则用新的适应值取代前一轮的适应值，用新的粒子取代前一轮的粒子，即 $y_{{\mathrm{pbest}}_i}=y_i,$ $x_{{\mathrm{best}}_i}=x_i;$

(5)将各个粒子的自身最优适应值

分别与前一轮所有粒子的最优适应值

进行比较，若

小于

则用每个粒子的最优适应值取代原粒子适应值，同时保存粒子的当前状态；

(6)判断适应值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，按公式v＝w·v+c₁r₁(p_best-p)+c₂r₂(g_best-p)和p＝p+β·v将粒子进行移动，从而产生新的粒子，返回步骤(3)，式中：p为粒子当前的位置；v是粒子的速度；β为约束因子；c₁和c₂为两个正常数；r₁和r₂为两个独立的介于[0，1]之间的随机数；w为动量项系数；如果适应值满足要求，计算结束，该粒子个体即对应最适合的LS-SVM的γ和σ，从而建立基于LS-SVM的非线性回归模型。

本发明检测方法的有益效果是，利用石英玻璃棒与绝缘子的表面积污特性具有较好的一致性，及光在光纤芯区外介质发生变化时折射率发生变化产生光能损耗的特点，将低损耗石英玻璃棒置于高压绝缘子附近的大气环境中作为光纤测量绝缘子等值盐密的传感器，检测一定波长激光通过受污传感器后其光能损耗，同时检测相对湿度、尘埃比率等环境因素，并利用粒子群支持向量机建立好绝缘子表面等值盐密值、光能损耗、相对湿度、尘埃比率等之间的非线性回归模型，最后利用现场检测量和回归模型来预测绝缘子等值盐密。相对来说，光通量衰减和环境参数的测量比现场人工测量等值盐密要更加节省人力和物力。因此，该方法既可以减少污闪事故的发生，又避免了传统检测下停电测量带来的经济损失和带电测量的恶劣环境。

附图说明

图1为本发明方法中光纤测污原理图；

图2为本发明实施例中尘埃比率X与光通量衰减Φ₂、相对湿度RH的标准关系曲线图。

具体实施方式

下面结合具体实施方式对本发明进行详细说明。

低损耗石英玻璃棒是一个以棒为芯、大气为包层的多模介质光波导，如图1所示，将其置于高压绝缘子附近的大气中作为光纤测量绝缘子等值盐密的传感器，在传感器的一端输入一定波长的激光并在另一端接收。当石英棒上无污染时，由光波导中的基模和高次模共同传输光能，其中绝大部分光能在光波导的芯中传输，少部分光能沿纤芯与包层的界面即大气传输，光波传输过程中光能损耗很小；当石英棒上有污染时，其附盐部分的折射率增大，一部分透射光在传感器外部漏掉，产生了光能损耗；且附着的盐分量越多，其光能损耗(即光衰减量)也相应地增大。同时光通量衰减除了与传感器表面污秽状况有关外，还受环境湿度、尘埃比率等因素的影响，并且和各因素之间存在着复杂的非线性关系。如果预先研究并建立这几个物理量之间的非线性回归模型，则通过检测光能损耗的程度(石英棒光通量衰减)和环境参数即可推算出绝缘子等值盐密值。因此建立非线性回归模型成了本检测方法的关键。

通过人工污秽试验可得到的物理量有光衰减量Φ、相对湿度RH、等值盐密ESDD、尘埃比率X，其中Φ、RH是直接测量量，X是间接测量量，ESDD是最终测量量。利用试验所提供的若干组数据RH、X、ESDD和Φ建立一个反映ESDD与RH、X和Φ之间关系的非线性模型，就可通过该模型得到一组给定的RH、X和Φ所对应的盐密值ESDD。

利用支持向量机(Support Vector Machine，SVM)在解决小样本、非线性、高维数、局部极小点等方面的优势来建立上述非线性回归模型，并利用粒子群优化(Particle Swarm Optimization，PSO)算法来对回归模型参数进行优化，以快速获得高精度的SVM模型，避免通过传统交叉验证试算的盲目性。

对于非线性样本向量(x₁，y₁)，(x₂，y₂)，…，(x_i，y_i)，…，(x_l，y_l)，x_i∈Rⁿ，y_i∈R，i＝1，…，l，采用最小二乘支持向量机回归进行函数估计，优化问题为

$\underset{\mathrm{\ω},b,\mathrm{\ξ}}{\min }\frac{1}{2}{\mathrm{\ω}}^l\mathrm{\ω}+\frac{1}{2}\mathrm{\γ}\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{\mathrm{\ξ}}_l^2---\left(3\right)$

