基于海量数据分析的人体中药潜在过敏性估计

在医学领域研究中药对人体过敏准确判断问题.由于,中药对人体过敏的影响是一个较为漫长的过程,不同中药对不同人体的过敏性影响也不同.针对中药过敏信息存在各种干扰,关于建立不同类型的过敏数据联系,剔除无关数据干扰,传统建模很难.提出利用自回归支持向量机的人体对中药潜在过敏性估计方法.根据过敏数据主成份分析相关理论,将人体对中药过敏的初始变量进行标准化处理,计算相应的协方差矩阵,删除所有的可能的过敏判断干扰冗余数据,使得到的结果作为大数据分析的样本数据.用自回归模型和支持向量基模型进行融合,建立自回归支持向量基模型,再把过敏样本数据输入到模型中,实现人体中药潜在过敏性估计.实验结果表明,利用改进算法进行人体对中药潜在过敏性分析,能够提高分析的准确性.     

基于大数据分析的2×1000 MW火力发电机组不良数据识别方法研究

为了对2×1000 MW火力发电机组的不良数据进行分析和识别,提出了电机组运行状态预测模型,以超短期电功率为预测对象,从不良数据的角度出发,建立了一个基于支持向量机(SVM)和随机马尔科夫链的数据分析识别模型.首先,基于大系统数据,利用SVM对电机组进行预测,得出误差和特征;然后,基于马尔科夫链原理,建立状态转移概率矩...     

基于大数据分析的风机叶片结冰故障诊断

为了实现风力发电机叶片结冰故障诊断,及时进行风机叶片除冰,消除隐患。提出了基于大数据分析的人工智能算法识别风机叶片结冰的方法。首先,用结冰机理研究和数据探索的方法对风机运行数据进行分析,初步提取了24个特征量;然后,采用遗传算法对24个特征量、滑动窗口宽度和支持向量机参数进行联合优化,并据此建立叶片结冰故障诊断模型。诊断结果表明,用该模型诊断叶片结冰故障的准确率为86.2%,比采用SCADA采集所有数据或初步提取的24个特征量作为模型输入的准确率有大幅度的提高;并且,将该模型用于另一个#2风机时,故障诊断准确率也达到了78.5%,证明了该方法的有效性,并具有较好的泛化能力,为识别风机叶片结冰故障提供了新思路。     

大数据分析

大数据分析是大数据技术的主要应用之一。文章介绍大数据分析的基本方法、类型、步骤、内容和预测分析等。     

大数据挖掘下冲击性负荷特性电网短期负荷预测的探索与实践

抚顺地区冲击性负荷占地区总负荷比重较大,而地区总负荷冲击特性明显时,有可能引起系统频率的连续振荡以及电压摆动,不利于电网安全稳定运行。因此,本文对如何提高地区电网短期负荷预测精确度进行探索和相关的实践,改善冲击性负荷预测和预处理的准确程度,以期望能够合理经济调度、降低生产成本、保障电网安全。     

基于潜在语义模型的SVM入侵检测研究

本文提出了一种基于潜在语义索引（LSI）和支持向量机（SVM）的异常入侵检测方法。选取PARPA′98 BSM数据集作为训练数据和测试数据;通过实验比较和分析表明:基于LSI和SVM方法的入侵检测系统具有较高的检测率和较低的虚警率;且能大大减低计算的复杂性;是一种有效的异常识别和检测方法。     

基于SVR算法的预测研究

首次成功的将最小二乘支持向量机应用于宾馆入住率预测中。首先建立了该预测模型的最小二乘支持向量机模型,其次通过实验验证了该模型的正确性与可用性。     

基于支持向量机的大学生体测成绩预测研究

大学生体测成绩是评价学生体质健康的重要标准,科学有效地对体测成绩进行分析是其他研究的重要基础。提出了一种基于支持向量机的大学生体测成绩预测方法,针对数据集中存在的问题给出了相应的预处理方法,并在两种特征值缩放的基础上进行了实验。实验结果表明,所提方法具有较高的预测准确率和较好的泛化性能,为后续研究提供了科学有效的分析方法。     

基于智能最小二乘支持向量机的大数据分析与预测

大数据分析方法能发现数据中存在的关系和规则,预测事物未来的发展趋势,从而提高决策的科学性。针对传统预测方法精度低、泛化性差的问题,提出基于智能支持向量机的大数据分析与预测方法。设计一种新的支持向量机模型参数选择准则,即模型残差概率密度函数逼近给定的高斯分布,并按照该准则采用混沌收缩粒子群优化算法确定模型参数,从而提高数据分类或回归处理的精度与泛化性。采用选矿生产过程现场数据进行实验,结果验证了该方法的有效性,并表明其精度比LSSVM方法更高。     

基于机器学习理论的软件可靠性预测研究

由于软件可靠性早期预测在测试前就能够使开发和测试的相关人员对软件的可靠性有一定的了解．所以对于软件如何进一步开发、测试和质量的控制都具有十分重要的作用。该文将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型。通过对比仿真实验,证实了此模型同传统模型相比具有预测精度更高、泛化能力更强、对样本数量的依赖程度更低的特点。     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。     

