基于扩展粒子群优化的支持向量机短时交通流预测

为了快速、准确地对交通流进行实时预测,将扩展粒子群算法应用到支持向量机的短时交通流预测优化中.首先对交通流样本数据进行重构,建立支持向量机预测模型.然后通过扩展粒子群算法对模型中的参数进行寻优,得出最优参数和优化时间.最后经过实验仿真,比较了基于网格搜索法优化的支持向量机、基于标准粒子群优化的支持向量机和基于扩展粒子群优化的支持向量机的泛化测试结果.结果表明,基于扩展粒子群优化的支持向量机在短时交通流预测中更具优势.     

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LS-SVM的福房价格指数预测

提出一种基于最小二乘支持向量机(LS-SVM)的福房指数预测方法.采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型.预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测.     

基于SVR的隐含风险中性概率密度函数提取

利用支持向量回归机（SVR）,通过求解线性算子方程,提出了一种全新的非参数类恢复隐含风险中性概率密度函数的方法.首先,介绍了支持向量回归机应用于函数逼近的基本原理,当仅知算子方程右边函数的一些函数值而不知其函数形式时,描述了基于支持向量回归机的线性算子方程求解方法.然后,给出了基于支持向量回归机的隐含风险中性概率密度函数求解原理及交叉核函数的构建方法.最后,通过实证研究,验证了该方法的有效性.研究结果表明,所提方法克服了传统参数类方法对期权执行价格有严格限制的缺陷,同时对数据量的要求也比其他非参数类方法少,是一种很有前景的还原隐含风险中性概率方法与手段.     

回归型支持向量机在发动机参数测量分析中的应用

发动机参数的测量与分析处理是发现发动机故障隐患的重要方法.记述了回归型支持向量机的原理和基于回归型支持向量机的诊断方法,实现了传感器故障隔离与信号重构,利用发动机参数测量的实验数据对支持向量机进行训练,并进行了仿真验证.结果表明:基于回归型支持向量机的传感器故障诊断具有很高的预测精度.     

免疫遗传优化支持向量机回归在混沌时间序列预测上的应用

在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列.算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化.免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值.对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度.     

改进的基于支持向量机模型剪接位点的预测

在采用概率编码的基础上,利用支持向量机模型对人类剪接位点进行预测,重点研究了基于核主成分分析方法对最终预测模型的影响.从实验结果看,这种改进的基于支持向量机模型剪接位点的预测在敏感性和特异性上优于其他模型.     

基于相空间重构的LS-SVM股票价格预测

提出一种基于相空间重构的最小二乘支持向量机(LS-SVM)的股票价格预测方法.采用混沌时间序列对股票价格数据进行相空间重构,应用贝叶斯框架对最小二乘支持向量机的参数选优.预测结果表明,该模型具有误差小、拟合程度高等优点,可适用于股票价格预测.     

基于最小二乘支持向量机算法的小地锚抗拔承载力研究

目的：基于最小二乘支持向量机算法预测小地锚的抗拔承载力。方法：最小二乘支持向量机算法中的输入参数包括等效地锚直径,地锚埋置深度,平均顶椎阻力,平均椎套摩擦力以及安装工艺。使用现场试验的119组数据中的83组数据进行最小二乘支持向量机回归模型分析,并使用剩余的36组数据测试模型的拟合良好性;同时用敏感度分析研究每个输入参数的作用。结论：通过与人工神经网络模型的对比,发现最小二乘支持向量机的性能表现优异。     

关于支持向量机核函数中参数选择的研究

核函数及核函数中参数的选取是支持向量机中一个重要的问题.选择合适的核函数中的参数以及惩罚参数的问题称为模式选择.本文对目前支持向量机中参数选择算法以及这些算法中用到的推广误差估计进行了初步的研究和分析.     

基于支持向量机方法的股票预测模型

利用支持向量机方法建立股票投资预测模型,经过与多项式函数及Sigmoid核函数的对比,选用Gauss径向基函数作为SVM核函数;抽取223支上市公司的股票作为研究样本,并选取对股票投资影响显著的财务指标构造样本数据集,代入支持向量机模型进行实证测算;实验表明,与BP神经网络模型相比,在样本有限的情况下,基于支持向量机的股票投资模型预测精度更高。     

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。     

基于多地震属性的储层预测新方法

目前采用地震属性预测储层参数的方法层出不穷,但是这些方法多数是基于单变量、线性的机器学习算法,在已知样本较少的情况下精度得不到保证。为了获取高精度的储层参数,指导油气的勘探开发,迫切需要寻求一种新的方法最大限度地挖掘地震地质信息。支持向量机是以结构风险最小化原则为核心的新型机器学习算法,与传统的机器学习算法相比,其具有基于多变量、小样本、非线性和预测精度高的优点。以渤海湾SZ-361油田Ⅰ油组顶部储层参数预测为例,采用支持向量机算法,得到了较高精度的储层预测结果,证实了支持向量机算法可以应用于油气勘探领域。     

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。     

基于支持向量机的结构损伤识别

支持向量机是一种基于统计学习理论和结构风险最小化原则的新型机器学习算法。介绍了支持向量机分类概率估计和回归估计,构造基于模态频率的损伤指标标识量,根据分类概率估计与回归算法计算结构损伤位置及程度。通过简支梁仿真算例,验证了该方法的有效性。     

基于混沌-支持向量机的边坡位移预测

通过平均互信息法确定延迟时间、虚假邻点法确定嵌入维数,从而实现混沌时间序列相空间的重构,揭示边坡地质体的变形规律;并以这些数据作为支持向量机的训练样本,用支持向量机的回归特性预测边坡的变形,把由于多变量耦合关系导致的边坡体位移时间序列,利用单变量方法进行分析。结果表明Chaotic-SVM模型具有拟合精度高、泛化能力强的特点,在岩土工程非线性预测中具有一定的应用价值。     

基于支持向量机的储层参数反演

支持向量机是基于统计学理论的一种新的数学方法,近几年得到了快速的发展,国内外已将其应用到各个领域。该文应用支持向量回归机的方法,用测井数据、地震属性数据对储集层的储层参数进行了预测,得到了精度较高的储层参数;并通过对实验结果的分析,说明了这种方法的优势。     

基于支持向量机的siRNA降解效率预测

为了辅助siRNA的设计,从已发表文献中共收集到573个siRNA的实验数据,使用基于统计学习理论的支持向量机(SVM)方法,提取了siRNA序列的碱基对关联性(BBC)特征,然后使用十倍交叉验证方法,对siRNA沉默目标基因的效率进行了预测.结果表明,基于支持向量机,选用多项式核作为核函数的算法具有最高的AUC值(0.73,ROC曲线图)和最高的r值(0.43,Pearson相关系数分析),优于以前基于打分的算法.结果说明,在以后的siRNA的设计中应该更多关注碱基之间的关联信息.     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

基于混合核的超球面支持向量机车牌字符识别

在车牌字符识别应用中,超球面支持向量机核函数的选取一直采用单一核函数方案,存在识别正确率不高或过程较繁琐的问题。针对以上不足,将单一径向基核函数、混合核函数分别应用到超球面支持向量机的决策函数中,找到径向基核函数参数和混合核线性组合交叉概率的最优取值,提出一种超球面混合核支持向量机(MHS-SVM)。将Computational Vision研究小组数据集转换为一维矢量提取特征,采用此算法进行识别验证。试验结果表明,较已有的欧拉数特征分类和组合支持向量机,混合核方案过程简洁,具有更高的识别正确率,同时拥有较好的识别速率。