基于迁移学习灰支持向量回归机的交互式进化计算

针对机器感知评价和种群进化,提出基于迁移学习灰支持向量回归机的个体适应值预测方法和聚类进化策略.通过共享用户已评价个体适应值学习模型与部分未评价个体适应值学习模型,实现知识模型差异最小化.建立具有迁移学习能力的灰支持向量回归机模型,预测未评价个体适应值.基于聚类子集计算个体平均距离,并设计选择算子和交叉算子,扩大子代搜...     

基于适应值模糊灰模型的交互式进化计算

针对交互式进化计算过程的评价不确定性问题,对个体适应值预测方法进行了研究。对于个体精确数适应值类型,提出基于模糊灰模型FGM(1,1)预测模糊适应值的方法,降低噪声对适应值的影响。首先,确定了用户满意度与适应值噪声强度的函数关系,构建了噪声强度衡量指标;然后,建立模糊适应值支集宽度约束下的最小噪声强度线性规划,求取模糊适应值预测参数;最后,通过模糊灰模型时间响应序列输出模糊适应值。采用NSGA-II范式实现进化计算,并设计了新的个体序值比较方法和拥挤测度计算公式。将所提方法应用于烤漆门外观选型问题, 并与已有典型方法比较。结果表明, 所提方法在推荐个体质量、减轻用户疲劳、提高搜索效率等方面均有优越性。     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

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。     

基于支持向量机回归模型的海量数据预测

预测是很多行业都需要的一项方法和技术,随着数据积累的越来越多,基于海量数据的预测越来越重要,在介绍支持向量机基本原理和实现算法的基础上,给出了航空服务成本预测模型,最后对预测结果的评价和选取情况进行了分析。     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

基于个体适应值灰模型的交互式遗传算法

为将交互式遗传算法应用于复杂的优化问题中,提出一种基于进化个体适应值灰模型预测的交互式遗传算法,为每代适应值序列建立灰模型,以衡量个体适应值评价的不确定性,通过对灰模型的灰预测,提取进化个体评价的可信度,在此基础上,给出进化个体适应值修正公式,将该算法应用于服装进化设计系统中。实验结果表明,该算法在每代都能获取更多的满意解。     

基于支持向量机的网络流量建模及预测

流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。该文结合网络流量的时间序列特性,提出一种基于支持向量机的网络流量预测算法,并针对由于支持向量机采用先验知识选择参数会导致不同数据对先验知识适应程度不同,给出了一个动态调整优化参数策略。实验仿真结果表明,该算法具有很好的预测精度和适用性。     

基于支持向量回归的唇动参数预测

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

用于回归的临近支持向量机

将临近支持向量分类杌应用在回归问题上,提出临近支持向量回归机,给出线性与非线性情况下的回归函数,该方法比支持向量回归机(svR)问题减少了参数和一半变量,比最小二乘支持向量回归机(LSSVMR)求解公式更加简单,且核函数不需要满足Mercer条件.数值实验结果表明,与SVR和LSSVMR相比,该方法的学习速度更快,且泛化能力较之不相上下.     

基于进化个体适应值灰度的自适应交互式遗传算法

为将交互式遗传算法成功应用于复杂优化问题,有必要提高交互式遗传算法的性能。提出基于进化个体适应值灰度的交互式遗传算法,该算法采用灰度衡量进化个体的适应值评价不确定性;通过适应值区间的分析,提取反映进化种群分布的信息;基于此,给出了进化个体的交叉和变异概率。将该算法应用于服装进化设计系统,结果表明该算法在每代可以获取更多的满意解。     

Covariance matrix forecasting using support vector regression

Applied Intelligence - Support vector regression is a promising method for time-series prediction, as it has good generalisability and an overall stable behaviour. Recent studies have shown that it...     

Judgmental forecasting with interactive forecasting support systems

With an increasing use of DSS/EIS, managers are often required to process information coming from a variety of sources in making a final decision. However, we have little understanding of the efficiency with which people select and use the multiple pieces of information. This issue was examined under various conditions using a DSS in a forecasting task where multiple items of information were displayed on request in an interactive manner. Results indicate that overall people underacquired information. Moreover, people often selected less-reliable information. This sub-optimal behaviour did not diminish over time (it became worse). But an aggregation DSS was helpful at the task. This suggests that people seemed to have a problem in aggregating multiple pieces of information. It was also found that the independent preparation of an initial forecast improved forecast accuracy significantly. Perhaps, forecasters may prepare the initial forecast independently and use decision aids for the subsequent tasks of the forecasting process.     

基于灰色支持向量机的基金波动率预测研究*

鉴于灰色预测方法和支持向量机各自的优点,将灰色预测方法与支持向量机相结合,建立灰色支持向量机模型,并以极差替代收益的标准差度量波动率,运用新模型对深圳基金波动率进行实例分析。通过与v支持向量机的预测结果对比,发现所提出的模型适合于基金波动率的中短期预测。     

交互式进化计算研究进展

针对交互式进化计算的研究进展进行综述.首先对其求解模式及特点进行描述;然后对其理论、应用与改进研究进行系统分析,并深入讨论了交互式进化计算中的不确定性;最后指出了今后需要进一步研究的问题.     

Efficient computation and model selection for the support vector regression

In this letter, we derive an algorithm that computes the entire solution path of the support vector regression (SVR). We also propose an unbiased estimate for the degrees of freedom of the SVR model, which allows convenient selection of the regularization parameter.     

A multiple-kernel support vector regression approach for stock market price forecasting

Support vector regression has been applied to stock market forecasting problems. However, it is usually needed to tune manually the hyperparameters of the kernel functions. Multiple-kernel learning was developed to deal with this problem, by which the kernel matrix weights and Lagrange multipliers can be simultaneously derived through semidefinite programming. However, the amount of time and space required is very demanding. We develop a two-stage multiple-kernel learning algorithm by incorporating sequential minimal optimization and the gradient projection method. By this algorithm, advantages from different hyperparameter settings can be combined and overall system performance can be improved. Besides, the user need not specify the hyperparameter settings in advance, and trial-and-error for determining appropriate hyperparameter settings can then be avoided. Experimental results, obtained by running on datasets taken from Taiwan Capitalization Weighted Stock Index, show that our method performs better than other methods.     

分层交互式进化计算及其应用

针对目前交互式进化计算存在的局部搜索能力不强、效宰低下等问题，将分层的思想引入交互式进化计算，提出了分层交互式进化计算．给出了算法实施的关键问题，分析了算法的效宰．将其应用于服装设计，通过算例验证了算法的有效性．     

Global and decomposition evolutionary support vector machine approaches for time series forecasting

Multi-step ahead time series forecasting (TSF) is a key tool for supporting tactical decisions (e.g., planning resources). Recently, the support vector machine (SVM) emerged as a natural solution for TSF due to its nonlinear learning capabilities. This paper presents two novel evolutionary SVM (ESVM) methods for multi-step TSF. Both methods are based on an estimation distribution algorithm search engine that automatically performs a simultaneous variable (number of inputs) and model (hyperparameters) selection. The global ESVM (GESVM) uses all past patterns to fit the SVM, while the decomposition ESVM (DESVM) separates the series into trended and stationary effects, using a distinct ESVM to forecast each effect and then summing both predictions into a single response. Several experiments were held, using six time series. The proposed approaches were analyzed under two criteria and compared against a recent evolutionary artificial neural network (EANN) and two classical forecasting methods, Holt–Winters and autoregressive integrated moving average. Overall, the DESVM and GESVM obtained competitive and high-quality results. Furthermore, both ESVM approaches consume much less computational effort when compared with EANN.