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SOR-LS-SVM的公路旅游客流量组合预测模型

基于指数平滑、多元线性回归、灰色系统等目前常见的预测方法建立超松弛改进的最小二乘支持向量机算法的公路旅游客流量组合预测模型。通过实例验证和比较,展示了基于超松弛最小二乘支持向量机算法的公路交通旅游客流量组合预测模型具有较好的预测效果和较高的应用价值。     

基于PCA改进的SOR-LS-SVM公路旅游客流量预测模型

影响公路交通旅游客流量的众多因素增加了预测模型中的输入变量复杂性,减少了模型运行速度和预测准确度。首先,采用主成分分析法对影响公路旅游客流量的指标进行分析得到了主成分即输入变量,然后建立以主成分为输入变量、以旅游客流量为输出变量的基于超松弛改进的最小二乘支持向量机预测模型。通过实际例子验证和比较,揭示了基于主成分分析法改进的超松弛的最小二乘支持向量机公路交通旅游客流量预测模型具有较好的预测精度和较高的应用前景。     

基于PCA改进的LS-SVM入境旅游客流量预测模型

影响入境旅游客流量的众多因素加大了预测模型输入变量的复杂化,限制了模型的运行速度和预测精确。首先,利用主成分分析对影响入境旅游客流量的众多指标进行综合分析得到主成分,然后建立以主成分为输入变量以入境旅游客流量为输出变量的最小二乘支持向量机预测模型。通过实例验证和比较,展示了基于主成分分析改进的最小二乘支持向量机入境旅游客流量预测模型具有较好的预测效果和较高的推广价值。     

基于最小二乘支持向量机的非线性广义预测控制

为了解决目前常用的非线性预测模型算法中过学习、存在局部极小值等不易解决的问题,本文提出一种基于最小二乘支持向量机对非线性过程建模并用广义预测控制进行在线滚动控制的算法。仿真结果表明,该控制算法具有很好的控制性能。     

基于PCA改进的SOR-LS-SVM旅游流量预测模型

利用主成分分析法建立以主成分为输入变量而以入境旅游客流量为输出变量的超松弛最小二乘支持向量机预测模型.通过实例验证和比较,演示了基于主成分分析改进的超松弛最小二乘支持向量机入境旅游客流量预测模型有较好的预测效果和较高的推广价值.     

基于PCA-SOR-LS-SVM模型的入境游客流量预测研究

入境旅游客流量预测模型中输入变量的多少在一定程度上制约了模型的模拟速度和预测效果。首先,由主成分分析法对影响入境游客流量的指标进行综合分析从而确定出少数几个主要指标作为预测模型的输入变量,然后建立以主要指标为输入变量以客流量为输出变量的基于超松弛改进的最小二乘支持向量机预测模型。通过实验仿真,结果显示了基于PCA-SOR-LS-SVM的入境游客流量预测模型具有较好的预测精度和较强的推广价值。     

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。     

基于支持向量机的miRNA预测方法研究

本文从miRNA及其前体的生物学特征出发,在对支持向量机理论及其应用特点进行研究的基础上,构建了基于支持向量机的miRNA预测过程模型,在miRNA特征的向量表示、miPNA特征选择、预测模型核函数及参数选择方面进行了研究.以水稻、拟南芥、玉米的miRNA为实例,对基于支持向量机的miRNA预测方法的预测准确率进行了验证,实验结果表明该方法预测准确率达95%以上.     

