一种有效的供应链绩效预测方法及其应用

从知识发现和数据挖掘的角度,利用粗糙集和支持向量回归机的理论和方法,建立了基于粗糙集和支持向量回归机相结合的供应链绩效预测模型。结合一个供应链绩效预测实例,首先对其基于平衡记分卡的指标体系进行了约简,然后将约简的评价指标输入到支持向量回归机中进行训练,构建预测模型,最后把预测的样本输入到模型中进行供应链绩效预测,预测结果与实际结果基本吻合。     

基于粗糙集与支持向量机的故障智能分类方法

结合粗糙集的属性约简与支持向量机的分类功能，提出一种应用粗糙集与支持向量机的故障分类方法。该方法应用粗糙集理论属性约简作为诊断数据预处理器，可将冗余属性从诊断决策表中删除，而不损失有效信息，然后基于支持向量机进行故障分类建模和预测。谊方法可降低故障诊断数据维数及支持向量机在故障分类过程中的复杂度，但不会降低分类性能。将方法应用于某柴油机故障诊断数据的测试分类，结果表明该方法可快速正确的从数据获得故障类剐。     

一种改进的基于RS与SVM的故障诊断方法

传统的基于粗糙集与支持向量机的故障诊断方法在用支持向量机分类前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐含知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该方法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集作为数据约简的工具,忽视了粗糙集所获取的决策规则对原有数据中所隐舍知识的概括表达作用.本文提出了一种改进的基于粗糙集与支持向量机的故障诊断方法,首先基于粗糙集对样本数据进行约简和初步决策规则获取,然后将获取的规则作为先验知识集成到支持向量机中进行故障诊断.该方法结合了粗糙集的处理高维数据的优点和支持向量机具有较高推广能力的优势,并且在用支持向量机分类时有效地利用了粗糙集获取的决策规则,提高了故障诊断的准确率.使用该 法对柴油机常见故障进行诊断实验,结果表明了方法的有效性. 前用粗糙集进行数据约简,仅将粗糙集     

复合型智能预测分析系统框架研究

提出了多元支持向量机思想及其实现过程,并将其与粗糙集与神经网络相结合,提出一种复合型智能预测分析系统框架。首先利用粗糙集对预测的原始数据进行处理,并从中发现隐含知识,然后提出了多元支持向量机,能够有效地对两种以上类型的数据进行精确分类。将两者与神经网络有机地结合起来,构成一种复合型预测分析系统,从而为决策分析提供一种新的方法。     

基于粗糙集-支持向量机的软件缺陷预测

软件缺陷预测已成为软件工程的重要研究课题,构造了一个基于粗糙集和支持向量机的软件缺陷预测模型。该模型通过粗糙集对原样本集进行属性约减,去掉冗余的和与缺陷预测无关的属性,利用粒子群对支持向量机的参数做选择。实验数据来源于NASA公共数据集,通过属性约减,特征属性由21个约减为5个。实验表明,属性约减后,Bayes分类器、CART树、神经网络和本文提出的粗糙集—支持向量机模型的预测性能均有所提高,本文提出的粗糙集支持向量机的预测性能好于其他三个模型。     

利用粗糙集理论提高SVM预测系统的实时性

支持向量机是一种新的机器学习方法,它具有良好的推广性和分类精确性。但是在利用支持向量机的分类算法处理实际问题时,该算法的计算速度较慢、处理问题效率较低。文中介绍了一种新的学习算法,就是将粗糙集和支持向量机相结合,利用粗糙集对支持向量机的训练样本进行预处理,从而缩短样本的训练时间,提高基于SVM预测系统实时性。文中最后利用该方法进行了数据试验,试验结果表明了该方法可以大大缩短样本的训练时间,提高基于支持向量机处理预测系统的效率。从而也证明了该方法的有效性。     

利用粗糙集理论提高SVM预测系统的实时性

支持向量机是一种新的机器学习方法，它具有良好的推广性和分类精确性。但是在利用支持向量机的分类算法处理实际问题时，该算法的计算速度较慢、处理问题效率较低。文中介绍了一种新的学习算法，就是将粗糙集和支持向量机相结合，利用粗糙集对支持向量机的训练样本进行预处理，从而缩短样本的训练时间，提高基于SVM预测系统实时性。文中最后利用该方法进行了数据试验，试验结果表明了该方法可以大大缩短样本的训练时间，提高基于支持向量机处理预测系统的效率。从而也证明了该方法的有效性。     

基于粗糙集理论的支撑向量机预测方法研究

分析了粗糙集理论方法与支撑向量机方法两者各自的优势和互补性，探讨了粗糙集与支撑向量机的结合方法．然后提出了一种基于粗糙集数据预处理的支撑向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势．减少支撑向量机的训练数据，克服支撑向量机方法因为数据量太大，处理速度慢等缺点。将该系统应用于股票价格预测中，与BP神经网络法和标准的支撑向量机方法相比，得到了较高的预测精度，从而说明了基于粗糙集理论的方法作为信息预处理的支撑向量机学习系统的优越性．     

基于模糊粗糙集与支持向量机的瓦斯涌出量预测研究

支持向量机(Support Vector Machine)具备很强的非线性建模能力,而且具有全局最优、结构简单等优点,近年来被广泛的应用于煤矿瓦斯预测方面,但其在处理样本时,不能确定数据中哪些知识是冗余的、不能将输入的信息空间维数简化,因此,会降低系统预测的精确性;将模糊粗糙集理论引入瓦斯涌出量的预测中,建立基于模糊粗糙集与支持向量机的瓦斯涌出量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.实验结果显示,该方法预测准确,具有较高的应用价值.     

