基于支持向量回归学习机的网络流量预测

对最小二乘支持向量机的回归算法做了改进,并将其应用到网络流量预测中,在linux下编写网络抓包程序,统计出一个网段节点的流量,与文中算法所得到的预测结果进行对比,实验结果表明,将最小二乘支持向量机用于网络流量的预测,可以取得令人满意的效果.     

小波消噪和优化支持向量机的网络流量预测

为了提高对网络流量的预测精度,提出了一种小波消噪和改进黏菌算法优化支持向量机的网络流量预测模型。 首先应用小波消噪对网络流量进行消噪处理,采用支持向量机作为预测模型。 由于支持向量机预测结果受模型参数影响较大,采用带有随机惯性权重机制的改进黏菌算法来优化支持向量机模型中惩罚因子以及核函数参数。 对所提模型使用最佳参数进行仿真实验,并利用实际采集的网络流量数据进行验证。 实验结果表明,所提模型在评估指标上均优于对比模型。     

基于支持向量机的在线拍卖成交价格预测方法

针对现有在线拍卖成交价格预测方法计算时间长的问题,依据淘宝网在线拍卖出价特点,建立了一种全新的在线拍卖成交价格预测方法.方法以支持向量机分类算法为基础,通过预测出价次数间接对成交价格进行预测.利用编写程序收集淘宝网在线拍卖交易数据3 310条,对应有效出价记录8 275条,以之作为实验数据.实验证明,预测结果明显优于平均值预测,并有22.1%的预测结果完全准确.由于训练时间仅为数秒,为建立实时在线拍卖成交价格预测决策支持系统奠定了基础.     

基于支持向量机的一般建筑震害预测方法研究

对城市中现有数量巨大的一般建筑的抗震能力进行评价,必须采用简便、实用的建筑物群体震害预测方法,才能在有限的时间内完成城市建筑物的震害预测工作.为此本文提出了基于支持向量机的建筑物群体震害预测方法,详细说明了基于支持向量机进行建筑物震害预测的步骤和方法.同时,本文利用建立的基于支持向量机的震害预测模型,对3栋现有建筑进行了震害预测,并将预测结果与单体震害预测结果进行了对比.研究结果表明,基于支持向量机的建筑物震害预测方法是一种可以用于建筑物群体震害预测的良好方法.     

基于小波降噪与支持向量机的岩性预测方法

随着机器学习和人工智能技术的发展,复杂地层岩性的自动估计已成为石油工程中最关键的要求之一。通过对正安两口水平井测井数据进行小波降噪处理,提升数据信噪比。同时利用声学(AC)、补偿中子(CNL)、密度(DEN)、伽马(GR)、光电(PE)、铀含量(U)和钍含量(TH)测井数据作为训练和测试样本,运用支持向量机(SVM)建立岩相识别模型。岩性识别准确度可达95.2%,相较于未采用降噪技术的人工智能模型相比,预测准确度提升近5个百分点。     

改进的单类支持向量机的网络流量检测

单类支持向量机(OCSVM)理论对有限样本、高维空间和不平衡数据集分类有巨大优势,通过使用权重值模拟退火法与动态惯性因子的粒子群算法改进OCSVM的参数选择算法,进行流量分类,使得分类准确率提高了近10%,解决了传统流量分类方法的低准确率和开销大等弊端,对提高网络服务质量、网络管理与控制以及网络安全等领域具有重要意义。     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

军用无人机研制费用的支持向量机预测

应用支持向量机建立了军用无人机研制费用预测模型,并采用该模型对某型军用无人机研制费用进行了预测。实例表明,与常规预测方法的结果相比,在少样本的情况下,建立预测模型具有更高的预测精度。     

一种基于支持向量机的目标定位方法

为了提高声纳在浅水域的性能，提出了一种基于统计学习理论的目标识别器的目标定位方法.该方法选择支持向量机（SVM）作为学习算法的核心.从已知训练样本得到多通道数据的协方差矩阵，将得到的矩阵转化为SVM的输入多维特征向量，并训练SVM而获得权向量.利用此权向量和SVM输出估计，可以得到目标位置信息.理论推导和仿真结果表明，与多重信号分类（MUSIC）算法相比较，该方法具有高的定位精度和快的收敛速度.该方法能有效地对在平面波模型下的目标进行测向，并具有鲁棒性.     

