支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于多重核学习支持向量机短期负荷预测研究

近年来,支持向量机（SVM）方法在电力系统负荷预测领域的应用研究成为了热点,鉴于传统的标准支持向量机方法在预测时间和预测精度方面的不足,首次将多重核支持向量回归方法（Multiple Kernel Learning,MKL）应用于电力系统短期负荷预测领域。通过在混合核空间求解二次约束下的二次规划问题实现多重核支持向量回归算法。该方法较标准的支持向量回归算法,不仅可以提高预测性能,而且能够减少支持向量的个数。实际算例表明,该方法能够有效地提高预测精度,缩短预测时间,具有良好的泛化性能。     

基于混沌类电磁算法优化支持向量机的短期负荷预测

短期负荷预测准确性对于电网态势感知和电网策略具有十分重要的意义。提出一种基于混沌类电磁学（CEM）优化支持向量机的短期负荷预测方法,该方法利用聚类思想判断数据质量并进行相关数据预处理工作。建立支持向量机的短期负荷预测模型,针对传统支持向量机参数选择困难问题,引入混沌类电磁学算法优化参数,提高算法收敛效率和寻优能力。仿真结果表明：所提算法较传统支持向量机算法和粒子群-支持向量机算法（PSO-SVM）收敛速度更快,寻优能力更强,适用于短期负荷预测。     

基于遗传算法的加权支持向量机的短期电力负荷预测

建立在统计学习理论的VC维理论和结构风险最小化原理基础之上的支持向量机（SVM）在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于电力负荷预测可以获得很好的效果,但是传统SVM回归预测算法对于不同的样本均采用相同的参数,无法体现各样本的重要程度的区别,而且将支持向量机理论应用于实际中也存在对样本数据进行特征选择和对支持向量机模型参数进行选择的问题。因此提出了将遗传算法应用于短期的电力负荷预测中来对加权支持向量机模型进行特征选择和模型参数确定。     

基于LS-SVM算法的混沌时序递推预测

研究利用最小二乘支持向量机（LS-SVM）预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的,最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机,保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题,由于参数的慢变导致系统的动力学特性不断发生变化,全局建模预测方法很难适用,必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间序列,研究了利用一种简化的最小二乘支持向量机在线递推算法进行预测。最后对典型变参数混沌时间序列的预测实验结果表明了该方法的有效性。     

基于粗集支持向量机的区域经济走势预测方法

针对区域经济预测中多属性而支持向量机方法无法有效选择的问题,提出了一个基于粗集理论和支持向量机的区域经济走势预测方法.方法利用粗集理论在处理多属性数据方面的优势对区域经济走势预测的条件属性进行约简,约简后的数据进入支持向量机的预测系统,从而减少了支持向量机的训练数据,在一定程度上克服了支持向量机方法处理速度慢的缺点.将方法应用于某区域经济走势预测中,获得了较好的预测结果.实证结果表明,方法具有较好的预测能力,与标准支持向量机方法相比,方法具有明显的优势.     

RS_SVM在装备维修费用预测中的应用

在分析粗糙集和支持向量机原理及各自的优缺点基础上,提出将粗糙集与支持向量机相结合的方法,构建了基于粗糙集与支持向量机（RS-SVM）的预测模型,并将该模型应用于装备维修费用预测。以某装备维修费用为例进行实例验证,计算结果表明,这种方法比其他方法有更好的预测精度。     

基于Logistic回归、ANN、SVM的乳腺癌复发影响因素研究

为找出乳腺癌复发的影响因素,并比较人工神经网络（ANN）型、支持向量机型（SVM）和logistic回归型在乳腺癌复发中的预测效能.本文结合南斯拉夫卢布尔雅那大学医疗中心乳腺癌肿瘤研究所的277例数据,对乳腺癌复发的影响因素进行研究.分别采用了logistic回归、人工神经网络和支持向量机方法来建立乳腺癌复发的预测模型,并对这三种分析方法进行了理论方法和预测效能的比较.结果发现,肿瘤大小、有无结节冒、肿瘤恶性程度（P<0.05）是乳腺癌术后复发的主要影响因素,而在不同的预测方法中相对于logistic回归模型,支持向量机和人工神经网络具有更好的预测效能,其中支持向量机的预测效能最好.     

