基于支持向量机的空气质量预测

用支持向量机对城市空气质量的AQI指数、PM2.5、PM10分别进行预测,首先利用小波将已知的各AQI指数、PM2.5、PM10数据序列分解为低频子序列和高频子序列并重构,然后利用重构后的各子序列和对应气象数据使用支持向量机分别进行训练和预测,最后合成得到预测结果,实验结果表明该方法的预测效果较好。     

基于独立分量分析与小波神经网络的时间序列预测

对时间序列的预测是一项重要的数据挖掘技术。本文将独立分量分析方法和小波神经网络相结合,建立一种ICA—WNN预测模型,并应用于风力发电功率时间序列预测。仿真结果表明所建模型具有较好的泛化性能,得到了较高的预测精度。     

基于支持向量机与信息粒化的上证指数预测研究

参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。     

基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测方法

本文对霍尔辛赫矿安全监测系统的瓦斯浓度时间序列利用软阈值小波去噪法进行去噪;分析支持向量机不敏感损失参数ε和RBF核函数参数。基于粒子群算法对支持向量机瓦斯浓度模型进行优化,结合最优参数对进行ε-SVR模型预测,对预测误差进行分析,并将训练样本的大小对预测精度的影响做出了比较。     

基于支持向量机的外贸出口预测

针对支持向量机(SVM)方法所具有的拟合精度高、推广能力强、全局最优且针对小样本等特点,本文将SVM回归建模方法引入到外贸出口预测中,对出口时间序列建立预测模型,并利用此法对重庆摩托车出口进行了预测,对其预测性能进行了验证比较。结果表明,SVM方法对非平稳的小样本出口时间序列数据有良好的建模和泛化能力,且可达到较高的预测精度。     

基于PSO-SVR的多因素瓦斯浓度预测

为提高瓦斯浓度预测的准确性,针对影响瓦斯浓度的相关因素众多,且各因素之间呈现复杂非线性特征的问题,建立支持向量机回归模型,并采用粒子群优化算法对支持向量机回归模型的参数进行寻优,得到模型的最佳参数组合,最后采用某矿综采工作面瓦斯监测数据进行验证,预测结果表明:采用粒子群寻优算法建立的支持向量机回归模型可以提高瓦斯浓度的预测精度,预测结果的平均绝对误差为0.021。     

回归支持向量机在财政预测中的应用

财政收支趋势预测具有重要应用价值.本文建立了财政收入回归支持向量机的时闻预测模型,并以贵州地方财政收入为例,对采集到的数据进行归一化处理后,分别采用RBF核函数和Linear核函数的支持向量机和时问序列模型对数据进行应用,以1980-2001年的数据为拟合数据,以2002-2007年的数据为预测数据,比较相对误差,得出采用径向量核函数的支持向量机回归预测的结果准确度高.     

基于小波包分解的水面目标吨位大小分类方法

基于不同吨位大小的水面船舶辐射噪声特点,提出了一种利用小波包分解提取各频率段能量作为分类特征,利用支持向量机算法进行分类的方法。比较了基于三种不同核函数的支持向量机性能。仿真结果表明,利用小波包分解和支持向量机能对水面目标吨位大小进行有效估计。     

基于PCA&SVM的多品种小批量产品质量预测方法研究

将主成分分析与支持向量机结合应用到多品种小批量产品的质量预测。首先确定多品种小批量产品生产过程中的定量影响因素,并将其作为初始影响因素集;然后利用主成分分析方法降低因素集的维度,同时提取关键主成分;最后将关键主成分作为影响因素集并建立针对于多品种小批量生产的支持向量机质量等级预测模型。算例分析表明,与传统的支持向量机分类模型相比,主成分分析与支持向量机结合的模型预测准确率及稳定性均有显著提高,说明模型具有更好的预测性能。     

基于模糊支持向量机的无人艇控制方法研究

本文利用模糊支持向量机算法设计无人船控制器。模糊支持向量机采用SMO算法解决支持向量机在Lagrange算式下的参数问题,得到模糊支持向量机控制器模型。该控制器兼具支持向量机和模糊控制的优势,可以不考虑被控对象模型,具有较高的计算速度、较强的泛化和非线性建模能力。     

基于最小二乘支持向量机的数据挖掘应用研究

随着数据仓库技术、联机分析技术的发展。基于数据库的数据挖掘已成为一种重要的数据处理手段。最小二乘支持向量机作为一种新的机器学习方法。具有全局收敛性和良好的泛化能力。本文将其应用于数据挖掘的分类与预测研究。通过棱函数的选择及参数优化，并结合支持向量机、多层感知器神经网络模型及判别分析方法进行比较研究，证明最小二乘支持向量机作为一种有效的数据挖掘算法具有较高精度。     