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。     

最优组合模型在证券市场预测中的应用研究

研究证券市场预测中的股票价格预测精度问题,股票价格受到政治、经济、投资者心理等多种因素影响,股票价格波动较大,系统具有非线性复杂变化规律,单一预测模型只能反映股票价格变化时段信息,预测精度比较低。为了提高股票价格预测精度,提出一种组合模型的股票价格预测方法。首先分别采用ARIMA、GM、RBF神经网络对股票价格进行预测,然后通过权重值获得最优组合预测模型进行股票价格预测。结果表明,组合预测模型提高了股票价格预测精度,降低了预测误差,克服了单一预测模型在股票价格预测中的缺陷,为股票价格等非线性系统准确性预测提供了参考依据。     

改进的支持向量机石油期货价格预测模型研究

研究石油期货价格预测精确度问题。石油价格预测随机性很强且受到市场复杂变化条件影响,是曲型非线性问题。针对传统线性关系的价格预测模型对石油的价格预测准确度较低,提出了一种改进的支持向量机石油期货价格预测模型方法,采用石油期货价格序列的一阶差分作为SVM的输出,一阶差分的若干滞后值作为SVM的输入。同时采用一种新的滞后阶数寻优方法,将滞后阶数与其它模型参数一样看待,使用验证集中技术获得所有参数的最佳值。最后实验采集了纽约商品交易市场石油期货价格数据作为实验数据,仿真结果表明,改进的价格预测模型提高了石油价格预测的准确度,是一种有效使用的石油价格预测模型。     

基于熵值法的网络安全态势组合预测模型

研究网络优化入侵检测问题,网络安全态势受网络攻击行为、病毒、自身漏洞、木马等多种因素影响,具有高度的非线性、时变性、突变性等复杂特点,采用传统单一预测方法只能反映部分信息,无法进行准确的预测。为提高网络安全态势预测精度,提出一个熵值学的网络安全态势组合预测模型。首先利用熵值法为单一网络安全态势预测模型分配加权系数,然后根据单一模型的预测结果进行加权运算,得到了网络安全态势的组合预测结果,最后利用具体网络安全态势数据进行仿真测试。仿真结果表明,组合预测模型提高了网络安全态势预测精度,为网络安全态势预测提供了一种新的解决途径。     

基于支持向量机的生物序列分析

支持向量机是一种比较新的机器学习方法,它满足结构风险最小的要求,并且能够适用于高维的特征空间,因此在生物序列分析中得到了广泛地应用。结合基因序列的特点,提出了一种新的核函数--位置权重子序列核函数。这个核函数融合了基因序列中子序列的组成特征和位置信息,能够比较充分地体现序列特征。将这个核函数用于基因剪接位点的识别分析,得到的结果表明,采用了位置权重子序列核函数的支持向量机能够很好的识别剪接位点,与其它方法相比,取得了更高的识别精度。     

区域经济发展潜力预测模型仿真研究

区域经济潜力受到实体过多、经济结构动态变动大的影响,变动比例具有较强的非线性,不同的影响指标间存在信息冗余和信息干扰,导致传统的经济潜力发展预测方法获取的预测结果受到这种突变性的影响,存在局部最优的问题,造成较大的误差.提出一种决策域观念的区域经济发展潜力预测模型.采用传统的支持向量机解决区域经济影响指标的非线性特征,获取原始的经济预测数据,在决策过程中,引入决策域方法构建训练经济相关数据集的决策域,再对决策域进行剪枝处理,把决策域转化为标准决策数据,依据这些标准数据对新的区域经济影响指标进行分类,最终获取完整的区域经济预测数据.实验结果说明,改进模型同其它预测模型相比,具备更高的区域经济预测准确率,能够快速准确的预测出相关区域经济发展的潜力趋势,具有重要的应用价值.     

基于aiNet算法优化SVM模型的惯性器件故障预报

在标准支撑矢量机算法中,其模型结构参数和核函数中的参数一般凭经验通过交叉验证的方法选择确定,缺乏理论基础,影响支撑矢量机的学习效果.针对这种局限性,文中利用人工免疫算法对支撑矢量机的参数进行优化.将待优化参数作为抗体,经过抗体克隆、变异和抑制等操作,找到最优抗体,即对应最优化参数的支撑矢量机模型.然后基于优化后的支撑矢量机利用惯性器件的历史数据,对其进行故障预报.仿真结果显示:该算法的故障预报误差小于标准支撑矢量机的预报误差.证明了免疫aiNet算法优化支撑矢量机模型参数的有效性,及优化模型在惯性器件故障预报中的有效性.     

基于粒子群优化支持向量机的石油需求预测

在能源问题的研究中,石油需求的准确预测对于我国经济管理部门制定石油生产与进口计划、安排相关行业生产计划以及调整产业结构具有非常重要意义。为了实现石油需求准确预测,采用实时准确算法,提出基于粒子群优化支持向量机(PSO-SVM)的石油需求预测方法,PSO-SVM中采用粒子群优化算法优化SVM参数,以获得较优的SVM预测模型。并以我国1990~2007年石油需求数据进行测试与分析,计算实验结果表明,在石油需求预测中,PSO-SVM比BP有着更高的预测精度,为实际需求提供依据。