卤化物盐溶液活度系数的计算机预报研究

和人工神经网络－原子参数方法总结碱金属卤化物电解质溶液活度系数的规律，结果表明阳离子电荷－半径比相差越大的卤化物，其盐溶液活度系数越高。     

一种数据域描述的加权支持向量回归算法

针对支持向量回归中由于噪声和孤立点带来的过拟合问题,提出了一种基于支持向量数据域描述的加权系数函数模型,根据样本到特征空间最小包含超球球心的距离来确定其加权系数。将提出的加权系数模型用于加权支持向量回归中,一维数据集仿真表明,提出的模型可以有效减小回归误差,提高支持向量回归算法的抗噪声能力。     

利用矢量基学习和自适应迭代算法改进LSSVR

针对最小二乘支持向量回归缺乏传统SVR的稀疏性和鲁棒性等问题,综合矢量基学习和自适应迭代算法的优势,提出了一种改进的加权最小二乘支持向量回归算法（LSSVR）。该算法通过引入用矢量基学习和自适应迭代相结合的方式得到一个小的支持向量集,可以避免递推时可能出现的误差积累问题,有效提高算法的稀疏性和稳定性;同时采用加权方法确定权值系数以减小训练样本中非高斯噪声的影响。实验结果表明,改进的LSSVR具有较好的鲁棒性、支持向量稀疏性和动态建模实时性。     

基于量化参数的脂肪醇沸点QSPR研究

应用HyperChem7．0计算与脂肪醇沸点相关的结构参数对119种脂肪醇的沸点做定量结构性质关系(QSPR)研究。在逐步回归算法筛选出影响脂肪醇沸点的分子偶极矩μ、分子最高占有轨道能EHOMO、分子最低空轨道能ELUMO、分子范德华表面积Sg、摩尔折射率Rm、极化率α、分子质量M和疏水参数logP 8个主要结构参数的基础上,采用ε-支持向量机、多元线性回归,以及径向基函数神经网络算法,通过留一法交叉验证建立脂肪醇沸点的QSPR预测模型,3种模型中ε-支持向量机、多元线性回归和径向基函数神经网络模型留一法预测结果的相关系数R分别为0．993、0．988、0．987,标准偏差s则分别为4．774、6．501、6．724,表明ε-支持向量机模型具有最好的预测效果。     

基于核岭回归估计器的常压塔航煤干点推断控制

提出了一种基于核岭回归推断估计器的新型推断控制策略，来实现常压塔航煤干点的在线检测和控制.首先，对支持向量机与最小二乘支持向量机回归算法进行了分析，并提出一种直接优化核岭回归算法.其次，通过采集的二次变量数据和化验数据，用核岭回归方法建立了航煤干点的估计器模型．最后进行了仿真，结果表明，在相同样本集下，与支持向量机、RBF网络模型比较，所提建模方法调节参数少，预测精度高．     

支持向量机算法用于夜光藻密度建模

支持向量机（SVM）算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于环境保护领域。用支持向量回归算法总结了石城岛，王家岛附近赤潮发生与海水温度，溶解氧，盐度，总氮量，无机磷，浮游植物密度的对应关系。用支持向量回归算法求得赤潮爆发的数学模型。留一法结果表明，支持向量回归的预报误差比人工神经网络小。支持向量机方法可以成为研究赤潮发生机理，探索赤潮预报途径的一种工具。     

一种支持向量机的快速分类算法

鉴于传统支持向量机分类过程的计算量和支持向量的个数成正比,为了提高分类决策的速度,提出一种约简支持向量的快速分类算法,该算法对原始的支持向量进行特定比例的模糊均值聚类操作,按照分类误差最小的原则构建最小线性二乘回归模型,求解新的支持向量系数和决策函数的偏置.人造数据集和标准数据集上的实验表明,约简50%支持向量后,可以在保持分类精度在无统计意义的明显损失的前提下,使得分类速度提高50%.     

