PCA-SVM在电力负荷预测中的应用研究

研究电力负荷预测问题,传统方法无法消除数据之间冗余及复杂特征,导致预测精度较低.为了提高电力负荷预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)电力负荷预测方法(PCA-SVM).首先利用主成分分析对电力负荷的影响因素进行处理,消除各因素之间的高度冗余性,通过提取样本集的主成分完成数据预处理,有效地压缩样本集的维数,加快SVM学习速度并提高预测精度,然后利用支持向量机,对保留的主成成分进行建模预测.最后利用PCA-SVM模型对华东地区1978～1998的电力负荷进行了验证性测试和分析.实验结果表明,相对于各参比模型,PCA-SVM模型可以有效地降低样本集的维数,提高负荷预测精度.PCA-SVM是一种高效、高精度的电力负荷预测方法.     

支持向量机在期货价格预测中的应用研究

关于期货价格准确预测是投资者关心的问题.针对影响期货价格因素间存在高度的非线性、影响因子间存在冗余等特征,传统期货价格预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高期货价格预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)期货价格预测方法(PCA-SVM).首先利用主成分分析对期货价格影响因子进行分析和处理,消除各因子之间的高度冗余性,通过选择贡献大的主成分有效地除去无关的影响因子,加快支持向量机学习速度,提高预测精度,然后利用支持向量机对保留的主成成分进行建模预测.利用PCA-SVM模型对2009年8月Kcbt期货价格进行了验证性分析和测试,仿真结果表明,预测效果稳定,提高期货价格预测精度.证明PCA-SVM是一种有效、高精度的期货价格预测方法.     

支持向量机在电信客户流失预测中的应用研究

客户流失分析与预测是客户关系管理的重要内容.由于电信客户的特征呈高度非线性、严重冗余和高维数,传统方法无法消除数据之间冗余和捕获非线性规律,导致预测精度较低.为了提高电信客户流失预测精度,提出一种基于主成份分析(PCA)支持向量机(SVM)的电信客户流失预测方法(PCA-SVM).首先利用主成分分析对原始数据进行特征降维,消除冗余,然后将得到的主成分作为非线性支持向量机的输入进行学习建模.对某电信公司客户流失数据进行了仿真,实验结果表明,PCA-SVM获得的命中率、覆盖率、准确率和提升系数远远高于其它预测方法.说明主成分分析结合支持向量机的数据挖掘方法具有很好的预测效果,为电信客户流失预测提供了一种新方法.     

基于PCA及SVM对含能化合物结构性能预测

本文使用PCA(主成分分析)算法对含能化合物的结构参数进行数据预处理,这可降低数据维数和提取数据特征信息,将预处理后的数据作为SVM(支持向量机)算法的输入,通过SVM同归算法来建立含能化合物分子结构和性能之间的定量关系模型.结果表明,该模型能较好的反应含能化合物分子结构和性能之间的关系,具有较高的预测精度.     

支持向量机的石油价格预测

研究石油价格变化趋势问题,石油价格是多种影响因素的综合结果,具有复杂非线性,影响因子间信息存在大量冗余,传统预测方法无法消除冗余信息和难以准确描述石油价格非线性变化规律,预测精度低.为了提高石油价格预测精度,提出一种将主成份分析和支持向量机相结合的石油价格预测方法.首先利用主成分分析对石油价格影响因子进行处理,消除因素间的冗余信息,降低支持向量机的输入变量维数,然后利用支持向量机对保留主成分进行建模和预测.模型对石油价格数据进行仿真实验,结果表明,模型消除冗余信息,加快学习速度,提高了石油价格预测精度,并能为石油价格预测提供有效的方法.     

基于PCA-SVM的区域经济预测研究

针对区域经济存在高度的非线性、各指标间存在数据冗余等特征,使得传统的经济预测方法精度较低,为解决上述问题,提出了一个基于主成份分析的支持向量机的区域经济预测模型(PCA-SVM).选择对影响长株潭区域经济发展的各因子进行主成份分析,消除各因子之间的冗余性,从而减少了支持向量机的输入维数,增加了支持向量机预测速度,利用PCA-SVM模型对长株潭2003-2007年经济数据进行了验证性测试和分析,结果表明,相对于各参比模型,PCA-SVM模型预测精度显著提高,是一种高效的区域经济预测模型,为预测研究提供依据.     