约束条件为

y_i[ω^TΦ(x_i)+b]＝1-ξ_i  i＝1，…，l    (4)

引入拉格朗日函数并根据KKT条件消去ω和ξ得到如下的线性系统

$\left[\begin{array}{cc}0& {\left(1_l\right)}^T\\ 1_l& \mathrm{\Ω}+{\mathrm{\γ}}^{-1}I\end{array}\right]\left[\begin{array}{c}b\\ a\end{array}\right]=\left[\begin{array}{c}0\\ Y\end{array}\right]---\left(5\right)$

式中

$\left\{\begin{array}{c}{\mathrm{\Ω}}_{\mathrm{kl}}=\mathrm{\Φ}{\left(x_k\right)}^T\mathrm{\Φ}\left(x_l\right)\\ Y={[y_1;\·\·\·;y_l]}^T\\ 1_l=[1;\·\·\·;l]\\ \mathrm{\ξ}=[{\mathrm{\ξ}}_1;\·\·\·;{\mathrm{\ξ}}_l]\\ a=[a_1;\·\·\·;a_l]\end{array}\right.---\left(6\right)$

式(5)为一线性方程组，可用最小二乘法求出a和b，由此得到预测输出

$y\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_i\mathrm{\Φ}{\left(x\right)}^T\mathrm{\Φ}\left(x\right)+b---\left(7\right)$

选用径向基核函数

$K(x,x_k)=\{-\frac{{\left|\right|x-x_k\left|\right|}^2}{2{\mathrm{\σ}}^2}\}---\left(8\right)$

其中： $\left|\right|x-x_k\left|\right|=\sqrt{\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{(x^k-x_i^k)}^2},$ σ为核宽度。

则非线性预测模型为

$y\left(x\right)=\underset{i=1}{\overset{l}{\mathrm{\Σ}}}{a}_{i}K(x,x_i)+b---\left(9\right)$

预测模型中的惩罚因子γ和核参数σ是影响模型精度的重要参数，采用PSO算法来优化，粒子根据如下两个公式更新自己的速度和位置：

v＝w·v+c₁r₁(p_best-p)+c₂r₂(g_best-p)    (10)

p＝p+β·v    (11)

式中：p为粒子当前的位置；v是粒子的速度，决定下一代p的更新方向；β为约束因子，控制速度的权重；c₁和c₂分别为两个正常数，称为加速因子；r₁和r₂为两个独立的介于[0，1]之间的随机数；w为动量项系数，调整其大小可改变搜索能力的强弱。

本发明基于粒子群支持向量机的高压绝缘子等值盐密光纤检测方法，具体按照以下步骤实施：

步骤1：将低损耗石英玻璃棒置于高压绝缘子附近的大气环境中作为光纤测量绝缘子等值盐密的传感器，利用激光发生与合成器产生入射激光，入射激光从石英玻璃棒的一端输入，从石英玻璃棒的另一端输出，利用光检测器检测入射激光的入射光强度β_i和出射光强度β_o，用β_i-β_o即为光通量衰减Φ₁，同时利用湿度传感器测量相对湿度RH，将光通量衰减Φ₁和相对湿度RH通过无线通讯的方式传送给管理计算机；

步骤2：管理计算机接收光通量衰减Φ₁和相对湿度RH的数据信息，对光通量衰减Φ₁按照以下公式进行归一化预处理，得到归一化预处理后的光通量衰减Φ₂：

${\mathrm{\Φ}}_2=\frac{{\mathrm{\β}}_i-{\mathrm{\β}}_o}{{\mathrm{\β}}_i}\×100\%---\left(12\right)$

式中β_i为入射光强度，β_o为出射光强度。

步骤3：参照尘埃比率X与光通量衰减Φ₂、相对湿度RH的标准关系曲线图，根据上步得到的光通量衰减Φ₂和相对湿度RH，查找对应的尘埃比率X；

步骤4：用粒子群支持向量机建立绝缘子表面等值盐密值ESDD、光通量衰减Φ₂、相对湿度RH、尘埃比率X之间的非线性回归模型，具体按照以下步骤实施：

(1)在人工污秽实验室和电力生产现场采集样本数据，包括光通量衰减、相对湿度、等值盐密值、尘埃比率，对样本数据进行校正和预处理，并将样本数据划分为训练样本和测试样本两部分；