新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统

对含有噪声的数据序列根据预测置信度进行去噪处理,将训练集和测试集及预测数据共同作为训练向量集,以此建立新型支持向量诱导回归算法。本文利用该算法对实时售后服务的“千车故障数”进行了时间序列分析,并建立了新型的ε-不敏感损失函数小样本模型预测系统。预测显示误差小于5．3％的值占了总体的98．1％,其预测置信度达到0．983,与二次和Huber损失函数相比其MAPE值只有2．3％。用计算机模拟仿真单批次预测显,当时间参量t→＋∞,“千车故障数”将收敛于定值74．0601,这和实际相当吻合,表明所建预测模型的有效性。文章最后还和传统神经网络模型作了比较,说明新型SVM机比神经网络处理小样本能力更强。     

基于支持向量回归的单步多分类算法

分析了利用支持向量回归求解多分类问题的思想,提出了一种基于局部密度比权重设置模型的加权最小二乘支持向量回归模型来单步求解多分类问题：该方法先分别对类样本中每类样本利用局部密度比权重设置模型求出每个样本的权重隶属因子,然后运用加权最小二乘支持向量回归算法对所有样本进行训练,获得回归分类器。为验证算法的有效性,对UCI三个标准数据集以及一个随机生成的数据集进行实验,对比了多种单步求解多分类问题的算法,结果表明,提出的模型分类精度高,具有良好的鲁棒性和泛化性能。     

基于SVM的精确数-区间数回归模型建模方法

分析了现有的精确数输入和区间数输出回归算法存在的问题，提出了基于支持向量机的区间数回归建模算法,该算法把支持向量机从精确数回归分析方法推广到区间数回归分析建模方法，在小样本训练集下回归模型具有良好的泛化性能，有效地避免了现有算法中回归模型的下界可能大于上界的问题．以连续退火生产过程中冷却段出口带钢温度预测为例，通过仿真说明了该算法的有效性．     

Adaptive simplification of solution for support vector machine

SVM has been receiving increasing interest in areas ranging from its original application in pattern recognition to other applications such as regression estimation due to its remarkable generalization performance. Unfortunately, SVM is currently considerably slower in test phase caused by number of the support vectors, which has been a serious limitation for some applications. To overcome this problem, we proposed an adaptive algorithm named feature vectors selection (FVS) to select the feature vectors from the support vector solutions, which is based on the vector correlation principle and greedy algorithm. Through the adaptive algorithm, the sparsity of solution is improved and the time cost in testing is reduced. To select the number of the feature vectors adaptively by the requirements, the generalization and complexity trade-off can be directly controlled. The computer simulations on regression estimation and pattern recognition show that FVS is a promising algorithm to simplify the solution for support vector machine.     

支持向量回归-吸光光度法同时测定溶液中的Pb,Cd,Zn

铅锌的湿法冶金实时监控需要同时快速测定溶液中的铅，镉，锌，因三者产生的吸收光谱严重重叠，故支持向量回归算法（support vector regression，简称SVR）作多变量标定，配合吸光光度法同时测定溶液中的Pb^2 ,Cd^2 ,Zn^2 ，并将计算结果与线性回归，人工神经网络的计算结果对比。结果表明SVR算法预报误差最小。这说明支持向量回归是一种多变量校正的有用算法。     

基于数据域描述的模糊支持向量回归

针对支持向量机中由于噪声和孤立点带来的过拟合问题，提出了一种基于支持向量数据域描述的模糊隶属度函数模型，根据样本到特征空间最小包含超球球心的距离来确定其模糊隶属度．将提出的隶属度模型用于模糊支持向量回归中，二维数据集仿真以及工业PTA氧化过程中4-CBA浓度预测的实例表明，提出的模型可以有效减小回归误差，提高支持向量机抗噪声的能力．     

