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。     

生物氧化预处理过程中进气量的预测控制

氧化槽进气量是生物氧化预处理过程中重要的操作调控参数,由于氧化槽内成分复杂,预处理过程具有强非线性、耦合性和大时滞性的特点。针对这一问题,提出一种以在线支持向量回归机(OS-VR)为模型的非线性预测控制方法。采用粒子群算法与梯度下降原理滚动优化非线性模型预测控制的目标函数,求得最优控制量。仿真结果表明,所提算法能够有效地对氧化槽进气量进行预测和控制,为生物氧化预处理过程提供新的方法。     

基于粒子群优化SVR的用电量预测

针对用电量数据非线性的特点提出一种基于粒子群优化的PSO-CV-SVR模型。该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数。将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度。     

基于SVM增量学习的氯甲烷含水量预测控制

由于氯甲烷回收过程具有工艺过程复杂、非线性、时变性等特点,导致氯甲烷含水量难以预测。提出了ISVM软测量建模方法,鉴于新增训练样本中如果存在违反KKT条件的样本,则这些样本中肯定存在新的支持向量,必然会使支持向量集发生变化,原分类支持向量集中的非支持向量也有可能转化为支持向量,进一步提出了改进ISVM氯甲烷含水量预测模型。研究结果表明:通过与普通ISVM预测模型比较,采用改进ISVM预测模型的预测结果具有更佳的预测精度,为氯甲烷含水量的控制提供了更精确的条件。     

税收增长的动态回归分析

本文运用动态回归模型对我国的税收收入进行分析,有效分析了税收增长的滞后作用,对我国税收收入进行了合理的预测;并通过实例对模型进行验证,实践证明预测模型与实际情况拟合很好。     

支持向量机在雾霾天气预测中的应用

支持向量机(Support Vector Machines简称SVM)方法是一种新的统计学习理论方法,是处理非线性分类和非线性回归的一种有效方法。雾霾天气受多种因素的影响,雾霾预测包含大量的非线性因素。利用与PM2.5关系密切的12个因子建立基于RBF核函数的支持向量机方法的雾霾预测模型,对雾霾天气预测进行了探讨,经检验,该模型具有良好的预报能力。SVM方法为雾霾天气的预测提供了一种可行的有效途径。     

智能电网视角下粒子群优化支持向量机的用电量预测

智能电网的—个重要特征是通过高精度的用电量预测进行电能智能调配,用电量信息的精确预测是电网智能化的关键指标.针对用电量数据非线性的特点,提出了一种基于粒子群优化的PSO-CV-SVR模型.该模型基于支持向量回归机原理,以粒子群算法和交叉验证的思想优化模型参数.将该模型应用于江苏省全社会用电量的预测分析,结果表明该模型优于BP-神经网络方法,提高了预测的精度.     

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。     

基于回归分析的失业预警建模实证研究

指出失业预警系统的建模是一个小样本、高维度、非线性、存在噪音数据的复杂的建模问题,重点探讨了基于回归分析技术对失业预警系统进行建模的理论、方法与步骤。讨论了常见的缺失数据处理、数据归一化以及特征降维等数据预处理方法;进一步分析了最小二乘回归、Logistic回归、岭回归、BP神经网络以及支持向量回归五种回归技术;最后基于广东省的社会经济调查数据对五种回归方法进行了实证分析,实验结果表明:在对失业率的预测上,支持向量回归预测效果最好,最小二乘回归、岭回归与BP神经网络次之,Logistic回归预测效果最差。     

基于支持向量机的技术成熟度预测

技术成熟度是企业理解技术成长规律、制定技术战略的理论基础,而普遍用于技术成熟度预测的成长曲线由于其函数本身存在的局限性即过拟合或欠拟合问题会影响预测结果的准确性。基于支持向量回归机的预测法,结合专利分析法和文献计量法,以燃料电池技术为样本对其成熟度进行预测,并与成长曲线模型作了对比分析,结果表明基于支持向量回归机的预测曲线对于分析技术成长轨迹有很好的应用价值。     

基于支持向量机回归预测水稻叶片SPAD值

提出了一种基于机器学习的水稻叶片SPAD值预测方法。通过水稻栽培实验获取样本叶片的SPAD值和叶片图像的RGB值,应用支持向量机原理,建立以叶色图像RGB值为输入参数,叶片SPAD值为输出参数的回归模型。通过样本训练测试和预测实验,对水稻叶片SPAD值预测结果的平方相关系数为91.70%,平均相对误差为3.423%。结果表明支持向量机回归模型对水稻叶片SPAD值的有很好的预测结果,能够满足农学研究的要求,研究方法具有良好的普适性和推广性。     

基于支持向量回归和统计分析的配网故障分区预测模型

城市配网故障预测为抢修工作高效计划与开展提供了重要依据。本文提出了基于支持向量回归的城市配网故障分区预测模型,该模型以支持向量回归方法为核心,以故障量和气象因素为输入,采用回归参数优选等方法进一步优化预测建模;同时将城市划分为若干个区域,结合历史故障统计分析,计算每个区域的故障概率,将预测故障数量值进一步细化到区块内,实现了配网故障数量的分区预测。在城市配网中的实际算例验证了模型的有效性。     

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。     

改进的支持向量机在微博热点话题预测中的应用

为了提高微博舆情的预测精度,针对不同单一核函数的局限,用线性拟合确定两种核函数的权重提出改进的支持向量机模型。首先利用马尔科夫模型矩阵的稀疏程度提取影响因子指标,得到微博传播的增减趋势;然后用改进的支持向量机对实时数据按照4∶1的比例划分测试集和训练集,进行实时预测与警示。实验结果表明：应用马尔科夫模型进行微博舆情的主成分提取效果较佳,改进的支持向量机构造了新的组合核函数,比传统的预判效果更佳。     

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。     

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。     

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。     

基于小波-回归支持向量机算法的风电场风速预测

将小波多分辨率分析特点和回归支持向量机算法良好的泛化性能相结合,建立小波-回归支持向量机风速预测模型。先将原始风速序列经小波分解成轮廓分量和细节分量,再对各分量分别应用支持向量机模型进行预测,最后将各分量的预测结果经小波重构得到原始风速序列的预测值。仿真表明该方法能够改善预测滞后现象以及减小突变点误差,从而提高模型的泛化性能和预测精度。     

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。     

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.