支持向量机在税收预测中的应用研究

研究税收预测问题,针对税收数据存在着高度的非线性、冗余等特征,传统的税收预测方法精度较低,影响预测的准确性.为了保证正确税收,提出了一种基于主成分分析的支持向量机税收预测模型(PCA_SVM).首先对影响税收的各指标因子进行主成分分析,消除各指标间的冗余信息,从而减少了支持向量机的输入维数,提高了支持向量机的训练速度,利用PCA_SVM模型对国家2001-2004年税收进行了验证,仿真结果表明,相对于各参比模型,PCA_SVM模型预测精度明显高于各参比模型,具有较岛的泛化能力,是一种有效的税收预测模型.     

基于数据挖掘技术的企业财务困境预测建模

研究企业财务困境预测问题,影响财务困境的输入变量参数较多,存在输入维数和冗余信息,造成预测效率低。如何准确选择合理的输入变量参数是提高财务困境预测精度的关键。为了解决财务困境输入变量选择不合理导致预测精度低等难题,提出采用主成分-遗传-支持向量机(PCA-GA-SVM)的企业财务困境组合预测方法。先用主成分分析法(PCA)合理选取企业财务困境的输入变量,然后结合遗传算法(GA)利用训练集的数据对SVM最优参数寻优,得到企业财务困境预测模型,最后采用具体企业财务数据进行仿真。实验结果表明,PCA-GA-SVM的企业财务困境预测方法提高了财务困境的预测精度。     

PCA-SVM在网络入侵检测中的仿真研究

研究网络安全问题,针对网络入侵数据是一种小样本、高维和冗余数据,传统检测方法无法进行很好降维且基于大样本数据,因此入侵检测率低.为了提高网络入侵检测率和网络安全,提出一种主成分分析(PCA)的支持向量机(SVM)网络入侵检测方法(PCA-SVM).PCA-SVM首先通过PCA对网络入侵原始数据进行维数和消除冗余信息处理,减少了支持向量机的输入,采用粒子算法对支持向量机参数进行优化,获得最优网络入侵支持向量机检测模型,最后最优支持向量机模型对网络入侵数据进行测试.采用网络数据集在Madab平台上对PCA-SVM算法进行仿真,结果表明,采用PCA-SVM加快了网络入侵检测速度,提高了检测率,降低了网络入侵漏报率,为网络入侵检测提供了一种实时检测工具.     

基于 PCA-BP 神经网络的股票价格预测研究

在股票决策问题的研究中,针对影响股票价格因素间存在高度的非线性、存在数据冗余等特征,传统股票预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高股票价格预测精度,提出一个基于主成份分析(PCA)的 BP 神经网络(BPNN)股票预测模型(PCA-BPNN).首先对影响股票价格波动的各因素进行主成份分析,消除各因素之间的冗余性,降低 BP 神经网络的输入维数,加快 BP 神经网络测速度并提高预测精度,然后利用 BPNN 对保留成分进行建模预测.利用 PEA-BPNN 模型对上海证券交易所上市的首创股份(600008)经济数据进行了验证性测试和分析,结果表明,PEA-BPNN 模型预测精度显著提高,是一种高效和准确的股票预测模型.     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

数据挖掘在高校招生预测中的应用研究

高校招生人数准确预测问题,高校招生人数由于受到当前国家政策、社会需求、社会经济状态等因素综合影响,使招生人数变化存在非线性、复杂性。传统预测线性模型难以进行准确预测,预测准确率低。为了提高高校招生人数预测准确率,提出一种数据挖掘的高校招生人数预测模型。首先采用数据重构方法,获取多维高校历史数据,然后采用主成分分析对其进行处理,消除数据之间的重复信息,最后采用非线性预测能力强的支持向量机进行建模。采用某高校1994-2010年招生数据对模型的性能进行仿真,预测准确率高,证明建立的模型可以为高校招生未来人数预测提供参考。     