(2)进行初始化设置，包括设置群体规模、迭代次数，随机给出γ和σ作为粒子的初始位置；

(3)采用粒子个体对应的γ和σ，建立LS-SVM的学习预测模型，并用该模型对测试样本的预测错误率作为该粒子的适应值y_i；

(4)将粒子适应值y_i与该粒子自身最优适应值

进行比较，若y_i小于

则用新的适应值取代前一轮的适应值，用新的粒子取代前一轮的粒子，即 $y_{{\mathrm{pbest}}_i}=y_i,$ $x_{{\mathrm{best}}_i}=x_i;$

(5)将各个粒子的自身最优适应值

分别与前一轮所有粒子的最优适应值

进行比较，若

小于则用每个粒子的最优适应值取代原粒子适应值，同时保存粒子的当前状态；

(6)判断适应值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，按公式v＝w·v+c₁r₁(p_best-p)+c₂r₂(g_best-p)和p＝p+β·v将粒子进行移动，从而产生新的粒子，返回步骤(3)，如果适应值满足要求，计算结束，该粒子个体即对应最适合的LS-SVM的γ和σ，从而建立基于LS-SVM的非线性回归模型，模型的输入参数为光通量衰减、相对湿度、尘埃比率，输出参数为等值盐密值；

步骤5：将步骤2得到的光通量衰减Φ₂、相对湿度RH和步骤3得到的尘埃比率X代入步骤4得到的非线性回归模型中，得到绝缘子表面等值盐密值ESDD；

步骤6：根据国标GB/T5582-93《高压电力设备外绝缘污秽等级》中规定的污秽等级与等值盐密值的关系来划分测点污秽等级；通过对一个或几个区域的输变电系统多个监测点的连续在线监测，利用获得的等值盐密值得到污秽等级，即可绘制并修订污区分布图。

实施例

步骤1：将在试验室进行了全面测试的检测系统安装在某110KV高压输电线上，绝缘子为悬式玻璃绝缘子LXP-160。现场检测装置检测五个不同时间点的光通量衰减Φ₁和环境相对湿度RH，如表1所示。

表1五个不同时间点的光通量衰减Φ₁和环境相对湿度RH

将光通量衰减Φ₁、相对湿度RH通过无线通讯的方式传送给管理计算机；

步骤2：管理计算机接收光通量衰减Φ₁和相对湿度RH的数据信息，对光通量衰减Φ₁按照以下公式进行归一化预处理，得到归一化预处理后的光通量衰减Φ₂：

${\mathrm{\Φ}}_2=\frac{{\mathrm{\β}}_i-{\mathrm{\β}}_o}{{\mathrm{\β}}_i}\×100\%$

式中β_i为入射光强度，β_o为出射光强度。

处理结果如下表所示：

表2归一化预处理后的光通量衰减Φ₂

步骤3：参照尘埃比率X与光通量衰减Φ₂、相对湿度RH的标准关系曲线图，如图2所示，根据检测到的光通量衰减Φ₂和相对湿度RH，查找对应的尘埃比率X，如表3所示。

表3光通量衰减Φ₂、相对湿度RH及对应的尘埃比率X

步骤4：用粒子群支持向量机建立绝缘子表面等值盐密值ESDD、光通量衰减Φ₂、相对湿度RH、尘埃比率X之间的非线性回归模型，具体按照以下步骤实施：

(1)在人工污秽实验室和电力生产现场采集样本数据，包括光衰减量、相对湿度、等值盐密值、尘埃比率，对样本数据进行校正和预处理，并将样本数据划分为训练样本和测试样本两部分；

(2)进行初始化设置，包括设置群体规模、迭代次数，随机给出γ和σ作为粒子的初始位置；

(3)采用粒子个体对应的γ和σ，建立LS-SVM的学习预测模型，并用该模型对测试样本的预测错误率作为该粒子的适应值y_i；

(4)将粒子适应值y_i与该粒子自身最优适应值进行比较，若y_i小于

则用新的适应值取代前一轮的适应值，用新的粒子取代前一轮的粒子，即 $y_{{\mathrm{pbest}}_i}=y_i,$ $x_{{\mathrm{best}}_i}=x_i;$

(5)将各个粒子的自身最优适应值

分别与前一轮所有粒子的最优适应值

进行比较，若

小于

则用每个粒子的最优适应值取代原粒子适应值，同时保存粒子的当前状态；

(6)判断适应值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，按公式v＝w·v+c₁r₁(p_best-p)+c₂r₂(g_best-p)和p＝p+β·v将粒子进行移动，从而产生新的粒子，返回步骤(3)，如果适应值满足要求，计算结束，该粒子个体即对应最适合的LS-SVM的γ和σ，从而建立基于LS-SVM的非线性回归模型，模型的输入参数为光通量衰减、相对湿度、尘埃比率，输出参数为等值盐密值；

