应用双支持向量回归机的风速预测模型

风速对风电场功率输出起着十分重要的作用,但由于风速具有很强的随机性,使得对其预测的精度不高。针对上述问题,以双支持向量回归机为主要工具,结合风电场的实测风速数据建立了风速预测模型;给出了模型的特征以及相关参数的,并与标准支持向量回归机的预测结果进行了比较。实验结果表明:双支持向量回归机在预测精度上优于标准支持向量回归机,为风电场的风速预测提供了参考。     

双支持向量顺序回归机

针对顺序回归问题的深入研究,基于支持向量顺序回归机提出了双支持向量顺序回归机。由于双支持向量顺序回归机所对应的2个优化问题是对称的,则只需求解其中的一个问题,进而得出一个分划超平面。又因其对应的优化问题的规模只是支持向量顺序回归机规模的一半,故其运算速度会快于支持向量顺序回归机。数值实验的结果表明:双支持向量顺序回归机在一些数据分析中具有较高的正确率。     

在线模糊支持向量机回归方法及其应用

针对全局建模方法很难精确描述实际生产过程,提出了一种模糊支持向量机回归建模算法,并推导出相应的增量与减量算法;在此基础上,提出了在线模糊支持向量机回归建模方法,该方法利用滚动时间窗内的数据优化建模,随着时间窗的滚动,在原有模糊支持向量机模型的基础上通过增量与减量算法实现参数的快速在线更新。通过将该方法用于丙烯腈收率的预测建模,结果表明,所提方法具有参数调整时间快、泛化能力强的优点,可以较好的跟踪丙烯腈收率的变化。     

回归型加权支持向量机方法及其应用

针对各样本重要性的差异,提出了给各个样本的惩罚系数和误差要求赋予不同权重的加权支持向量机方法.给出了对偶最优化问题的描述及其SMO训练算法.在近红外光谱汽油辛烷值测定实验中,训练样本的重要性通过测试样本与该样本的空间距离来表征.实验表明采用加权支持向量机方法提高了汽油辛烷值的测量精度,从而说明了该方法可以提高回归估计函数的泛化能力.     

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.     

支持向量机算法的研究及其实现

支持向量机已成为现在数据挖掘中的研究热点。本文系统地研究分析了C-SVM、v-SVM、One-class SVM三种分类算法以及ε-SVR、v-SVR两种回归算法,应用实际数据仿真验证了算法的有效性,且从参数选择、分类精度、均方误差等方面确定了五种算法各自的优缺点及适用范围。     

基于支持向量机回归的去噪方法及其应用

提出了一种基于支持向量机回归的去噪方法.传统的统计学理论的去噪方法由于训练样本数的限制,在实际应用中普遍存在推广能力不足的问题.本文借助支持向量机在小样本情况下良好的推广能力,利用支持向量机回归逼近数据去除噪声.使用该方法对大地电磁测深视电阻率进行了处理.实际资料处理结果表明,基于支持向量机回归的去噪方法,较好地消除了噪声的影响,同时对消除部分测点的地形与局部异常体的影响也有一定的作用.     

基于相空间重构的支持向量回归机在振动数据预测中的应用

支持向量回归机是近年来发展起来的一种通用的机器学习方法,后来被广泛应用于预测领域。在对模型进行训练时,输入特征在很大程度上影响了预测的精度。所以对于特征的选择一直是人们所关注的问题。提出了一种基于相空间重构的支持向量回归机方法。该方法首先对时间序列进行相空间重构,然后利用重构的相空间中的相点作为特征输入,对模型进行训练。经实验验证,该方法能够根据时间序列内在规律,自适应的构造输入特征,提高预测结果的精度。     

基于加权系数寻优的支持向量回归算法的研究及应用

研究了加权支持向量回归(WSVR)算法中权系数的优化方法,并通过股市预测数据进行了对比分析.结果显示,通过对权系数进行寻优后,预测效果有较大改善.     

在线Lagrangian支撑向量回归

为快速求解在线支撑向量回归算法,给出了一种基于Lagrangian支撑向量回归(LSVR)的在线增量学习算法.LSVR得到的无约束最优化问题可以采用快速迭代算法求解,该迭代算法可以从任何初始点收敛.LSVR求解时,在迭代开始只需要对阶数为输入样本数加一的矩阵求逆.在线增量LSVR学习算法在线性情况下采用S-M-W公式可以明显减少运算时间,在非线性情况下矩阵求逆充分利用了历史学习结果,减少了很多重复计算.通过在多个数据集上进行对比,实验结果表明:该算法与以前算法相比不仅保持了较好的精度,同时训练时间大大减少.     

