基于优化支持向量机的高校教师绩效评价研究

为了提高高校教师的绩效评价效果,本文提出一种基于优化支持向量机的高校教师绩效分类方法.采用支持向量机的非线性逼近能力描述绩效等级与影响因子间的复杂关系,同时利用改进的遗传算法对支持向量机参数进行优化处理,进而提高绩效识别分类精度.实验结果表明,与经典支持向量机和神经网络相比,该模型具有更好的泛化性能,能够明显提高高校教师绩效的评价效果.     

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。     

基于粒子群算法的双子支持向量机研究

针对标准支持向量机训练时间过长与参数选择无指导性问题,给出一种通过粒子群优化双支持向量机模型参数的方法。与标准支持向量机不同,该方法的时间复杂度更小,特别适合不均衡的数据样本分类问题,对求解大规模的数据分类问题有很大优势。将该算法与标准的支持向量机分类器在不同的文本数据集上进行仿真实验对比,以验证算法的有效性。结果表明基于粒子群优化的双子支持向量机分类器的分类结果高于标准支持向量机分类结果。     

智能故障诊断的应用研究

介绍了近年来的智能故障诊断模型,主要对模糊、神经网络、支持向量机和粗糙等各种算法的特征及应用进行了系统分析,并指出了智能故障诊断的存在问题和发展方向。     

基于PSO-SVM的上市公司财务危机预警

为实现上市公司的财务危机预警,根据我国的实际情况,将因财务状况异常而被特别处理(ST)作为沪深证券交易所上市公司陷入财务危机的标志,建立财务危机预警模型。该模型采用粒子群优化算法对支持向量机参数进行优选。仿真结果表明,该模型能有效地避免过拟合和欠拟合现象,与神经网络模型相比泛化能力强,预测精确度高。     

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%。     

基于改进人工鱼群算法优化参数的支持向量机研究

为了降低人为设定参数值对支持向量机运行结果准确度的影响,采用智能算法中的人工鱼群算法,搜寻支持向量机相应参数的最优解。由于人工鱼群算法运算在寻优精度和效率方面均有提升空间,故将混沌机制引入人工鱼参数初始化,通过改进固定参数和行为算子得到支持向量机预测模型。使用该模型进行中长期电力需求预测研究,并与其它参数优化算法产生的模型进行均方误差对比。研究结果表明：改进后的模型在拟合均方误差和预测均方误差上都优于未优化的模型,支持向量机在预测精度方面有一定程度的提升。     

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。     

多种算法对不同中文文本分类效果比较研究

为弥补目前国内学者只做单一算法研究且语料单一的缺陷,使用Word2vec词向量模型结合支持向量机（SVM）、卷积神经网络（CNN）和长短期记忆网络（LSTM）3种不同分类算法,研究了不同中文文本分类问题,包括微博语料的多维细粒度情感分类、酒店评价的倾向性分析和新闻文本的主题分类。将3种分类模型在不同文本中的分类效果进行对比,结果显示这3种算法对于不同的中文分类效果各有不同：不同维度的词向量对准确率等评价指标影响很大;支持向量机模型更适合于细粒度的微博情感分类;卷积神经网络、长短期记忆网络算法更适合于噪声小、文本长且规范的新闻主题分类任务。分类粒度会对算法准确性产生影响,粒度越细、任务越复杂,算法准确性越低。     

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。     

基于遗传算法寻优的多核支持向量机故障诊断系统

针对传统的单核SVM已经无法满足多个不同数据源的复杂问题,提出了支持向量机多核学习的改进方法.多核支持向量机的学习能力、泛化能力、决策能力在很大程度上取决于参数的选择以及多核权值系数的优化.对此,本文使用遗传算法对多核权值系数寻优,设计多核支持向量机故障诊断系统,此系统在某型飞机的垂直陀螺故障诊断中进行了验证,验证分别利用单核支持向量机和多核支持向量机分类精度对比,结果表明遗传算法寻优得到的权值系数使多核支持向量机分类精度明显提高.     

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。     

基于大数据和多模态智能技术的计算机视觉实验设计

介绍了大数据技术中的卷积神经网络和多模态智能技术中的支持向量机、谱聚类等模型。以图像检索和图像分割为例,详述了采用卷积神经网络遴选图像特征表征之后,运用多模态技术进行模型参数自动定参和实际运用的实现过程。该研究项目用于计算机视觉课程的实验教学,有利于学生学习计算机视觉领域的前沿技术,运用不同模型解决实际问题,锻炼学生组织实验、分析实验数据和团队协作等综合能力。     

量子粒子群算法优化最小二乘支持向量机及其应用研究

最小二乘支持向量机寻优的算法在实际生活中有着广泛的应用,用量子粒子群算法（Q PSO ）优化最小二乘支持向量机模型（LS -SVM ）能极大地提高最小二乘支持向量机的寻优能力。本文利用 QPSO 算法优化 LS - SVM 模型,以MATLAB7．0为平台,对企业的销售管理问题进行寻优,兼顾了公司、营销部的利益以及客户的需求,做到均衡销售,最后使公司的利益最大,证明了方法的有效性。     

支持向量机在出行链模式识别和影响因素分析中的应用（英文）

为了提高交通需求预测精度,综合考虑居民出行行为在时间维度上的分布,采用支持向量机、径向基神经网络和多项logit三种方法,基于居民活动目的,建立了出行链模式识别模型,并利用敏感性分析方法研究了解释因素对出行链模式选择的影响和对模型性能的贡献程度.结果显示:支持向量机模型在总体准确度和分类准确度上均优于其他2种方法,体现了支持向量机在小样本下的识别性能优势;证明了支持向量机能够较准确地反映多分类因素对于出行链模式选择行为的影响程度;因素对于不同出行链模式识别精度的贡献度差异表明了细化出行链模式及探索各个模式特有影响因素的重要性.支持向量机技术在交通需求预测建模及影响因素分析方面均具有实践意义.     

声目标识别技术研究

本文对声目标识别的关键技术进行研究,探讨用小波分析来进行声信号处理和特征提取,用BP神经网络和支持向量机的模式分类方法来进行分类识别.通过对四种声信号的仿真实验表明,使用小波变换和人工神经网络技术及支持向量机分类技术相结合对声目标进行识别是有效、可行的.     

基于支持向量机的股价预测研究

支持向量机(SVM)方法作为数据挖掘中的一种人工智能方法,能够解决数据维数过大、非线性、小样本等问题,在股价预测方面比其他方法具有更大的优势.本文利用支持向量机的分类原理,用上证180股价指数中的90个成分股作为训练样本对支持向量机模型进行训练,选取上市公司基本面中的行业特征和公司相关财务指标以及股票市场中的技术指标,然后用训练好的模型对剩余的90个成分股样本的股票价格的涨跌进行分类预测,结果显示支持向量机方法对股价涨跌的预测具有较高的准确性.     

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。     

基于支持向量机的汽车变速箱故障诊断研究

汽车变速箱是汽车传动系统的核心部件。为提高汽车变速箱故障诊断准确率,本研究提出一种基于支持向量机的故障诊断模型。利用三轴压电式加速度传感器,分别从正常齿轮和缺齿齿轮中获取振动信号,从信号中提取特征值作为支持向量机的输入用于故障识别。通过实例验证,相对于BP神经网络故障诊断模型,基于SVM的故障诊断模型具有更高的诊断精度,对变速箱的故障预测和实时诊断具有实际参考意义。