基于特征提取的中药水提液膜分离预测系统

为了找出中药水提液膜过程中影响膜污染的主要因素和预测膜污染的程度以防止膜污染,提出了应用遗传神经网络提取影响中药水提液膜分离过程的特征因素的方法,并以特征因素为输入向量,使用神经网络、支持向量机等建立预测模型,开发并实现了集成化的综合分析和预测系统.介绍了中药水提液膜分离预测系统的体系结构、主要功能、运行情况及开发的关键技术.实验结果表明,该集成化的综合分析系统较单一分析建模预测精度更高.     

基于遗传算法优化支持向量机的网络流量预测

介绍了支持向量机用于时间序列预测的理论基础和遗传算法优化支持向量机参数的方法,首次把遗传算法优化参数支持向量机应用于两组实际网络流量的预测,并与BP神经网络和RBF神经网络方法进行了比较.结果表明:支持向量机相比较BP神经网络和RBF神经网络对网络流量的预测结果精度更高、性能更好.利用支持向量机预测网络流量是一种可行、有效的方法.     

基于支持向量机的非线性系统模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则．使它较好的解决了小样本情况下的学习问题。又由于其采用了核函数思想．使它把非线性问题转化为线性问题来解决,降低了算法的难度．具有全局最优、良好泛化能力等优越性能．得到广泛的研究。基于上述特性提出了一种基于支持向量机的非线性模型预测控制结构．其中使用遗传算法来求解预测控制律．随后用计算机仿真证明了此控制算法的正确性和有效性。     

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。     

浅海混响时间序列的支持向量机预测

把基于结构风险最小化原则的支持向量机应用到混响时间序列预测中,与径向基函数(RBF)神经网络方法预测结果进行了对比分析。采用海上实验混响数据进行预测,处理结果表明,支持向量机的方法优于RBF神经网络的方法,对混响时间序列有很好的预测效果。     

基于支持向量机的空调控温过程实时预测

分析了空调工作过程中温度控制的重要性与传统方法的不足,将基于统计学习理论的支持向量机方法用于控温过程中,对温度进行实时预测。采用数字实验对所提方法的可行性进行验证,结果表明该方法可以获得比传统方法更高的预测精度,实时性较高,能为空调控温系统提供更好的决策支持,具有较大的发展潜力和实用价值。     

基于支持向量机的高速铁路通信系统信道预测算法

针对高速铁路通信系统,研究快速时变信道预测问题。通过引入支持向量机(SVM)模型,提出一种信道预测算法。通过求解二次优化问题,得到SVM的预测最优超平面,并通过循环迭代实现多步预测。为了进一步提高预测准确度,采用遗传算法(GA)对SVM模型的惩罚系数和高斯核宽度进行优化。仿真结果表明,与传统的自回归(AR)以及单一的SVM预测模型相比,所提出的同时考虑SVM和GA(SVM-GA)的预测模型具有较低的预测误差。此外,当考虑噪声对预测性能影响时,SVM-GA预测模型在归一化均方误差性能方面也优于AR和SVM模型。     

基于支持向量机的股票预测

针对股票预测的特点,选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法(如BP算法)的一些弊端,使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,预测达到了让人满意的效果。     

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。     

基于支持向量机的股票预测

针对股票预测的特点，选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法（如BP算法）的一些弊端，使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果，预测达到了让人满意的效果。     

改进遗传算法和支持向量机的特征选择算法

提出了一种基于改进遗传算法的特征选择算法。该算法以支持向量机分类器的识别率作为特征选择的可分性判据,对传统遗传算法的交叉和选择操作进行了改进,实现了指定数目的特征选择。而且算法在特征选择的过程中,还同时优化了支持向量机分类器的两个参数。实验数据的特征选择实验表明,提出的算法仅以损失2.7%识别率的代价,得到的特征维数却是传统遗传算法的1/5,极大地简化了分类器设计的复杂度。     

小波支持向量回归在瓦斯涌出量预测中的应用

针对瓦斯涌出量的局部性、随机性、模糊性等特点,提出一种新的小波支持向量核构造小波支持向量回归模型,并且运用一种新型的智能遗传算法优选模型参数。实验结果表明,所提出的小波支持向量回归模型预测瓦斯涌出量比标准支持向量回归模型、智能支持向量回归模型预测精度高、速度快。     

基于模糊支持向量机的产品设计时间预测

针对产品设计时间预测中存在的小样本、不确定性数据和异方差噪音等问题,将模糊回归理论与par--SVM相结合,基于Necessity模型构造约束条件,提出了par-F-SVM,并给出了相应的设计活动时间智能预测方法和相关参数的优选算法.最后通过注塑模具设计的实例分析表明了所提出的基于par-F-SVM的时间预测方法是有效、可行的.     