支持向量机应用于大气污染物浓度预测

支持向量机是基于统计学习理论的新一代机器学习技术,其非线性回归预测性能优越于传统统计方法。提出了一种大气污染物浓度预测模型,该方法将支持向量机应用于大气污染物浓度预测,首先对各类影响因子进行分析并进行建模预测;而后利用主成分分析的方法对输入因子降维,从而形成支持向量机的训练样本集;在此基础上建立了基于RBF核函数支持向量回归法的大气污染预模型。大气污染预测实例表明,该方法具有泛化能力强、预测精度高、训练速度快、稳定性好、便于建模等优点,有良好的应用前景。     

基于机器学习的军用软件过时淘汰评估方法研究

为了对军用软件进行科学系统的过时淘汰评估,提出基于机器学习的软件过时淘汰评估模型。首先使用机器学习预处理与缩放技术处理相关的特征数据,然后基于主成分分析模型进行特征提取和降维,消除特征数据中的噪音值并选择重要的军用软件过时淘汰特征数据,使用由粒子群优化算法改进的支持向量机模型进行分类和评估建模,并使用混淆矩阵的精度评估模型,最后通过案例验证模型有效性、适用性和科学性。     

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

Wavelet-based envelope features with automatic EOG artifact removal: Application to single-trial EEG data

In this study, we propose an analysis system for single-trial classification of electroencephalogram (EEG) data. Combined with automatic EOG artifact removal and wavelet-based amplitude modulation (AM) features, the support vector machine (SVM) classifier is applied to the classification of left finger lifting and resting. Automatic EOG artifact removal is proposed to eliminate the EOG artifacts automatically by means of independent component analysis (ICA) and correlation coefficient. The features are then extracted from the discrete wavelet transform (DWT) data by the AM method. Finally, the SVM is used for the discriminant of wavelet-based AM features. Compared with EEG data without EOG artifact removal, band power features and LDA classifier, the proposed system achieves promising results in classification accuracy.     

基于最小二乘支持向量回归的水质预测

水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。为此,本文提出一种基于最小二乘支持向量回归的水质预测算法。支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归（LS-SVR）利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。     

Discrimination of green tea quality using the electronic nose technique and the human panel test, comparison of linear and nonlinear classification tools

Electronic nose (E-nose) technique was attempted to discriminate green tea quality instead of human panel test in this work. Four grades of green tea, which were classified by the human panel test, were attempted in the experiment. First, the E-nose system with eight metal oxide semiconductors gas sensors array was developed for data acquisition; then, the characteristic variables were extracted from the responses of the sensors; next, the principal components (PCs), as the input of the discrimination model, were extracted by principal component analysis (PCA); finally, three different linear or nonlinear classification tools, which were K-nearest neighbors (KNN), artificial neural network (ANN) and support vector machine (SVM), were compared in developing the discrimination model. The number of PCs and other model parameters were optimized by cross-validation. Experimental results showed that the performance of SVM model was superior to other models. The optimum SVM model was achieved when 4 PCs were included. The back discrimination rate was equal to 100% in the training set, and predictive discrimination rate was equal to 95% in the prediction set, respectively. The overall results demonstrated that E-nose technique with SVM classification tool could be successfully used in discrimination of green tea's quality, and SVM algorithm shows its superiority in solution to classification of green tea's quality using E-nose data.     

基于主成分分析的IPSO-SVM血泵转速预测

针对目前血泵预测方法中,未充分考虑到循环系统的复杂环境的缺点,采用主成分分析(PCA)的改进粒子群算法(IPSO)优化支持向量机(SVM)的方法将循环系统中复杂因素考虑到模型中。对血泵和循环系统进行建模,利用PCA对循环系统影响因素进行降维分析,利用IPSO优化SVM得到模型参数,对血泵转速期望值预测。最终对模型进行性能评估分析。结果表明,该算法在血泵转速预测中具有更好的逼近能力和预测精度,说明了其有效性。