自适应加权最小二乘支持向量机回归及应用

针对软测量建模样本中数据难以避免存在粗差、以及粗差数据对模型性能的影响,提出了一种自适应加权最小二乘支持向量机(AWLS-SVM)回归建模方法。AWLS-SVM基于建模样本数据,根据最小二乘支持向量机回归模型的拟合残差确定各样本的残差权值,根据样本的空间分布确定杠杆权值,进而通过迭代运算,自适应确定各建模样本的权值,在有效减小粗差点对模型性能影响的同时,保留了其所提供的有效信息。仿真实验表明,AWLS-SVM能有效克服粗差样本数据的影响,其模型的预测性能明显优于LS-SVM和径向基函数网络。最后,应用AWLS-SVM建立粗对苯二甲酸中4-CBA含量软测量模型,获得满意结果。     

模型树和支持向量回归在高光谱遥感中的应用

利用连续植被辐射传输模型（SAIL模型）模拟生成小麦冠层反射率数据，比较了数据挖掘中的新方法模型树、支持向量回归与传统的逐步回归用于高光谱数据定量预测的效果．结果表明：支持向量回归和模型树的预测精度都要远远高于逐步回归，在训练样本数量减少时，它们的优势更加明显；支持向量回归在高维空间中有很好的泛化能力，其预测精度随维数的增加呈持续上升的趋势；模型树的预测精度在低维条件下和支持向量回归相仿，但在高维条件下则比支持向量回归差很多，通过逐步回归的特征选择预处理，可以提高模型树的预测精度，缩小其与支持向量回归之间的差距．     

二尺度最小二乘小波支持向量回归

基于小波多尺度理论和最小二乘支持向量机的优越性能,提出了多尺度最小二乘小波支持向量回归,弥补了普通最小二乘小波支持向量回归在单尺度小波空间上对函数进行逼近的不足,使用多尺度上的小波线性组合来逼近L^2（R^d）空间上的任意函数,真正意义上实现了小波分解和最小二乘支持向量机的最佳结合,更有效地继承了小波多尺度学习算法和最小二乘支持向量机的优点,既能达到有效精度而且还计算简便。本文以两尺度为例,通过仿真实验说明了所提算法的有效性。     

支持向量机的快速分类算法

支持向量机（SVM）算法在训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,算法的速度较慢。为此,笔者提出一种新的SVM快速分类算法。该算法通过选择边界向量,构造新的训练样本,减少了参与训练的样本数目。实验证明,该算法不仅能保证原算法的精度,具有良好的推广能力,而且提高了算法的速度。     

基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更高的应用价值。     

支持向量机算法在电厂中的应用

支持向量机(SVM)是基于结构风险最小化原理的机器学习技术,在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,适用于函数预测、模式识别和数据分类领域.该算法在火电厂运行优化、清洁生产、故障诊断等方面均有应用,参数预测精度能够满足工程应用,为火电厂的节能优化和故障诊断提供一个新的研究方向.     

支持向量机回归预测在网络故障检测中的应用

无线传感器网络主要用于收集环境数据,然而传感器可靠性低,容易出现故障并返回异常的监测数据.因此,如何检测传感器故障成为关乎无线传感器网络监测性能的重要问题.提出了基于支持向量机回归预测的故障检测算法,通过充分利用历史数据预测传感器的测量值,并根据测量值与实际值的对比有效地划分信誉等级,最后基于置信数据集计算出的置信条件进行故障的检测.仿真结果证明了算法在节约能量和故障检测率上有着优异的表现.     

基于支持向量回归的音频水印提取方法

提出一种新的、基于支持向量回归(SVR)的音频水印提取方法.在该方法中,利用子采样技术将原始音频信号划分为四个子音频信号.这些子音频对应的DCT系数间具有高的相关性,将这种相关性视为一种回归问题.在水印提取过程中,利用支持向量回归来学习这种相关性,并使用训练好的SVR完成水印的提取.实验结果表明该方法对比其它几种方法有良好的性能和更好的鲁棒性.     

函数学习的小波再生核支持向量回归模型

受小波理论与再生核Hilbert空间理论的启发,提出了一种新的小波再生核。该小波再生核由不同分辨率的小波基函数生成,并且是一种容许的支持向量核。应用该小波再生核,构造了用于函数学习的最小二乘支持向量回归模型。这种回归模型融合了支持向量机与小波的优点。仿真例子说明了该方法的可行性与有效性。