步骤5：将步骤2得到的光通量衰减Φ₂、相对湿度RH和步骤3得到的尘埃比率X代入步骤4得到的非线性回归模型中，得到绝缘子表面等值盐密值ESDD，得到的结果如表4所示：

表4绝缘子表面等值盐密值ESDD

由表4可以看出，按本发明方法预测的高压绝缘子等值盐密值和采用传统方法定期测量的等值盐密值，二者的相对误差在4.5％-6.9％范围内，满足系统的测量误差小于10％的要求。

本发明基于粒子群支持向量机的高压绝缘子等值盐密光纤监测方法实现了绝缘子盐密的在线检测、准确率高、适用于各种电压等级，避免了传统测量盐密方法费时费力、测量效果不好的缺点，提高了供电系统可靠性。

Claims (2)

1.一种基于粒子群支持向量机的高压绝缘子等值盐密光纤检测方法，其特征在于，具体按照以下步骤实施：

步骤1：将石英玻璃棒置于高压绝缘子附近的大气环境中作为光纤测量绝缘子等值盐密的传感器，利用激光发生与合成器产生入射激光，入射激光从石英玻璃棒的一端输入，从石英玻璃棒的另一端输出，利用光检测器检测入射激光的入射光强度β_i和出射光强度β_o，用β_i-β_o得到光通量衰减Φ₁，同时利用湿度传感器测量相对湿度RH，将光通量衰减Φ₁和相对湿度RH通过无线通讯的方式传送给管理计算机；

步骤2：管理计算机接收光通量衰减Φ₁和相对湿度RH的数据信息，对光通量衰减Φ₁按照以下公式进行归一化预处理，得到归一化预处理后的光通量衰减Φ₂：

${\mathrm{\Φ}}_2=\frac{{\mathrm{\β}}_i-{\mathrm{\β}}_o}{{\mathrm{\β}}_i}\×100\%$

式中β_i为入射光强度，β_o为出射光强度；

步骤3：参照尘埃比率X与光通量衰减Φ₂、相对湿度RH的标准关系曲线图，根据步骤2得到的光通量衰减Φ₂和相对湿度RH，查找对应的尘埃比率X；

步骤4：用粒子群支持向量机建立绝缘子表面等值盐密值ESDD、光通量衰减Φ₂、相对湿度RH、尘埃比率X之间的非线性回归模型，模型的输入参数为光通量衰减Φ₂、相对湿度RH、尘埃比率X，输出参数为等值盐密值ESDD；

步骤5：将步骤2得到的光通量衰减Φ₂、相对湿度RH和步骤3得到的尘埃比率X代入步骤4得到的非线性回归模型中，得到绝缘子表面等值盐密值ESDD。

2.按照权利要求1所述的基于粒子群支持向量机的高压绝缘子等值盐密光纤检测方法，其特征在于，所述的步骤4建立模型具体按照以下步骤实施：

(1)在人工污秽实验室和电力生产现场采集样本数据，包括光通量衰减、相对湿度、等值盐密值、尘埃比率，对样本数据进行校正和预处理，并将样本数据划分为训练样本和测试样本两部分；

(2)进行初始化设置，包括设置群体规模、迭代次数，随机给出γ和σ作为粒子的初始位置；

(3)采用粒子个体对应的γ和σ，建立LS-SVM的学习预测模型，并用该模型对测试样本的预测错误率作为该粒子的适应值y_i；

(4)将粒子适应值y_i与该粒子自身最优适应值

进行比较，若y_i小于

则用新的适应值取代前一轮的适应值，用新的粒子取代前一轮的粒子，即 $y_{{\mathrm{pbest}}_i}=y_i,$ $x_{\mathrm{bes}{t}_i}=x_i;$

(5)将各个粒子的自身最优适应值

i分别与前一轮所有粒子的最优适应值

进行比较，若

小于

则用每个粒子的最优适应值取代原粒子适应值，同时保存粒子的当前状态；

(6)判断适应值或迭代次数是否满足要求，如果不满足要求，再进行新一轮的计算，按公式v＝w·v+c₁r₁(p_best-p)+c₂r₂(g_best-p)和p＝p+β·v将粒子进行移动，从而产生新的粒子，返回步骤(3)，式中：p为粒子当前的位置；v是粒子的速度；β为约束因子；c₁和c₂为两个正常数；r₁和r₂为两个独立的介于[0，1]之间的随机数；w为动量项系数；如果适应值满足要求，计算结束，该粒子个体即对应最适合的LS-SVM的γ和σ，从而建立基于LS-SVM的非线性回归模型。

Images