基于RVM的网络流量分类研究

将相关向量机(RVM)分类模型应用于网络流量分类问题中. 首先对实验数据进行了标准化处理, 然后将RVM与其他机器学习算法进行了性能比较, 最后在RVM分类结果预测概率中引入置疑区间概念, 研究了置疑区间范围及其对分类准确性的影响, 并基于此提出了一种新的混合流量分类方法. 实验结果表明: 1) RVM在准确性等3方面性能指标上优于SVM, 且在小样本情况下仍具有较高的分类准确率; 2) 置疑区间[0.1,0.9]内的分类预测准确率较低, 而置疑区间之外的分类预测准确率在98%以上.     

基于支持向量机的短期风电功率预测

风电场风速及风电机功率预测的准确性对电力系统运行有着重要的意义。基于支持向量机理论,结合江西省某风电场的风速和功率历史数据,建立了支持向量机风速预测模型,预测未来4 h的风速和功率。仿真结果表明:该模型预测的风速和功率平均相对误差分别为6.35%,16.83%,要优于BP神经网络的25.37%,25.43%。     

基于支持向量机的地下水位预测

地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将支持向量机方法应用于地下水位预测,并提出相应的模型.实例分析结果表明,与基于GM(1,1)的预测模型相比,地下水位预测的支持向量机模型科学可行,预测精度高,对地下水位预测的问题具有较好的适用性.     

基于支持向量机的网络入侵异常检测

针对入侵检测系统（IDS）这门新兴的安全技术，提出了一种基于支持向量机的网络入侵异常检测模型，以支持向量机（SVM）的二类分类能力对网络入侵进行异常检测，实验结果与ANN方法结果相比较证明：该方法具有较高的准确性，而且可以大大缩短训练与检测时间．     

基于支持向量机的网络入侵异常检测

针对入侵检测系统(IDS)这门新兴的安全技术,提出了一种基于支持向量机的网络入侵异常检测模型,以支持向量机(SVM)的二类分类能力对网络入侵进行异常检测,实验结果与ANN方法结果相比较证明:该方法具有较高的准确性,而且可以大大缩短训练与检测时间.     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

基于支持向量机的人类ncRNA基因预测

提出一种新的基于支持向量机的人类ncRNA基因预测方法。首先从GENCODE数据库和UCSC数据库中提取人的ncRNA和mRNA序列数据,选择单核苷酸、二核苷酸出现频率等86个特征作为原始数据,其次利用离散小波变换去除冗余信息和噪声,最后建立离散小波变换与支持向量机相结合的ncRNA基因预测模型(DWT-SVM)。实验结果表明DWTSVM模型对测试集ncRNA的预测准确率为93.71%,优于PCA-SVM和DWT-KNN两种预测模型的预测结果。     

基于鲁棒最小二乘支持向量机的齿轮磨损预测

为了降低包含噪声的现场齿轮磨损数据对最小二乘支持向量机 (least squares support vector machine, LSSVM) 模型稳健性的影响, 采用迭代鲁棒最小二乘支持向量机 (iteratively robust least squares support vector machine, IRLSSVM) 对齿轮磨损数据进行建模和预报.首先, 增加权函数迭代次数以保证建模过程的鲁棒性;然后, 将具有全局搜索的耦合模拟退火 (coupled simulated annealing, CSA) 与局部优化的单纯形法 (simplex method, SM) 相结合的方法用于优化IRLSSVM模型超参数, 进而采用鲁棒交叉验证作为CSA-SM算法拟合目标函数, 提高IRLSSVM模型超参数优化过程的鲁棒性;最后, 利用K727840ZW变速箱现场齿轮磨损数据进行了数值实验, 结果验证了所提出方法的有效性.     

基于加权支持向量机的入侵检测研究

首先介绍了加权支持向量机算法的基本原理,进而将加权支持向量机用于入侵检测中,通过实验验证入侵检测在小样本的条件下仍然具有较好的推广能力,克服了常规SVM算法不能灵活处理样本的缺陷。实验结果表明,将加权支持向量机用于网络入侵检测中是可行的、高效的。