基于支持向量机的股票预测系统

股票预测系统主要是用支持向量机的回归预测算法来实现对股票周线的预测。其首先根据股票数据特征值建立一个模型,然后利用该模型进行股票周线的预测,最后与真实结果相对比。实验表明此算法考虑的特征因素较多,预测的准确率相对较高。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

基于粒子群优化支持向量机的矿井涌水量预测

矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM) 的矿井涌水量预测方法,即将粒子群优化算法(PSO) 用于SVM 参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5% 的工程许可误差.     

基于SVM及股价趋势的股票预测方法研究

传统SVM算法对股票的研究主要是在数值上,通过训练后直接得到相应的值。阐述了通过SVM算法预测涨跌后再使用股价趋势获得相应预测值的预测方法。将历史数据输入模型作为训练集,经过SVM算法训练后,再与大盘走势、K线、MACD线、成交量等技术指标进行处理,作出拟合预测。最后通过走势方向准确度、总盈利率等指标,与基于SVM算法的其它预测进行比较,验证该模型的应用成效与可用度,为后续研究提供参考。     

一种基于粒子群优化SVM的交通流量预测方法

为了准确预测交通流量,提出了一种基于改进型支持向量机算法的短时交通流量预测方法。支持向量机对训练样本进行学习后,可以形成影响因素与影响结果之间的最优函数,进而根据实时交通状态对交通流量进行非线性回归预测。为了提高预测精度,使用QPSO算法优化了支持向量机的参数,并进行了滤波处理以减小模型误差。仿真结果显示,实际预测误差小于10%。     

基于GAPSO-SVM的滚动轴承故障分类方法

针对滚动轴承故障分类准确率低的问题,提出一种利用遗传算法结合粒子群算法优化支持向量机分类器的故障诊断方法.实验通过提取滚动轴承不同故障状态下的振动信号,以转化成时域和频域组成的特征集为特征向量,利用粒子群生成二维粒子,即惩罚因子C、核函数参数G,并喂入支持向量机进行训练和交叉验证,取最优适应度对应的粒子,进而构建遗传粒...     

基于EMD和PSO-SVM的通用航空飞机燃油流量预测

提出了一种EMD与SVM的组合预测模型,对通用航空飞机燃油流量进行预测。首先对数据缺失值与异常值进行处理,应用经验模态分解算法对燃油流量数据进行分解,得到各分量IMF,然后采用支持向量机对每一个分量进行预测。在预测过程中,采用PSO算法对支持向量机的参数进行优化,最后叠加各分量得到预测数据。采用通航飞机实际飞行数据进行验证,结果表明：该组合模型可以有效地预测燃油流量,准确率较高,其MSE可以达到0.254,高于传统的单一预测模型。     

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

改进的PSOGA-SVM模型应用于露天矿区空气质量预测

为掌握露天矿区开采所造成的空气污染情况,必须对露天矿区空气质量进行准确预测。选取PM_(10)质量浓度与平均温度、相对湿度、光照时间、风力作为影响空气质量的主要因素;基于收集到的露天矿区环境数据,采用支持向量机(support vector machine,SVM)建立模型,同时引入改进型惯性权重的粒子群优化(particle swarm optimization,PSO)算法作为变异算子来优化遗传算法,最终将该模型应用于实际场景。基于MATLAB建立了改进型惯性权重的粒子群遗传算法优化支持向量机(improve inertia weighted particle swarm optimization and genetic algorithm based optimize support vector machine,PSOGA-SVM)网络预测模型。结果分析表明,所提模型的预测精度优于交叉算法验证算法优化支持向量机(cross-validation support vector machine,SV-SVM)模型和粒子群算法优化支持向量机(particle swarm optimization for parameter optimization of support vector machine,PSO-SVM)模型,且预测精度可达到98.5%以上。     

基于MQPSO-LSSVM的微博热点话题预测

微博热点话题预测是一类小样本、不确定性的复杂预测问题,传统线性方法不能刻画微博热点话题的变化规律,神经网络存在过拟合、泛化能力不强等缺陷.为了提高微博热点话题的预测精度,提出了一种改进量子粒子群(QPSO)算法优化LSSVM的微博热点话题预测模型(MQPSO-LSSVM).首先采用MQPSO算法优化LSSVM的参数,然后将优化后的LSSVM对微博热点话题变化趋势进行建模,最后选取具体微博热点话题数据进行仿真实验.实验结果表明,MQPSO-LSSVM提高了微博热点话题的预测精度,预测结果具有一定实用价值.     

