基于支持向量机的水质分类研究

文章在水质监测网站上获取监测数据,首先对数据进行预处理剔除无效数据和无关变量,然后分别建立了线性支持向量机模型和非线性支持向量机模型,采用相同的水质数据使用不同模型分类并利用Python软件进行编程对比,都先使用网格搜索算法对惩罚系数进行寻优,非线性持向量分类机经过交叉验证后选用RBF核函数,实验结果证明采用非线性支持向量机得出的分类准确率更高,更具有推广性。     

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.     

基于支持向量机回归的土壤有机质含量预测

土壤有机质(Soil Organic Matter, SOM)是土壤肥力的重要指标,其含量变化对表征土壤养分含量高低和预测作物产量具有重要的作用。因此,预测有机质含量变化可以为提前进行土壤有机质积累试验提供理论支持。本文采集长期定位试验点的土壤信息,对比支持向量机预测方法与反向传播(BP)神经网络和径向基函数(RBF)神经网络,结论得出支持向量机模型预测精确度更优。     

基于支持向量机的外贸企业客户分类方法应用研究

本文综合了销售量和净现值两个方面作为客户价值分类技术指标,将支持向量机用于外贸公司的客户类别的识别,同时采用了支持向量机模型中的一些核函数对样本进行学习分类,对它们的分类结果进行了比较。实证分析表明：分类指标的确定是有效的;支持向量机采用参数为1时的径向基核函数具有较好的分类效果,分类结果精度、召回率、F-measure分别达到0．85、0．8、0．83。     

基于禁忌蝙蝠算法的支持向量机特征选择和参数优化

支持向量机是一种有良好发展前景的学习机器。针对支持向量机训练过程中特征选择和参数优化的问题,提出一种基于蝙蝠算法和禁忌搜索算法相结合的算法的支持向量机特征选择和参数优化算法。将禁忌搜索算法理论引入蝙蝠算法中,可以有效提高BA算法的收敛速度和精度,得到更优的支持向量机模型。UCI标准数据集的分类实验结果表明,与基本的网格搜索,遗传算法等比较,TSBA算法可以获得更高的分类准确率和更好的稳定性。     

支持向量机在雾霾天气预测中的应用

支持向量机(Support Vector Machines简称SVM)方法是一种新的统计学习理论方法,是处理非线性分类和非线性回归的一种有效方法。雾霾天气受多种因素的影响,雾霾预测包含大量的非线性因素。利用与PM2.5关系密切的12个因子建立基于RBF核函数的支持向量机方法的雾霾预测模型,对雾霾天气预测进行了探讨,经检验,该模型具有良好的预报能力。SVM方法为雾霾天气的预测提供了一种可行的有效途径。     

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。     

支持向量机理论探讨

支持向量机在有两类的分类问题中有很好的应用,研究支持向量机的理论,并讨论了取代铰链损失函数的支持向量机,并考虑核逻辑回归模型,表明了核逻辑回归模型在执行两类分类支持向量机中的作用。此外,还利用核逻辑回归模型提供了一个基础概率的估计。     

基于粒子群优化的PSO-SVM的瓦斯时间序列突出预测方法

本文对霍尔辛赫矿安全监测系统的瓦斯浓度时间序列利用软阈值小波去噪法进行去噪;分析支持向量机不敏感损失参数ε和RBF核函数参数。基于粒子群算法对支持向量机瓦斯浓度模型进行优化,结合最优参数对进行ε-SVR模型预测,对预测误差进行分析,并将训练样本的大小对预测精度的影响做出了比较。     

基于快速分割核函数的数字抠像模型

针对标准支持向量机(SVM)算法在数字抠像的应用中还存在抠像精度低、点集分类效果不好等问题。本文设计了以快速分割核函数优化SVM算法为基础的数字抠像模型,最先将径向基函数(RBF)当成核函数对推理试验模型进行建立,之后再利用CMSVM设置较大的参数取值范围,对参数进行大间隔步长的循环取值,并通过一定训练和测试,以评分准则为依据对这种状况下建立的最优SVM分析模型所对应的参数值进行确定,指导最终确定出用来建立SVM分析模型的理想参数值,进而对分析模型进行确定。结果表明,本文提出的快速分割核函数优化SVM算法相比较标准SVM算法,具有更好的数字图像抠像效果。     