基于支持向量机的石油勘探预测

讨论了支持向量机中高斯核函数中参数σ对支持向量机学习预测性能的影响,指出高斯核函数具有描述样本相似程度这一性质,通过数值实验给出一种选择高斯核函数的方法——拐点法。然后针对石油地质勘探的实际问题,将支持向量机运用测井曲线预测储层参数,同时与反向传播神经网络函数逼近法预测进行比较,结果表明该方法预测精度高、方法稳定有效,支持向量机较好的解决了小样本测井勘探的实际问题。     

基于图像的化工厂重度污染等级判定研究与仿真

在不同化工厂检测环境中,空气中的环境变化情况较为复杂,带有颜色特征的污染气体浓度会被迅速稀释,造成转化的像素特征强度衰减。传统算法多是基于采集到的某种像素特征强度进行污染等级的判断,一旦气体被稀释,颜色特征发生退化,检测准确率会降低。提出了一种基于像素支持向量机增量学习算法。通过灰度差分的支持向量机增量学习。建立对不同像素等级信号进行对应增强学习,克服像素衰退的弊端。实验证明,这种算法能够避免由于化工厂内气体大量扩散,造成的像素衰减的缺陷,提高了化工污染程度检测的准确率。     

融合分治法与支持向量机的“算法设计与分析”教学模式研究

"算法设计与分析"是计算机类本科生的专业必修课,内容涵盖递归、分治等多种算法的模型设计、代码实现和案例分析。有效掌握课程内容对日后从事机器学习方向的算法工程师岗位或进一步地科研深造等均具有十分重要的作用。然而,当前的课程内容缺乏与相关机器学习算法的关联性分析,导致学生难以将课程所学知识有效运用在实际应用或科研工作中。为此,本文以分治法为例,探讨将分治法的求解过程与运用支持向量机求解多类分类问题的一对一方法有效融合在一起。通过分析新的课程教学模式,进一步培养学生日后从事相关工作的能力。     

支持向量机在植物分类中的应用

提出了基于支持向量机的分类原理对鸢尾属植物进行分类的方法。支持向量机是在统计学习理论基础上提出的一种新型的通用学习方法,主要应用于数据的分类和回归估计,而植物分类的主要依据是植物的外观特征。通过提取植物的特征数据和使用支持向量机算法获得实验结果,实验结果表明,采用支持向量机对植物分类是可行的。     

浅谈支持向量机技术

支持向量机是基于统计学习理论的一种新兴的机器学习技术。本文论述了支持向量机技术的研究和目前的应用状况,并指出了支持向量机技术在应用研究中的一些待解决问题和研究方向。     

支持向量机理论研究

如何解决分类问题和回归问题是支持向量机算法的基本内容。本文研究了使用支持向量机算法解决线性和非线性分类问题和回归问题的原理和方法。     

宁夏水资源可持续利用评价研究

本文在吸收前人研究成果的基础上,首先对水资源可持续利用评价指标体系进行了分析,确立了适合宁夏区情的初始指标,其次利用聚类法从初始指标里筛选得到15个评价指标,采用SVM对宁夏2002—2011年的水资源可持续利用状况进行了评价,并与传统的BP-ANN的评价结果加以比较,结果表明:两者评价结论基本一致;与ANN相比,SVM模型简单,泛化性强,分类精度高。该结果对宁夏水资源的调控和分配具有一定的意义。     

基于模糊支持向量机的学生抗压能力分析

抗压能力大小判定是一个多指标、多目标的评价系统,传统计算方法存在繁琐、客观性差的问题。提出了一种改进的模糊支持向量机的评价模型,对抗压能力进行评价。建立模糊隶属度函数,在减少训练集中异常样本点对分类超平面干扰的同时,并没有降低边缘样本点对分类超平面的影响。实验表明,改进的模糊支持向量机提高了抗压能力评价的准确率,模糊支持向量机的泛化能力也得到了提高。     

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。     

基于P-SVM的绿色供应商评价模型

首先根据绿色供应链管理理论的内涵和环境管理标准,对传统供应商评价体系进行修正,增加了反映绿色信息的若干指标。在分析标准支持向量机模型所面临问题的基础上,引入了一种新的支持向量机模型方法—P-SVM,进而以P-SVM为工具,采用支持向量机分类的1-v-1策略建立了绿色供应商评价模型。数据仿真显示该模型同标准支持向量机模型相比不仅具有更好的推广能力,而且具备较好的特征变量自动选取功能。