采用RS与CSA-SVM集成的煤与瓦斯突出预测方法

为提高矿井煤与瓦斯突出的预测性能,提出了粗糙集(RS)与克隆选择算法(CSA)―支持向量机(SVM)集成的预测方法。首先应用粗糙集理论对数据集进行约简提取出关键特征指标和数据样本,然后应用支持向量机构建煤与瓦斯突出预测模型,最后应用克隆选择算法和训练样本集预测错误率最小原则智能选择和优化预测模型的参数向量;煤与瓦斯突出预测实验结果验证了该方法的有效性,性能明显优于传统的神经网络预测方法。     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

隐半马尔可夫模型在剩余寿命预测中的应用

剩余寿命预测是作出正确的状态维修决策的基础和前提,是设备退化状态识别的重要内容。隐马尔可夫模型（HMM）是一种具有较强模式分类能力的统计分析算法,但是它不能直接用于剩余寿命的预测,而且考虑到隐马尔可夫模型的局限性和剩余寿命预测模型的可解释性,应用隐半马尔可夫模型（HSMM）进行建模和预测。针对HSMM的训练算法极易陷人局部极值点的问题,提出了基于改进微粒群优化算法（MPSO）进行修正。实验结果证明了该方法在设备剩余寿命预测研究上的有效性和可行性。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

基于MPSO-SVM巷道围岩松动圈预测研究

针对目前巷道围岩松动圈确定方法的种种缺陷,提出了一种新的预测方法,采用改进的粒子群算法（MPSO）优化支持向量机（SVM）对巷道围岩松动圈进行预测。在标准PSO中引入压缩因子,实现了算法全局搜索和局部寻优的有效平衡;应用MPSO对SVM的参数C和g进行优化,建立MPSO-SVM回归预测模型;将该预测模型应用于巷道围岩松动圈的预测,将预测性能与PSO-SVM、GA（遗传算法）-SVM、GSM（网格搜索）-SVM模型、BP神经网络进行对比分析。结果表明：该模型具有较强的泛化能力,较高的预测精度,可以对围岩松动圈厚度进行有效预测。     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

一种快速的SVM最优核参数选择方法

支持向量机是一种基于核的学习方法,核函数及核参数的选择直接影响到SVM的泛化能力。传统的参数选择方法如网格搜索法,由于其计算量大,训练过程十分耗时,提出了一种新的快速选择最优核参数方法,该方法通过计算各类别在特征空间的可分性度量值来决定最优核参数,不需训练相应SVM分类模型,从而大大缩减了训练时间,提高了训练速度,且分类精度与传统方法相比,具有相当的竞争力。实验证明,该算法是可行有效的。     

感兴趣区域遥感图像分类与支持向量机应用研究

提出了基于SVM的遥感图像分类方法并构建了分类模型,该方法以唐山1∶50 000 TM局部图为分类数据来源,由用户选择感兴趣的区域,分别提取该区域绿地、公共用地和房屋的图像特征,并以此为训练样本进行训练,采取交叉校验的方法获得SVM的最优惩罚因子C和间隔γ参数进行图像分类。实验结果表明,此分类方法准确率高、稳定快捷,是SVM在遥感图像分类中的一个很好的应用。     

基于ARIMA与SVM的国际铀资源价格预测

由于国际铀资源价格时间序列数据的非线性性与非平稳性,使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度,建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型,并用PSO算法对SVM模型中的参数进行优化。将该方法应用于实际铀资源价格预测,并与单一的ARIMA模型和SVM模型进行比较。仿真实验结果表明,该组合预测模型实现了对铀资源价格数据更为准确的预测。     

基于HMM与SVM的语音活动检测

工程机械强噪音环境下的噪声源较多,导致电话语音通话无法进行,且强噪声造成无效数据占用带宽。为此,提出基于隐马尔科夫模型(HMM)和支持向量机(SVM)的语音活动检测算法。该算法将提取的美尔频率倒谱系数特征向量输入到HMM识别器中,并通过Viterbi算法得到N维最佳识别结果,将其转换为SVM特征向量输入到SVM分类器中进行分类判别,得到判决结果。实验结果表明,该算法在机械工作噪音的情况下,语音检测率较静态统计类算法平均提高9%,比小波支持向量机方法提高11%,在驾驶室噪音的情况下比小波SVM方法有较小幅度的提高,但其增长速度较快,且比传统的统计类算法提高9%。