基于支持向量机的高新技术企业与传统企业的类型辨识模型研究

基于支持向量机神经网络理论,首创性地建立了一个由业绩产出财务指标辨识高新技术企业与传统企业类型的支持向量机模型。模型以企业的业绩产出财务指标数据为基础,以径向基函数作为核函数,使用网格寻优方法调节模型参数,得到优化后的模回去型,并使用测试集数据验证了模型。对结果进行二元分类决策分析,结果表明:该模型的准确率和决策率等主要评价指标都达到了85%以上,具有较高的辨识能力和可信度,为高新技术企业和传统企业的类型辨识提供了一种可靠的、简单方便的方法,可以直接量化地判别企业是否属于高新技术企业。     

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。     

组合核函数支持向量机在个人信用评估中的应用

支持向量机在处理分类问题时有着其特有的优势,其分类结果与参数和核函数有关,它们决定着支持向量机的学习能力和推广能力。本文在考虑核函数及其性质的基础上,使用一种新的组合核函数方法,对全局核函数和局部核函数利用线性组合的方法来进行个人信用的评估,并在数据集Australian和Germany上加以实例验证。结果表明：组合核函数的支持向量机优于单一的支持向量机。     

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。     

基于卷积神经网络的SVM分类算法在图像分类中的应用

利用卷积神经网络强大的自学能力,训练合适的CNN来提取图像特征信息,利用RBF函数作为支持向量机的核函数,并结合粒子群算法优化SVM参数,完成图像分类的混合算法。针对乳腺组织的病理图像分类性能的实验分析,给出了混合分类算法的优越性。     

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。     

基于PSO-SVR的多因素瓦斯浓度预测

为提高瓦斯浓度预测的准确性,针对影响瓦斯浓度的相关因素众多,且各因素之间呈现复杂非线性特征的问题,建立支持向量机回归模型,并采用粒子群优化算法对支持向量机回归模型的参数进行寻优,得到模型的最佳参数组合,最后采用某矿综采工作面瓦斯监测数据进行验证,预测结果表明:采用粒子群寻优算法建立的支持向量机回归模型可以提高瓦斯浓度的预测精度,预测结果的平均绝对误差为0.021。     

基于支持向量回归机的广西物流需求预测

传统的区域物流需求预测方法往往具有预测精度不高、数据处理效果不佳等不足,而基于支持向量回归机(SVR)的预测模型正好弥补其不足.基于SVR预测模型,以1985-2008年广西货运量为面板数据,选择合适的核函数及参数,并与灰色及一元回归预测方法相对比,发现其预测精度很高,预测值也吻合广西总体经济发展要求.     

大型网络控制系统中入侵波动抑制模型仿真

大型网络控制系统的入侵波动具有多样性、复杂性和不确定性等特点,导致传统的基于自抗扰控制器的入侵波动抑制方法,无法有效实现大型网络控制系统中入侵波动的抑制,提出一种基于能量管理的入侵波动抑制方法,通过超平面对大型网络控制系统中的数据进行分离,融入拉格朗日乘子,将最小二乘支持向量机分类算法转化成二次规划问题,采用高斯径向基核函数塑造最小乘支持向量机分类模型,采用粒子群改进算法对最小二乘支持向量机参数进行确定。将入侵段能量管理波动抑制划分成纵向与横向两个部分,进行转弯操作,消耗大型网络控制系统入侵者的能量,将大型网络控制系统入侵者的方向对准方向校正柱面,从而实现入侵波动抑制操作。仿真实验结果验证了该方法的有效性。     

基于支持向量机的股票投资价值分类模型研究

本文遵循价值投资理念,建立基于支持向量机的股票投资价值分类模型。首先随机抽取500支A股股票作为样本,并选取对股票投资价值影响显著的财务指标构造样本特征集,然后采用支持向量机方法建立股票投资价值分类模型,最后将其与BP神经网络和RBF神经网络相比较,结果表明支持向量机的分类效果和泛化能力最优。