基于PSO-SVM的产品服务系统配置

产品服务系统(PSS)配置目的是根据客户需求,从产品模块和服务模块的实例中找出特定的实例组合.为了满足个性化、多样化的客户需求,快速准确地给出相应PSS配置,可将其视为多分类问题,提出基于支持向量机的PSS配置方法.支持向量机对内部参数依赖性极高,为了找出与分类问题相契合的参数,利用粒子群算法全局寻优能力,搜索支持向量...     

基于粒子群算法的投影孪生支持向量机

投影孪生支持向量机(Projection Twin Support Vector Machine,PTSVM)是一种有效的分类算法,存在参数选择困难和算法总体运行时间过长等问题.文章将粒子群算法(Particle Swarm Optimization,PSO)和PTSVM相结合,提出一种基于粒子群算法的投影孪生支持向量...     

基于多信息融合和改进PSO-SVM的刀具磨损仿真预测

针对刀具磨损监测中单一传感器采集的信息有限以及SVM模型参数难以选择的问题,提出一种基于多信息融合和改进PSO-SVM的刀具磨损状态预测方法.采用小波变换的方法对采集到的多传感器信号进行去噪处理,提高数据的质量,针对传统粒子群算法在参数选择上的不足,提出一种改进的粒子群算法优化支持向量机参数,通过仿真验证改进的PSO-...     

机器学习算法在股票走势预测中的应用

结合K-近邻算法、支持向量机算法和时间序列算法的优点,整合其结果提出一种综合预测算法,并将其应用到沪深300指数的涨跌预测中。首先通过时间序列预测出股票未来一段时间内的走势图,然后结合K-近邻算法判断该走势图的总体涨跌趋势,最后将涨跌趋势量化作为一变量引入到支持向量机算法中,通过支持向量机算法预测最终的股票涨跌。该方法能够弥补3种算法的不足,能够更加准确地预测股市的涨跌趋势。     

基于IPSO-SVM的液体管道泄漏定位研究

提出了改进粒子群算法(IPSO)和支持向量机(SVM)的管道泄漏检测与定位的方法.采用IPSO-SVM方法对管道单孔泄漏和多孔泄漏分别进行泄漏孔的定位.提取出口压力和进口流量为特征向量,采用IPSO算法优化超平面参数并采用SVM算法对泄漏孔位置进行定位.对于两孔泄漏,将单输出支持向量机算法进行改进,使其能够用于多输出回归,从而适用于定位管道的多孔泄漏情况.在此基础上,将IPSO-SVM方法与PSO-SVM方法进行比较.预测结果显示IPSO-SVM方法对泄漏有较强的识别与定位效果,并且比PSO-SVM有更快的收敛速度,更高的预测精度.     

基于粒子群优化算法的LS-SVM字符识别模型

提出一种基于粒子群优化算法优化相关参数的最小二乘支持向量机(LS-SVM)的字符识别模型.利用相关的字符数据,分别使用本方法和基于网格搜索的最小二乘支持向量机方法进行识别.仿真结果表明,该方法的精确度高于其它两种方法.     

基于改进粒子群优化LSSVM的飞机发动机故障诊断

针对以往飞机发动机故障诊断方法由于故障样本少而导致的诊断精度低,提出了一种基于最小二乘支持向量机(least squares support vector machine,LSSVM)的飞机发动机故障诊断方法。首先,给出了基于LSSVM对飞机发动机进行故障诊断的模型;然后,为了提高LSSVM的诊断性能,采用改进的粒子群算法对LSSVM的参数进行训练,并定义了最终基于改进粒子群优化SVM的具体诊断算法;最后,通过飞机发动机故障诊断实例仿真实验证明了文中方法能正确地实现故障分类,具有较高的故障诊断精度,且与其他方法相比,具有较优的适应度和较快的收敛速度。     

基于支持向量回归机的磨削力预测

针对神经网络方法在磨削力预测方面存在的网络结构不好确定和样本需求量大等不足,提出了一种新的基于支持向量回归机的磨削力智能预测方法。介绍了支持向量回归机的基本原理,分析了影响磨削力的主要因素,选用砂轮速度、工件速度和磨削深度作为输入参数,建立了基于支持向量回归机的磨削力预测模型。仿真结果表明,所建立的预测模型是合理有效的,与BP神经网络预测方法相比,预测的结果准确性更高。     

基于PSO与GA的SVM特征选择与参数优化算法

支持向量机（SVM）在处理大样本特征维数较多的数据集时,算法消耗时间长而且容易陷入局部最优解,选择不合适的SVM算法参数会影响SVM模型分类性能。为了提高SVM性能,提出了基于粒子群算法（PSO）和遗传算法（GA）相结合的SVM特征选择与参数同步优化算法PGS。在UCI标准数据集上的实验表明,PGS算法能有效地找出合适的特征子集及SVM算法参数,提高收敛速度并能在较小的特征子集获得较高的分类准确率。