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。     

基于混沌理论和LSSVM的网络攻击预测算法

针对网络攻击具有多样性、时变性,传统预测方法预测精度较差的问题,提出一种混沌理论和LSSVM相融合的网络攻击预测算法.利用网络攻击频率时间序列预测模型参数之间的联系,采用粒子群优化算法对模型参数进行组合优化.采用最优参数的预测模型对具体网络攻击频率数据进行仿真测试,并与其它预测算法进行对比.实验结果表明,该方法对网络攻击频率预测精度要高于对比算法,是一种泛化能力好、预测结果可靠的网络攻击预测算法.     

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。     

基于Garbor滤波和PCA的双核LSSVM人脸识别

为了对具有不同表情和姿势等特征的人脸进行有效识别,同时解决以往人脸识别方法的维数灾和识别准确率低的问题,提出了一种基于Garbor滤波和双核LSSVM的人脸识别方法。首先,采用Gabor滤波器提取原始人脸图像在不同尺度和方向上的人脸特征向量,然后采用主成分分析法对特征向量降维以解决维数灾问题。为了解决传统最小二乘支持向量机方法中核函数选取不能同时具有较强外推能力和插值能力的缺点,设计了一种新的核函数综合加权了多项式核函数和径向基函数。最后,采用训练样本数据对LSSVM进行训练得到最终的人脸分类模型。采用Matlab仿真工具对文中方法进行仿真,并与其它方法进行对比,实验结果表明文中的方法能有效地实现对人脸表情进行分类,且具有分类效率高和识别精度高的优点。     

GA-LSSVM在开关磁阻电机建模中的应用

研究开关磁阻电机(SRM)建模优化问题,由于SRM电磁特性具有非线性、强耦合等特点,传统建模方法难以建立准确数学模型,导致控制精度低.为提高SRM控制精度,提出一种基于GA-LSSVM的SRM非线性建模方法.该方法首先对SRM磁链和转矩特性进行分析,然后采用遗传算法对LSSVM参数进行优化,最后采用LSSVM磁链与转矩对转子位置角和相电流的非线性映射关系进行建模.仿真实验结果表明,GA-LSSVM很好的克服了传统建模方法的缺陷,能够对SRM的动态和稳态运行特性进行预测,模型具有精度高、运算速度较快等优点,实现SRM为SRM的智能控制提供了一种新的建模思路.     

基于偏最小二乘法和最小二乘支持向量机方法的熔融指数预测

熔融指数是高密度聚乙烯生产的主要质量指标,通过对生产数据建模实现对熔融指数的预测,为优化操作提供有力依据,从而提高产品的质量。利用偏最小二乘法提取影响熔融指数的主要因素作为最小二乘支持向量机的输入,克服了自变量间的多重相关性问题;同时也降低了最小二乘支持向量机的输入变量的维数。实验表明,利用偏最小二乘法方法和最小二乘支持向量机方法预测熔融指数精度远高于分别使用这两种方法。     

基于偏最小二乘支持向量机的图书馆效益评价研究

图书馆的效益评价是图书馆工作科学化、计量化的基础和保证。为解决评价样本少、评价指标相关性高等问题,提出了一种基于偏最小二乘—支持向量机(PLS-SVM)的图书馆效益评价模型。该模型有机结合了偏最小二乘和支持向量机的优点,不仅具有较强的全局优化能力和泛化能力,还能有效克服变量间的线性关系,消除指标间的相关性,提高了评价结果的准确性。通过对14个高校样本的实例应用,结果表明PLS-SVM模型能有效评价图书馆效益,评价结果符合客观实际。     

基于最小二乘支持向量机的油罐故障诊断方法

根据油罐故障分析,建立了油罐故障诊断模型。采用新型的支持向量机-最小二乘向量机(LS-SVM)的算法对此诊断模型进行预测,获得了满意的效果。该方法易于使用,很少受不确定性因素的影响,有很高的预测准确性。     

AHP-PCA-SVM的高等数学教学质量评价

为提高高等数学教学质量评价精度,提出一种层次分析法、主成分分析和支持向量机的组合高等数学教学质量评价模型（AHP-PCA-SVM）。首先采用层次分析法构建评价指标体,然后采用主成分选择评价指标,最后输入SVM进行学习建立高等数学教学质量评价模型。仿真结果表明,AHP-PCA-SVM提高了教学质量的评价精度,提高了评价效率。     

LS-SVM和BP算法在逆模型控制中的对比研究

最小二乘支持向量机（least squares support vector machine,LS—SVM）具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS—SVM的逆模型辨识方法。仿真结果表明基于LS—SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。     

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。     

支持向量机在股票分析中的应用

支持向量机（SVM）是机器学习领域的一个新方法。本文用支持向量机对A股市场部分股票进行分类。实验结果表明：换手率,内外比、量比以及振幅等对当日股价具有直接的影响;用支持向量机来研究证券市场的行为具有一定的应用价值。     

支持向量机原理及其在模式分类中的应用

支持向量机是一种突出的小样本数据分析方法,它基于结构风险最小化原则,在一个高维特征空间中构造最优分类超平面,在解决很多实际问题中具有优于其他方法的特点,本文介绍了支持向量机原理及其在模式分类中多方面的应用,并阐述了SVM在算法上的最新研究。     

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。     

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。     

电子商务客户流失三阶段预测模型

采用某网上商场的2525名客户样本,构建了基于SMC和最小二乘支持向量机(LSSVM)的电子商务客户流失三阶段预测模型.首先应用SMC模型计算出客户活跃度,以0.5为阚值判断出客户流失状态,识别出正判客户和错判客户;其次将训练样本送入LSSVM进行训练和学习,进而对测试样本的客户流失状态进行判别,然后将误判客户样本输入最近邻分类器进行再判断.结果表明,与SMC模型、BP神经网络模型、LSSVM模型相比,三阶段模型对测试样本预测精度更高,是一种更有效和实用的分类方法,可为电子商务企业客户关系管理提供一个新的方法.     

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。