时序回归GM-SVM模型研究

针对单一预测模型都存在各自优缺点的问题,本文提出时序回归GM-SVM模型,以达到最优的变形预测效果。首先对灰色模型中的灰参数导致的时间序列残差进行研究,形成时间序列模型,根据时间序列模型对其残差进行最优化设计,获取时间序列估计模型,并将该模型与支持向量机进行无缝融合以建立新的预测模型,然后根据该预测模型对观测的大坝变形影响因子进行训练和预测,并将预测结果与实际的变形值进行对比分析,经过实例分析确定该模型的预测结果更加接近实际观测值,说明该模型更加适用于基于大坝变形影响因子的变形分析。     

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。     

SVR算法在太阳黑子活动预测上的应用

支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。     

基于混沌优化的支持向量机地下水位动态预测

地下水位动态受到自然因素和人为因素的影响,随机性明显,因此在地下水物理过程分析的基础上构建地下水位动态预测的随机性模型对地下水资源评价具有重要意义。本文将小样本机器学习理论——统计学习理论中的支持向量机理论引入地下水位动态预测。最小二乘支持向量机是支持向量机的一种,考虑到地下水位动态序列的长度和峰值突变性的特点,本文提出一种改进的支持向量机-峰值识别最小二乘支持向量机;并针对支持向量机算法存在的参数优化、训练和测试速度等问题,结合混沌优化方法,建立了基于混沌优化的峰值识别最小二乘支持向量机地下水位动态预测模型;最后本文以内蒙古河套灌区义长灌域1990年~2004年3个灌期(夏灌(4月~6月)、秋灌(7月~9月)和秋浇(10月~11月)降水量、平均气温、蒸发量、引水量、地下水开采量、地下水排泄量和地下水位埋深共15年45个样本资料为数据源,将该模型和原最小二乘支持向量机模型分别用于义长灌域地下水位动态预测。结果表明,该模型的拟合值、检验值和预测值与实际值复合的很好,拟合的平均相对误差绝对值为2.0868%,检验的平均相对误差绝对值为3.4777%,预测的平均相对误差绝对值为6.8589%,且训练和测试速度快,而原最小二乘支持向量机模型预测的平均相对误差绝对值为20.6767%。因此,该模型用于地下水位动态预测是可行和有效的。     

基于遗传算法参数优化的最小二乘支持向量机财务困境预测

传统支持向量机应用于财务困境预测时,需要求解复杂的二次规划问题,求解难度大。而最小二乘支持向量机模型可以将二次规划问题变成一个线性方程组来求解,有效降低了模型求解的难度。尤其是将遗传算法应用于最小二乘支持向量机模型参数和核参数的优化时,显著提高了模型预测的正确率。本文从沪深两市随机抽取了2002年-2007年252家A股上市公司作为研究样本,并把研究样本分为两组,对这两组样本数据分别进行了短期及中长期预测。实证结果表明,基于遗传算法的最小二乘支持向量机模型的预测效果不但好于传统统计类Logit模型,也优于传统支持向量机模型。短期预测效果显著优于中长期预测效果,训练样本数直接影响到模型的预测效果,二者呈正相关关系。     

污水处理中出水水质COD在线预测仿真

针对当前方法在线预测污水处理中出水水质COD浓度值时存在预测结果与实际值偏差较大、的问题,提出了基于最小二乘支持向量机的污水处理出水水质COD预测模型。将污水处理中出水水质COD光谱信号做多层分解,在各个分解尺度下设置适当阈值,将分解信号中小于该设置阈值的信号小波系数做置零处理,并采用小波逆变换实现污水处理中出水水质COD光谱信号重构,完成小波去噪;对去噪后的数据进行降维处理;采用最小二乘支持向量机法建立水样吸光度和水质COD浓度预测模型,利用该模型分析和预测污水处理中出水水质COD。仿真结果表明,所建模型实现了污水处理中出水水质COD在线预测,且具有预测准确性较高、稳定性较强、收敛速度较快的优点。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。     

支持向量机理论探讨

支持向量机在有两类的分类问题中有很好的应用,研究支持向量机的理论,并讨论了取代铰链损失函数的支持向量机,并考虑核逻辑回归模型,表明了核逻辑回归模型在执行两类分类支持向量机中的作用。此外,还利用核逻辑回归模型提供了一个基础概率的估计。     

改进的支持向量机的DNA序列分类方法

针对传统的支持向量机在分类中不能够逼近任意的分类界面,而造成分类精度低的问题,本文在传统的支持向量机核函数基础上,提出了一种基于遗传算法优化的支持向量机结构模型,并将该方法应用在DNA序列分类上。实验结果表明了本文算法在同等条件下要比传统的SVM分类方法具有更加优越的特征提取性能。