支持向量机在耕地面积预测中的应用研究

研究耕地面积准确预报问题,粮食产量稳定性受到耕地面积变化的影响.耕地面积是一种高度不稳定、复杂且难以预测,传统预测方法都是根据线性模型,忽略了耕地面积的非线性特征,导致预测精度不高.为了提高耕地面积预测的精度,提出一种基于支持向量机的耕地面积预测模型.利用相关分析和灰色关联分析对影响耕地面积变化的因子进行筛选,做为支持向量机的输入,耕地面积数量作为输出,可通过粒子群法对支持向量机的参数进行寻优,最后建立最优的耕地面积预测模型,对江苏无锡市耕地面积进行仿真.仿真结果表明,支持向量机模型比神经网络和其它预测模型有较高的预测精度,适用于耕地面积预测等非线性问题,为耕地面积预测提供了依据.     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

SVM在非线性网络流量预测中的应用研究

网络流量是一种高度自相关、非线性时间序列数据,传统预测方法都是基于线性模型,无法反映网络流量的非线性变化规很,导致预测精度不高.为了提高网络流量的预测精度,在分析网络流量特征的基础上,提出一种基于相空间重构的支持向量机网络流量预测模型.首先利用相空间重构对网络流量原始数据进行重构,捕捉原始数据的多样性,然后将重构的数据...     

支持向量机应用于大气污染物时间序列预测

阐述了支持向量机应用于大气污染物时间序列预测的具体方法,建立了大气污染物时间序列的支持向量机预测模型.该方法将支持向量杌应用于大气污染物浓度预测:首先通过选择合适的信息量准则来确定模型阶数:而后通过实验的方法选择参数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支持向量机的时间序列大气污染预测模型.实例表明,无论是在仿真过程还是在预测过程,支持向量机都具有很高的预测精度.因此.采用支持向量机方法对大气污染物时间序列进行预测分析是可行的.     

基于后效时间长度的股票价格预测

研究股票价格准确预测问题,针对股票走势预测受政治经济变化等多种因素的影响,具有较强的时变性和非线性特性。传统方法多为线性系统的预测方法,不能有效提高预测精度。为准确确定股票走势后效的时间长度,提高预测精度,根据地统计学与支持向量机提出了一种新的股票价格预测方法。先对数据进行平稳化处理并以地统计学分析股票价格数据的结构性,确定后效时间长度,根据后效时间长度确定各样本的拓阶次数,并对数据进行主成分分析,消除各描述特征携带的噪音。最后采用非线性支持向量机对得到的主成分构建模型并预测。以深发展A股与上证A股两个数据集进行仿真,预测精度均明显高于参比模型。仿真结果表明,新方法能准确预测股价走势,且稳定性好,为股价预测领域提供了有效的手段。     

SVM技术在网络GPC算法中的应用研究

针对传统的广义预测控制（GPC）算法必须有精确的数学模型,计算量很大,不适合实时性要求高的系统。网络控制系统在复杂的工业控制领域应用中,受网络时延的影响,导致了控制系统性能的下降甚至不稳定,给控制系统的分析和设计带来诸多问题。该文采用基于支持向量机的广义预测控制方法,将支持向量机作为预测模型,对控制对象模型进行预测,再加之广义预测控制算法和队列机制提出不基于对象模型且实时性高的广义预测控制快速算法,并且设计了支持向量机非线性建模和非线性广义预测控制队列机制算法,并相应做出了仿真。最后的仿真结果表明基于广义预测控制算法的网络控制系统具有良好的控制效果和稳定性。     

基于SVM和Kalman预测的非线性系统故障预报

针对Kalman预测在非线性系统故障预报中预测误差较大的问题.提出一种基于支持向量机预测新息的Kalman预测方法.根据未知非线性系统的典型变量分析子空间模型进行Kalman预测.采用支持向量机时间序列预测算法预测未来时刻的新息,利用新息进行Kalman单步和多步预报.在连续搅拌反应器上的仿真研究表明:所提出方法能准确地预测较长时间段内故障过程的劣化趋势,预知可能发生的故障,使操作人员有时间采取必要措施消除故障隐患.     

模糊神经网络与SARIMA结合的时间序列预测模型

模糊神经网络和SARIMA模型分别对非线性和线性时间序列有很好的预测能力,但在实际应用中大多数序列并非稳定、单纯线性或非线性的.为了提高预测精度,提出了一种基于T-S模糊神经网络与SARIMA结合的时间序列预测模型.针对悉尼航班乘客收入数据给出了三种混合模型,并与模糊神经网络、支持向量机、SARIMA和BP神经网络四种单独模型进行比较.实验结果表明,从预测精度和参数选择方面来看,所给模型是有效的.     

基于LS-SVM预报的动态矩阵预测控制

针对实际工业过程中的非线性及时变特性,传统预测控制算法就难于建立精确的数学模型,从而提出了一种基于最小二乘支持向量机预报的动态矩阵预测控制模型.在整个过程中,首先建立基于最小二乘支持向量机的非线性动态矩阵预测控制结构,通过利用最小二乘支持向量机辨识被控对象模型,同时预测对象的未来输出,然后用动态矩阵控制算法进行滚动优化和反馈校正.仿真实例表明该模型对预测结果有很好的控制作用,有效消除输入干扰的影响,从而提高了预测精度.