Orthogonal support vector machine for credit scoring

The most commonly used techniques for credit scoring is logistic regression, and more recent research has proposed that the support vector machine is a more effective method. However, both logistic regression and support vector machine suffers from curse of dimension. In this paper, we introduce a new way to address this problem which is defined as orthogonal dimension reduction. We discuss the related properties of this method in detail and test it against other common statistical approaches—principal component analysis and hybridizing logistic regression to better solve and evaluate the data. With experiments on German data set, there is also an interesting phenomenon with respect to the use of support vector machine, which we define as ‘Dimensional interference’, and discuss in general. Based on the results of cross-validation, it can be found that through the use of logistic regression filtering the dummy variables and orthogonal extracting feature, the support vector machine not only reduces complexity and accelerates convergence, but also achieves better performance.     

基于矢量基学习的最小二乘支持向量机建模

为使最小二乘支持向量机的解具有稀疏性,本文提出了一种稀疏解算法-矢量基学习．首先引入基矢量、基矢量集与矢量空间的概念,并分析新样本矢量与矢量空间的夹角,从而推导出该样本是否为基矢量的判断准则．随着新样本的到来,在线判别支持向量,使LS-SVM的支持向量具有稀疏性．提升LS-SVM动态建模的实时性,本文进一步提出用于矢量基学习的增长记忆模式递推公式．仿真分析及水处理厂的应用实例,验证了该方法的可行性和有效性．     

On finite Newton method for support vector regression

In this paper, we propose a Newton iterative method of solution for solving an ε-insensitive support vector regression formulated as an unconstrained optimization problem. The proposed method has the advantage that the solution is obtained by solving a system of linear equations at a finite number of times rather than solving a quadratic optimization problem. For the case of linear or kernel support vector regression, the finite termination of the Newton method has been proved. Experiments were performed on IBM, Google, Citigroup and Sunspot time series. The proposed method converges in at most six iterations. The results are compared with that of the standard, least squares and smooth support vector regression methods and of the exact solutions clearly demonstrate the effectiveness of the proposed method.     

KPCA-LSSVM建模方法及在钢材淬透性中的应用研究

通过等式约束条件修改普通的支持向量机可以得到最小二乘支持向量机，不需要再次求解复杂的二次规划问题,提出了利用核主元分析进行特征提取，在高维特征空间中计算主元，降低样本的维数，然后用最小二乘支持向量机进行建模．仿真结果表明了该方法的有效性和优越性．     

A new kernel-based fuzzy clustering approach: support vector clustering with cell growing

In this paper, the support vector clustering is extended to an adaptive cell growing model which maps data points to a high dimensional feature space through a desired kernel function. This generalized model is called multiple spheres support vector clustering, which essentially identifies dense regions in the original space by finding their corresponding spheres with minimal radius in the feature space. A multisphere clustering algorithm based on adaptive cluster cell growing method is developed, whereby it is possible to obtain the grade of memberships, as well as cluster prototypes in partition. The effectiveness of the proposed algorithm is demonstrated for the problem of arbitrary cluster shapes and for prototype identification in an actual application to a handwritten digit data set.     

基于PCA和SVM的管道腐蚀超声内检测

为了有效地对不同深度的局部腐蚀缺陷超声波信号进行分类识别,根据腐蚀缺陷信号样本数量较少的特点,提出了一种基于主成分分析(PCA)和支持向量机(SVM)的超声波腐蚀缺陷信号识别方法.该方法采用经验模态分解法对腐蚀缺陷信号进行分解,提取各本征模式分量的时域无量纲参数,利用主成分分析消除原始特征集中的冗余信息,降低每一个特征之间的相关性,实现腐蚀缺陷信号特征参数的降维.在PCA进行特征优化后,将支持向量机的多类分类应用于缺陷分类过程中.将腐蚀缺陷原始特征集和经主成分分析优化后的特征集,分别用于支持向量机的训练和测试,且选择不同的核函数构造支持向量机分类器.实验结果表明,基于主成分分析和支持向量机的方法可以有效地对超声波腐蚀缺陷深度信号分类.