蚁群算法选择特征与WSVM融合的网络入侵检测

为了提高网络入侵检测率,提出一种蚁群算法选择特征与加权支持向量机的网络入侵检测方法.利用蚁群算法选择网络数据的关键特征,计算信息增益获得各个特征权重,根据特征权重构建了加权支持向量机的网络入侵分类器,并通过KDD CUP 99数据集验证了其有效性.结果表明:该算法能够有效降低特征维数,提高网络入侵检测率和检测效率.     

支持向量机在图像隐秘检测中的应用

研究了支持向量机的学习算法，提出了基于支持向量机的图像隐秘检测算法，选取了两种隐秘软件F5r11和Jsteg4．1进行了大量的隐秘检测实验．通过实验发现，二次规划函数中惩罚因子C的选取对识别率影响较大，给出了不同C值之下的检测结果．实验结果证明，该算法的识别率较Fisher线性判别算法有了明显提高．     

基于SVM-GMM混合模型的说话人辨认研究

通过建立一种新的混合模型——SVM-GMM模型,用以提高说话人辨认的识别率。其中介绍了高斯混合模型(GMM)和支持向量机(SVM)建立的基本原理,指出了高斯混合模型和支持向量机在实际应用中的不足之处,并针对这两种模型各自的特点,提出了将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量机(SVM)模型的概率输出,并建立了SVM-GMM混合模型。通过实验对比,验证了使用SVM-GMM模型能有效的提高系统识别率。     

基于DEG-WO-LSSVM模型的用电负荷预测

为了提高负荷预测的拟合精度,提出一种基于优化灰狼算法的最小二乘支持向量机负荷预测模型,针对标准灰狼算法精度低、收敛速度慢、易陷入局部最优的缺点,采用差分算法优化标准灰狼算法。利用改进的灰狼算法优化最小二乘支持向量机的两个主要参数,建立功率负荷预测研究模型。通过实例分析获得负荷预测结果,利用三种评价指标对比了四种算法模型。实验表明,改进灰狼算法优化最小二乘支持向量机的改进评价指标数值较低,拟合曲线精度更高。     

电力系统中长期负荷预测改进算法分析

讨论了基于支持向量机的电力系统负荷预测模型建模方法.通过对模型结构的分析,提出了最小二乘支持向量机算法学习参数的选取方法.结合粒子群优化算法,给出了粒子群优化对最小二乘支持向量机系数优化选择的方法.采用某省的经济、人口、天气和电价等实证数据对几种预测方法进行比较分析,算例结果表明,所提出的方法可以加快计算速度,并有效提高预测精度.     

基于PSO-SVM的侵彻效果预测方法

准确预测弹丸参数变化时的侵彻效果,对作战效果评估和战斗部设计都具有重要作用.针对当前方法存在的问题,提出了一种基于粒子群优化支持向量机算法的动能弹侵彻混凝土靶的侵彻效果预测方法.通过对训练样本的学习,在支持向量机中可以形成输入量到输出量之间的智能映射关系,完成训练后的支持向量机根据新的输入量可以解算出对应的侵彻深度.为了获得更好的预测效果,使用粒子群优化算法改进了支持向量机的结构参数.最后进行了预测测试,结果表明本文方法的相对预测误差为4%,可以满足工程需要.     

基于SVM—GMM混合模型说话人辨认的研究

建立一种新的混合模型-SVM-GMM模型,用以提高说话人辨认的识别率。阐述高斯混合模型（GMM）和支持向量机（SVM）建立的基本原理,分别指出高斯混合模型和支持向量机在实际应用中的不足之处,并针对两种模型的特点,提出将GMM模型的输出机制引入到SVM模型中,以便于调整支持向量（SVM）模型的概率输出,并建立SVM-GMM混合模型。通过实验对比,验证使用SVM-GMM模型能有效地提高系统识别率。     

小波消噪和优化支持向量机的网络流量预测

为了提高对网络流量的预测精度,提出了一种小波消噪和改进黏菌算法优化支持向量机的网络流量预测模型。 首先应用小波消噪对网络流量进行消噪处理,采用支持向量机作为预测模型。 由于支持向量机预测结果受模型参数影响较大,采用带有随机惯性权重机制的改进黏菌算法来优化支持向量机模型中惩罚因子以及核函数参数。 对所提模型使用最佳参数进行仿真实验,并利用实际采集的网络流量数据进行验证。 实验结果表明,所提模型在评估指标上均优于对比模型。     

DDAG支持向量机在ERT系统流型识别中的应用

针对两相流体流动特性复杂、流型识别准确率低等问题,提出一种能够提高两相流流型识别率的方法。首先采用小波包分析对ERT系统测量的压差波动信号进行特征提取;然后通过计算类间不可分离程度为每个节点选取最易分的两类构造DDAG支持向量机多类分模型;最后将特征数据输入分类模型进行流型识别。通过实验对比,四种流型识别的准确率要明显高于其它常用方法的流型识别。结果表明,小波包分析和DDAG支持向量机多类分类算法较大提高了油/水两相流流型识别的精度,是一种有效的流型识别方法。     

基于SVM的中文微博观点句识别算法

针对中文微博中的海量文本,提出了利用领域观点词词典和支持向量机的方法对中文微博中的观点句进行识别.构建领域观点词词典,统计了表示中文微博观点句的5个特征,选取特征1,2,3,4进行观点句识别,并将基于支持向量机的3种不同特征组合识别算法与基于领域观点词词典的识别算法进行对比.算法对比结果表明,基于支持向量机的算法对微博观点句的识别效果较好,准确率68.75％,召回率48.71％,F值57.02％.     