基于改进的自适应支持向量机建模的煤与瓦斯突出预测*

提出一种新的模糊隶属度函数对标准模糊支持向量机进行改进,然后运用自适应遗传算法对改进后的模糊支持向量机进行参数优选,得到一种新的AGAIFSVM模型,并且将提出的模型应用于煤与瓦斯突出预测。实验结果表明,所提出的模型比BP神经网络、标准支持向量机和模糊聚类有更高预测精度和更强的稳定性,具有较大的实用价值。     

基于蚂蚁算法与支持向量机的入侵检测技术

基于统计检测的方法,提出了一种基于遗传蚂蚁算法与支持向量机联合优化的入侵检测技术.本算法在利用遗传蚂蚁算法对数据特征进行提取的同时,对支持向量机参数进行优化,利用遗传算法快速得到局部最优值,然后利用蚂蚁算法的全局搜索特点得到全局最优值,从而可以明显提高入侵检测正确率,缩短检测时间.仿真表明,本算法检测正确率与本文提到的其他方法相比明显提高.     

Feature selection for support vector machine in financial crisis prediction: a case study in China

Abstract: Corporate financial crisis forecasting plays an increasingly important role in the current intense and competitive commercial environment. It is an important phase in financial crisis forecasting to find the features that discriminate different financial conditions. In this paper, a genetic algorithm (GA) based approach and statistical filter approaches are applied to identify the best features for the support vector machine (SVM). The proposed GA‐based approach is carefully designed in order to have the capability of simultaneously optimizing the features and parameters of the SVM. Experimental results on the data from Chinese companies show that the GA‐based approach can extract fewer features with a higher accuracy compared with statistical filter approaches, such as analysis of variance, the T‐W test (which is the t test applied to variables satisfying a normal distribution and the Wilcoxon test applied to other variables not satisfying a normal distribution), logit regression and multiple discriminant analysis. Moreover, the experiments indicate that the proposed GA‐based approach is robust and suitable for selecting features for the SVM.     

粒子群优化支持向量机的入侵检测算法

为了提高网络入侵的检测正确率,针对网络入侵检测中特征选择问题,将二值粒子群优化算法(BPSO)用于网络入侵特征选择,结合支持向量机(SVM)提出了一种基于BPSO-SVM的网络入侵检测算法。该算法将网络入侵检测转化为多分类问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。实验结果表明,BPSO-SVM有效降低了特征维数,显著提高了网络入侵的检测正确率,还大大缩短了检测时间。     

基于CQPSO-LSSVM的网络入侵检测模型

为了提高网络入侵检测率,提出一种协同量子粒子群算法和最小二乘支持向量机的网络入侵检测模型(CQPSO-LSSVM)。将网络特征子集编码成量子粒子位置,入侵检测正确率作为特征子集优劣的评价标准,采用协同量子粒子群算法找到最优特征子集,采用最小二乘支持向量机建立网络入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。结果表明,CQPSO-LSSVM获得了比其他入侵检测模型更高的检测效率和检测率。     

基于离散粒子群和支持向量机的特征基因选择算法

基因芯片表达谱信息,为识别疾病相关基因及对癌症等疾病分型、诊断及病理学研究提供一新途径。在基因表达谱数据中选择特征基因可以提高疾病诊断、分类的准确率,并降低分类器的复杂度。本文研究了基于离散粒子群(binary particle swarm optimization,BPSO)和支持向量机(support vector machine,SVM)封装模式的BPSO-SVM特征基因选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法优化随机产生的特征基因,并用SVM分类结果指导搜索,最后选出最佳适应度的特征基因子集以训练SVM。结果表明,基于BPSO-SVM的特征基因选择方法,的确是一种行之有效的特征基因选择方法。