基于BP神经网络的数据挖掘方法在需求预测中的应用研究

【目的/意义】数据挖掘是从庞大数据中挖掘出有潜在价值信息的信息处理技术,它包括神经网络、遗传算 法、粗糙集、支持向量机和决策树等多门技术,其中神经网络法具有良好的自学习和含联想储存功能,能够高速寻 找优化解,有效提高需求预测准确率。【方法/过程】本文利用BP神经网络具有的优异非线性逼近能力,以我国天然 气需求量预测为例,对需求量数据进行训练并采用L-M算法进行改进,最终提高对天然气需求量的预测精度。【结 果/结论】实验结果证明,利用数据挖掘中的BP神经网络非线性预测优势能准确捕捉天然气需求预测的变化趋势, 为精准预测需求提供了一种有效的工具。     

基于支持向量机的股票投资价值分类模型研究

本文遵循价值投资理念,建立基于支持向量机的股票投资价值分类模型。首先随机抽取500支A股股票作为样本,并选取对股票投资价值影响显著的财务指标构造样本特征集,然后采用支持向量机方法建立股票投资价值分类模型,最后将其与BP神经网络和RBF神经网络相比较,结果表明支持向量机的分类效果和泛化能力最优。     

基于改进云遗传算法的多跳自组网故障诊断

通过收集多跳自组织网络下无线传感器故障历史数据,然后利用支持向量机对故障类型与特征之间关系进行建模,支持向量机参数通过遗传算法优化,同时利用云计算对遗传算法性能进行改善,防止神经网络训练时出现收敛速度慢和陷入局部极小等缺陷。仿真实验表明,相对于其它多跳自组织网络下无线传感器故障诊断模型,CGA-SVM提高了多跳自组织网络下无线传感器故障诊断正确率,能够满足多跳自组织网络下无线传感器故障诊断的要求。     

ICS优化SVM在模拟电路故障诊断中的应用

针对容差模拟电路软故障,为了提高诊断的准确率,提出了一种基于改进布谷鸟算法优化支持向量机的故障诊断模型。首先,利用Hear小波分析对模拟电路进行故障特征提取;然后将提取的故障特征输入支持向量机进行故障诊断,同时为了使模型更稳定,利用改进布谷鸟算法选择最优惩罚参数和核函数参数以优化SVM。最后,以Sallen-key带通滤波器电路为例进行仿真实验,通过与神经网络、传统SVM分类模型进行对比,结果表明了该方法的优越性和可行性。     

电力变压器局部放电模式识别

为了最大限度提取到局放故障最本质的信息,利用超球面支持向量机对不同绝缘故障局部放电类型进行模式识别。局部放电信号检测复杂,对应故障类型多样,局部放电样本数目有限且特征量呈非线性,使得BP神经网络和SVM的识别率较低。本文基于自回归系数特征,采用经过粒子群优化的超球面支持向量机对不同绝缘故障类型的局部放电进行模式识别,识别率高,这对提高局部放电模式识别率具有一定的指导意义。     

改进的支持向量机算法及应用综述

支持向量机(SVM)是在统计学习的VC维理论和结构风险最小化原理基础上建立起来的机器学习方法,其训练算法本质上是一个二次规划的求解问题。首先简述了SVM的基本原理,然后对SVM改进算法进行了概括,如最小二乘支持向量机、模糊支持向量机和粒度支持向量机等。接着介绍了改进支持向量机的应用,最后对该领域存在的问题和发展趋势进行了展望。     

基于机器学习算法的研究热点趋势预测模型对比与分析——BP神经网络、支持向量机与LSTM模型

[目的/意义]细粒度分析学科领域热点主题发展脉络并对利用机器学习算法对未来发展趋势进行准确预测研究。[方法/过程]提出一种基于机器学习算法的研究热点趋势预测方法与分析框架，以基因工程领域为例利用主题概率模型识别WOS核心集中论文摘要数据研究热点主题并进行主题演化关联构建，然后选取BP神经网络、支持向量机及LSTM模型等3种典型机器学习算法进行预测分析，最后利用RE指标和精准度指标评价机器学习算法预测效果并对基因工程领域在医药卫生、农业食品等方面研究趋势进行分析。[结果/结论]实验表明基于LSTM模型对热点主题未来发展趋势预测准确度最高，支持向量机预测效果次之，BP神经网络预测效果较差且预测稳定性不足，同时结合专家咨询和文献调研表明本文方法可快速识别基因领域研究主题及发展趋势，可为我国学科领域大势研判和架构调整提供决策支持和参考。     

局部加权支持向量机在水处理系统中的应用

通过结合局部加权学习方法和在线滚动优化技术,对传统的支持向量机进行了改进并提出了一种局部加权最小二乘支持向量机在线学习算法。将其应用于水厂加药混凝沉淀系统的在线辨识和建模中,实验表明,该方法具有良好的在线学习能力。     

多光谱辐射测温数据处理技术研究

分别用BP神经网络和支持向量机(SVM)两种方法建立相应的网络模型对多光谱辐射测温的测量数据进行处理以得到真实温度。用合适的训练样本分别对两种方法建立的模型进行训练,收敛之后用验证样本测试其精度。结果表明用支持向量机处理多光谱辐射测温数据是可以满足实际要求的,与BP神经网络相比精度更高,而且由于支持向量机对训练样本需求较小,进一步增加了工程可行性。     

基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机,利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类.实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果.