一种基于ACO的RBF神经网络训练方法

针对k平均聚类径向基(Radial Basis Function简称RBF)网络算法的聚类结果易受初始参数选取的影响,并常收敛于局部极小值的问题,提出一种将蚁群优化算法用于径向基神经网络训练过程,优化径向基函数的中心点,建立相应优化模型的算法.实验结果表明,该算法精确度高于k平均聚类径向基神经网络算法,且函数的拟合程度也得到了改善.     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

基于蚁群算法和支持向量机的节水灌溉技术优选

综合考虑了生产、生态、经济、气象、社会和土壤等因素,建立了节水灌溉技术优选指标体系,利用蚁群算法实现指标的筛选,并以支持向量机为分类器,建立了节水灌溉技术优选模型。以山西省的43个县为案例对该模型进行了试验,试验结果表明,在指标筛选方面,蚁群算法的应用有效减少了指标数量,从初始节水灌溉技术优选指标体系30个指标中,小麦优选出12个指标,玉米优选出16个指标,大豆和棉花优选出17个指标;在节水灌溉技术优选方面,本文模型针对小麦、玉米、大豆和棉花4种作物分别优选出了相应的节水灌溉技术,与当地的实际情况基本吻合。该模型可为决策人提供科学依据,对节水灌溉项目规划设计中选择适宜的节水灌溉技术有较大的现实意义。     

基于灰色关联支持向量机的河道预测在S油田N区的应用

于陆源碎屑盆地储层条件复杂、岩相相变快等因素影响,应用常规地震属性预测河道难以达到精度的要求。以S油田N区XII7-12层系为例,通过地震正演分析得出,不同类型储层的地震剖面反射特征不同,合层层系的地震属性可以作为该区主河道预测的有效尺度。在此基础上,利用灰色关联分析与支持向量机结合的方法,完成N区基于灰色关联支持向量机（GRA-SVM）地震属性预测。经钻井证实,基于GRA-SVM属性预测的钻井符合率较高,借助地震反演预测河道砂边界的优势,通过对聚驱井组动静态资料综合分析,有效解决了S油田N区聚驱井组XII7-12层系的注采系统矛盾,从而进一步验证了基于GRA-SVM属性预测的准确性。综合研究表明,此方法用于河道预测精度较高,可作为复杂地质条件下一种较好的河道预测方法。     

应用最小二乘支持向量机预测煤的发热量

为解决现有的煤发热量预测神经网络法的过学习与局部极小点问题,通过对煤热量数据的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于最小二乘支持向量机(LS-SVM)的煤发热量预测数学模型。在算例分析中与BP神经网络、RBF神经网络预测法进行对比,发现该方法比BP和RBF神经网络具有更高的预测精度,且具有收敛速度快、泛化能力强等优点,为燃煤发热量的预测提供了一种有效的方法。     

支持向量机在非点源污染负荷预测中的应用

针对非点源污染形成过程复杂、基础资料不完备的特点,尝试将支持向量机技术用于小样本渭河流域华县站非点源总氮年污染负荷量预测.支持向量机(SVM)能在有限样本情况下,采用结构风险最小化准则,把学习问题转化为一个二次规划问题来获得全局最优解,从而克服了神经网络易陷于局部极小值的缺点.采用华县站1976-1993年总氮非点源负荷及与其产生关系密切的径流、泥沙、降雨资料,前15 a资料用作训练,后3 a资料用作检验.经过与最小二乘支持向量机、BP神经网络和最小二乘回归方法预测结果比较,表明SVM方法预测精度要优于后两者,可用于有限资料条件下非点源负荷预测.     

支持向量机算法在电厂中的应用

支持向量机(SVM)是基于结构风险最小化原理的机器学习技术,在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,适用于函数预测、模式识别和数据分类领域.该算法在火电厂运行优化、清洁生产、故障诊断等方面均有应用,参数预测精度能够满足工程应用,为火电厂的节能优化和故障诊断提供一个新的研究方向.     

基于蚁群算法的知识约简

Rough集理论中知识约简是个NP-hard问题,目前已提出较多的求解方法,但是每种方法由于其自身的局限性,只适用于一定条件下的求解．蚁群算法是较新的仿生优化算法,在解决各类组合优化问题中都取得了很好的效果．其显著优点是受问题规模的影响不大,对大规模问题的求解仍能发挥较优的性能．受蚁群算法该特性的启发,提出基于蚁群算法的知识约简方法．文中具体描述了将条件集的组合方式用一图结构来表示、构建目标评价函数、算法参数的设定以及算法的具体实施步骤等．最后通过于相关文献的比较实验,验证了该方法的有效性．     

改进的支持向量机算法在短时交通流预测中的应用

把交叉验证和网格搜索算法引入支持向量机预测算法,建立了改进的支持向量机预测模型,并将其应用于短时交通流预测进行实证分析。以某城市道路的实时数据来对模型进行验证,预测结果表明了该模型的有效性。