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。     

基于支持向量机的股票预测系统

股票预测系统主要是用支持向量机的回归预测算法来实现对股票周线的预测。其首先根据股票数据特征值建立一个模型,然后利用该模型进行股票周线的预测,最后与真实结果相对比。实验表明此算法考虑的特征因素较多,预测的准确率相对较高。     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机(LS-SVM)的铁路客运量预测的新方法。1985—2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985—1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000—2002年的铁路客运量。结果表明:提出的LS-SVM客运量预测方法是有效的。     

基于粒子群优化支持向量机的矿井涌水量预测

矿井涌水量预测是一项复杂而有难度的技术,受到很多因素的影响.提出基于粒子群优化支持向量机(PSO-SVM) 的矿井涌水量预测方法,即将粒子群优化算法(PSO) 用于SVM 参数优化.它不仅具有很强的全局搜索能力,而且容易实现.经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5% 的工程许可误差.     

基于支持向量机的汽车故障预测贝叶斯网络推理系统研究

相较于传统的汽车故障诊断,汽车故障预测通过对汽车运行状态数据的分析,实现对汽车未来发生故障的可能性和故障类型进行预测和分析,充分保证汽车行驶的安全。通过对汽车故障类型和特点的深入研究,在已有的故障预测技术的基础上,设计了一种数据驱动的故障预测推理系统。该系统利用支持向量机完成对汽车不同类型故障的分类,结合贝叶斯推理网络,实现对当前汽车状态的综合分析,得出汽车在未来发生不同类型故障的概率,进而完成对汽车故障的预测。最后,编写软件实现汽车故障预测系统。     

基于遗传支持向量机的生物质发电气化研究

提出了一种基于遗传算法和支持向量机的生物质气化过程研究的新方法。采用竹子气化数据建立GA-LS-SVM模型,并验证该模型方法在生物质气化过程建模中的适用性。GA-LS-SVM模型预测方法精度较高,效果也比较理想,是一种可行有效的建模方法。     

基于支持向量回归机的并联机床表面粗糙度预测

针对神经网络方法预测并联机床表面粗糙度存在的不足,提出了一种新的基于支持向量回归机的并联机床表面粗糙度预测方法。以某型并联研抛机床为例确定了表面粗糙度预测模型的输入输出参数,建立了基于支持向量回归机的并联机床表面粗糙度预测模型。仿真实验的预测结果表明,所建立的预测模型具有较强的泛化能力,预测的准确性较高。     

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.     

基于支持向量机的表情识别研究

文章介绍了一种根据图像序列对面部表情进行实时识别的方法。使用Lucas－Kanade光流分析算法对面部标定25个特征点进行跟踪,来得到每个面部表情序列特征点的特征位移。使用一种适合于表情分类的支持向量机多分类方法对实时的表情序列进行分类,实验证明可得到理想的结果。     

基于支持向量机的语音情感识别

针对语音情感识别特征识别问题，本利用支持向量机进行了研究．分析表明语音信号的情感特征参数在输入空间中不完全是一个线性分类的问题，使用非线性的核函数对输入空间进行映射可以有效地提高识别效率．与已有的多模式语音情感识别方式相比，利用高斯(径向基)核函数的支持向量机的识别效果优于其他已有的方法．     

基于最小二乘支持向量机的地铁车站客流预测

以地铁车站客流监测数据为分析基础,给出基于Bayes理论的地铁车站客流数据曲线自适应特征提取流程和方法,通过特征指标的提取和优选,选择4个特征指标组成地铁车站客流预测模型的特征输入向量。在提出的基于最小二乘支持向量机的地铁车站客流预测算法中,采用修剪算法,通过实例分析证明:基于最小二乘支持向量机的地铁车站客流预测算法具有较强的自学习能力和较高的预测准确率。     

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.     

基于支持向量机的财务预警研究

精确的财务困境预测对企业管理层、投资者、债权人、监管层等都有着十分重要的意义。本文以支持向量机（SVM）为基础,选取径向基核函数为内积函数,构建财务困境预警的SVM模型。实证结果表明,SVM模型不论是在建模样本精度或是测试样本精度上,都明显优于传统判别模型。     

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。     

基于支持向量回归机模型的地下水位动态模拟

研究地下水位动态变化,对于正确评价和合理利用地下水资源、防止土壤盐碱化及保护生态环境具有重要意义。为探讨不同核函数支持向量回归机对地下水位预测的效果,分别采用多元回归、BP神经网络及3种不同核函数SVR建立地下水位预测模型并进行对比分析。结果表明,RBF核函数SVR预测结果平均相对误差为0.85%,均方根误差为0.004,精度最高;Sigmoid核函数SVR预测结果对应误差分别为1.58%及0.006,精度次之;多项式核函数SVR预测结果对应误差分别为3.72%及0.016,精度与BP神经网络模型大致相同,但高于多元回归模型。在现有3种常用核函数SVR地下水位预测模型中,基于RBF核函数SVR模型预测能力最强,其次是Sigmoid核函数;而多项式核函数则效果最差。     

模糊支持向量机研究综述

模糊支持向量机是在支持向量机的基础上给每个样本赋予一个隶属度,从而减少孤立点以及噪声对最优决策面的影响,广泛应用于模式识别和人工智能领域.本文综述模糊支持向量机的理论基础以及研究现状,详细介绍模糊支持向量机中几种隶属度函数的设计方法以及在现实领域中的应用,最后针对模糊支持向量机算法的关键问题,即模糊隶属度函数的设计,给出一些未来研究方向的展望.     

基于支持向量机的图像情感分类

基于颜色对人类情感的影响,采用支持向量机作为分类算法完成天气图像的情感分类。同时,为了提高分类的准确率,采用了全局颜色直方图和局部颜色特征相结合的策略。实验表明,达到了较理想的分类效果。     

基于支持向量机与谱特征的数字信号识别

由于已有的调制识别方法存在提取的特征参数多、计算量复杂等不足,现提出一种将支持向量机与谱特征结合的方法,该法不仅提取的特征参数少,对噪声不敏感,计算量小,而且还通过设计分级的支持向量机分类器提高了识别率．仿真实验表明,这种方法比普通的阈值法在识别率方面有明显的改善．     

支持向量回归机的超高压输电线路可听噪声预测

针对现有神经网络方法在预测超高压输电线路可听噪声方面存在的不足,提出了一种新的基于支持向量回归机的超高压输电线路可听噪声预测方法。在分析了超高压输电线路可听噪声主要影响因素的基础上,建立了超高压输电线路可听噪声预测指标体系,进一步建立了基于支持向量回归机的超高压输电线路可听噪声预测模型。仿真结果表明,所建立的预测模型合理有效,具有较高的预测精度和较好的推广价值。