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.     

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。     

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.     

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。     

基于主成分——支持向量机的用水量预测

利用主成分分析消除变量间的多重共线性,对数据实现降维;利用支持向量机对提取的主成分进行非线性逼近,充分发挥两者的优点。算例表明主成分一支持向量机模型具有很高的精度。     

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。     

一种基于支持向量机回归的推荐算法

随着电子商务的迅速发展，推荐系统与算法已经成为理论研究的热点。支持向量机是一种强大的分类工具，由其衍生出的支持向量机回归方法能很好地解决非线性回归问题。文中以电影推荐为例，引入支持向量机回归方法来分析项目的内容，构建用户模型，进而给出推荐。实验结果和理论分析表明这种推荐算法与传统协同过滤算法相比，能够明显提高推荐精度，并显著缩短了推荐所需时间；在大样本量情况下也能同样高效。     

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。     

基于遗传优化偏最小二乘支持向量机的税收预测研究

由于我国税收收入存在高度的非线性、耦合性和多因素的影响,故而对其进行预测是传统的预测方法难以胜任的。首先,提出偏最小二乘支持向量回归对我国税收收入进行预测的思路。其次,由于参数集(C,σ2)直接影响支持向量技术的预测优劣,故采用改进的遗传算法对参数集进行全局寻优,这样既保证了处理非线性的优势,又确保了支持向量回归模型的稳定性与精确性。结果表明,预测精度有着显著提高,说明了该模型的有效性与实用性。     

基于支持向量回归机的综合评价方法研究

应用支持向量回归机,研究综合评价排序问题,并以企业自我实现能力综合评价为例子,与人工神经网络(ANN)方法进行对比研究,发现基于支持向量回归机综合评价的训练排序与专家排序保持一致,且测试结果的相对误差明显小于ANN.表明,基于支持向量回归机的方法能更好的反映评价问题的序结构,是一种研究综合排序评价问题的有效方法.     

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.     

基于支持向量回归机的综合评价方法研究

应用支持向量回归机,研究综合评价排序问题,并以企业自我实现能力综合评价为例子,与人工神经网络(ANN)方法进行对比研究,发现基于支持向量回归机综合评价的训练排序与专家排序保持一致,且测试结果的相对误差明显小于ANN。表明,基于支持向量回归机的方法能更好的反映评价问题的序结构,是一种研究综合排序评价问题的有效方法。     

基于支持向量机的湖泊水质评价

在比较目前湖泊水质评价方法的基础上,给出了基于支持向量机理论的湖泊水质评价分类方法模型。应用实测数据验证了该方法的有效性。     

基于支持向量机的诊断方法研究

根据支持向量机原理,对线性可分与线性不可分两种情况分别建立了分类模型,模型的求解转化为一个二次规划问题,在选用径向基核函数的参数时运用网格搜索的方法进行选取最优参数。在应用到乳房肿瘤的医疗诊断中,准确率为93.00%,较以前的方法有了明显的提高。     

关于支持向量回归机的模型选择

支持向量机是在统计学习理论基础上发展起来的一种新型的机器学习方法。模型选择是设计支持向量机的重要内容之一。本文在分析用于回归的支持向量机原理的基础上,分别从核函数的选择、模型参数的作用、模型参数的调整方法等模型选择方面进行了综述,并讨论了模型选择的优缺点,最后指出在实际应用中常见的核函数和模型参数调整方法。     

一种基于支持向量机的电力负载预测算法

提出了一种能够提高负荷预测精度的方法。在对历史电网运行数据进行处理时引入大数据挖掘技术,并且使用了支技向量机来进行电力系统短期负荷的预测新方式,对基于粒子群优化的支持向量算法进行了改进,提出基于相似日聚类的支持向量机的方法以对电网的负荷状态进行预测。以湘潭市的电力负荷数据为测试数据,进行两种算法结果的对比。结果表明:本文的算法在对比中具有较大的优势,数据预处理在预测的精度上有着非常重要的关联。     

基于支持向量机和决策融合的人脸检测

针对灰度图像中的人脸检测问题,提出了一种基于多种支持向量机的决策融合检测方法。该方法首先用传统的二类支持向量机(C—SVM)和单类支持向量机(One-Class SVM)分别对图像进行检测,然后决策融合两种分类器的检测结果。在MIT CUM人脸库上的实验结果表明,该方法具有良好的检测效果和较低的虚警率。     

基于最小二乘支持向量机的数据挖掘应用研究

随着数据仓库技术、联机分析技术的发展。基于数据库的数据挖掘已成为一种重要的数据处理手段。最小二乘支持向量机作为一种新的机器学习方法。具有全局收敛性和良好的泛化能力。本文将其应用于数据挖掘的分类与预测研究。通过棱函数的选择及参数优化，并结合支持向量机、多层感知器神经网络模型及判别分析方法进行比较研究，证明最小二乘支持向量机作为一种有效的数据挖掘算法具有较高精度。