结合ICA和SVM进行蛋白质氧链糖基化位点的预测

为了提高蛋白质氧链糖基化位点的预测准确率,提出了把独立成分分析和支持向量机相结合的方法。实验样本（蛋白质序列）用稀疏编码方式编码,窗口长度为w=21,对于训练样本和待测样本,首先用独立成分分析法（ICA）提取了120个独立成分（特征）,把这些独立成分作为支持向量机的输入,在特征空间用支持向量机（SVM）进行预测（分类）。实验结果表明,ICA＋SVM的方法比PCA＋SVM和SVM的好。预测准确率为88%。更进一步,用同一个蛋白质序列在不同窗口长度下的样本做实验,结果表明,窗口长度越长,预测准确率越高。     

基于决策树对支持向量机的医学图像分类新方法

针对传统对支持向量机多类分类算法（Multi-TWSVM）中出现的模糊性问题,提出了一种基于遗传算法的决策树对支持向量机（GA-DTTSVM）多类分类算法。GA-DTTSVM用遗传算法对特征数据建立决策树,通过构建决策树可以分离样本的模糊区域,提高模糊区域样本的识别率。在决策树的每个节点上用对支持向量机（TWSVM）训练分类器,最后用训练的分类器进行分类和预测。实验结果表明,与决策树对支持向量机（DTTSVM）多类分类算法以及Multi-TWSVM相比,GA-DTTSVM多类分类算法具有较高的分类精度和较快的训练速度。     

小波变换和支持向量机相融合的ECG身份识别

为了提高心电图（ECG）信号的身份识别正确率,提出一种小波变换和支持向量机相融合的ECG身份识别方法（IWT-ABC-SVM）。采用一种小波阈值函数对ECG进行去噪处理,提取ECG特征,将ECG特征输入到支持向量机中进行学习,采用人工蜂群算法优化支持向量机参数,建立ECG的身份识别模型,采用MIT-BIH心电图数据进行仿真测试。仿真结果表明,相对于其他识别方法,IWT-ABC-SVM提高了ECG身份识别的正确率和可靠性。     

基于相似度融合的主动支持向量机算法

提出一种基于相似度融合的主动支持向量机算法,利用未标记样本和标记样本,结合支持向量机的方法实现主动学习.实验结果表明,该算法与普通主动学习的支持向量机相比,在保证分类器性能的情况下,可以减少标记样本的数目,抑制孤立样本对分类器的影响;在相同标记样本数目的情况下,该算法具有较高的分类精度.     

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机（SVM）与反K近邻分类算法（RKNN）相结合,提出了基于支持向量机与反K近邻的分类算法（SVM-RKNN）;最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明：SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。     

基于神经网络的粒子群算法优化SVM参数问题

对支持向量机的核参数选取到目前仍没有形成一套成熟的理论,严重影响了其广泛的应用。对核参数的选取做了一定的探讨。将神经网络与粒子群优化算法相结合并用于支持向量机核函数的参数优化。该方法能够同时具有神经网络较强的非线性拟合能力和粒子群优化算法的寻优能力。数值实验结果表明该算法对支持向量机核参数的优化是可行的、有效的,并且具有较高的分类准确率和较好的推广性能。     

强相关树基因选择方法及AE-RSVM分类研究

对肿瘤基因表达谱进行分析,从而有效区分正常样本与肿瘤样本的关键是：准确找出能够决定样本类别的最少特征基因,并用一个性能较好的分类器进行分类预测。针对该问题,用修订的特征记分准则（RFSC）去除分类无关基因;对两两冗余法进行改进,提出强相关树法用于冗余基因的去除;对粗糙支持向量机（RSVM）改进,提出近似等价粗糙支持向量机（AE-RSVM）对样本集进行分类测试。以肿瘤样本集为例进行测试,实验结果表明了提出方法的可行性和有效性。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

基于线性孪生支持向量机的特征选择方法

提出了一种基于线性孪生支持向量机（TWSVM）的嵌入式特征选择方法。该方法在构造分类器的过程中,通过在TWSVM原有优化模型中引入一个惩罚项,来实现特征选择。在求解过程中,采用交替迭代优化方法将该模型求解问题分解成两个子问题来处理,即标准TWSVM优化问题和关于特征权重的非线性约束优化问题,并分别对子问题进行有效求解。在UCI数据集上对算法进行了仿真分析和比较,仿真结果验证了算法的有效性。     

基于多核支持向量机的飞机重着陆诊断

将支持向量机应用于飞机重着陆的诊断研究。通过分析飞机着陆阶段的运动方程,确定造成飞机重着陆的主要影响因素,将传统的单一指标诊断扩展到多指标诊断。提出一种多核支持向量机,并在此基础上建立飞机重着陆诊断模型。与传统支持向量机和神经网络模型比较表明,该模型精度高,具有更强的泛化能力。