新的稀疏支持向量回归机算法及实验研究

支持向量回归机是一种解决回归问题的重要方法,其预测速度与支持向量的稀疏性成正比。为了改进支持向量回归机的稀疏性,提出了一种直接稀疏支持向量回归算法DSKR（Direct Sparse Kernel Support Vector Regression）,用于构造稀疏性支持向量回归机。DSKR算法对ε-SVR（ε-Support Vector Regression）增加一个非凸约束,通过迭代优化的方式,得到稀疏性好的支持向量回归机。在人工数据集和真实世界数据集上研究DSKR算法的性能,实验结果表明,DSKR算法可以通过调控支持向量的数目,提高支持向量回归机的稀疏性,且具有较好的鲁棒性。     

非线性支持向量回归在航空发动机性能参数预测中的应用

基于飞参数据的航空发动机的状态监控,是当前航空领域应用研究的热点之一。介绍了支持向量机回归理论,并用支持向量回归机和飞参数据对航空发动机特征参数（转差率S）进行了预测。计算结果表明,支持向量机回归方法具有很好的学习能力和预测能力。     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

鲁棒双子支持向量回归

针对传统支持向量回归机缺乏鲁棒性而鲁棒支持向量回归机稀疏性不理想,提出了新的支持向量回归方法（鲁棒双子支持向量回归）。为了求解的方便,该方法的损失函数由两个可微的凸函数构成,并且采用CCCP技术对其进行求解。该方法在获得良好稀疏性的同时有效地抑制了过失误差的影响。通过人工数据和现实真实数据对该方法的测试,验证了新方法的有效性。     

基于支持向量机协同训练的半监督回归

将支持向量机与半监督学习理论相结合,提出基于支持向量机协同训练的半监督回归模型,使用两个支持向量机回归模型相互影响,协同训练。利用实验数据集进行实验,并与监督支持向量机回归模型、半监督自训练支持向量机回归模型作比较。实验结果表明,基于支持向量机协同训练的半监督回归模型在缺少标记样本的情况下,提高了回归估计的精度。     

支持向量机在GDP回归预测中的应用研究

支持向量机是一种新的回归方法,介绍了基于支持向量机的回归建模技术,并应用于GDP的回归预测。GDP属性子集的特点是训练数据量比较少、含有稀疏数据。在转换、添加、下钻GDP相关属性的情况下对支持向量机的参数进行实验分析。实验结果显示支持向量机能很好的处理属性集的变化并得到很好的预测效果。     

Lagrange支持向量回归机算法研究

支持向量回归机问题的研究远没有像支持向量机问题成熟完善,支持向量回归机对函数拟合(回归逼近)具有重要的理论和应用意义.借鉴分类问题的有效算法,将其推广到回归问题中来,针对Lagrange支持向量机(LSVM)算法,提出了有效的Lagrange支持向量回归机(LSVR)算法,在若干不同维数的数据集上,对LSVR算法、ASVR算法和LibSVM算法进行数值试验,并进行比较分析.数值试验表明LSVR算法是有效的,与当前流行的求解支持向量回归机的算法相比,在时间和正确度上都有一定的优势.     

基于支持向量机的时态数据预测方法

支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型（BP神经网络）进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。     

新型鲁棒孪生支持向量回归机

回归问题是模式识别与机器学习领域的基本问题之一,孪生支持向量回归机（TSVR）是在支持向量回归机（SVR）基础上发展而来的一种处理回归问题的新算法,它在处理无噪声数据时表现出较好的性能,但在处理有噪声数据时往往性能不佳。为了降低噪声对孪生支持向量回归机性能的影响,结合ε-不敏感损失函数与Huber损失函数构造了混合Hε损失函数,该损失函数可以有效地适应于不同分布类型的噪声;然后基于混合Hε损失函数和结构风险最小化（SRM）原则提出了一种鲁棒的孪生支持向量回归机（Hε-TSVR）,并在原始空间中利用牛顿迭代法求解模型。分别在有噪声和无噪声的人工数据集、UCI数据集上进行实验,与支持向量回归机和孪生支持向量回归机等算法比较,实验结果验证了所提算法的有效性。     

支持向量机在钻井工程数据拟合中的应用

支持向量机(SVM)是近年来发展起来的一种通用的机器学习方法,在小样本数据的拟合中已获得了很好的效果。对于常见的支持向量回归机方法:ε-支持向量回归机和最小二乘支持向量回归机进行了归纳总结,并给出了一具体应用案例。     

支持向量机在混沌系统预测中的应用

提出用支持向量机回归方法解决混沌系统预测问题。阐述了支持向量机回归算法,对四阶混沌时间序列进行预测,在此基础上结合城市交通的混沌性,对珠海市迎宾大道的交通流量进行预测。仿真实验表明,支持向量机泛化能力好、学习速度快,对混沌时间序列具有很好的预测效果,对城市交通流量预测也是切实可行的。     

一种基于支持向量回归和动态特征选择的梨黑星病预测方法

当前作物病害预测方法存在时效性差、预测结果拟合度较低的问题.提出一种基于回归的预测方法框架,用SVM对数据向量特征进行约简,它可以重复选择密切相连的特征和构建可动态优化自身参数.用本方法对黄河故道览地区砀山酥梨黑星病为例进行预测测试,与现有方法以及实测数据进行相关性统计分析.结果表明在对酥梨的黑星病预测上提出的方法,在拟合度、推理效率和准确率上具有显著的优势.     

基于PSO优化的SVM预测应用研究*

支持向量机参数对支持向量机的性能有着重要影响,参数选择问题是支持向量机的重要研究内容。针对此问题,提出一种基于粒子群优化算法的支持向量机参数选择方法。实验结果表明,经粒子群优化算法优化的支持向量机回归模型具有较高的预测精度,粒子群优化算法是选取支持向量机参数的有效方法。     

一种基于支持向量机的模糊施肥预测方法研究

提出了一种利用支持向量机(SVM)学习算法提取模糊规则进而实现施肥预测的方法.对于农业施肥中常用的正交实验法,由于其数据均衡分散使得曲线拟合的回归预测方法效果不佳.提出了一种利用SVM学习样本数据,再利用隶属度来提取模糊规则,通过阈值和可信度来控制规则的激活和准确性的预测方法,这一方法不仅避免了回归预测所产生的误差,并且模糊规则更具有实际意义,从而大大提高了知识获取的能力.     

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.     

A study of SVM using a combination of the online learning method and the midpoint-validation method

The support vector machine (SVM) is known as one of the most influential and powerful tools for solving classification and regression problems, but the original SVM does not have an online learning technique. Therefore, many researchers have introduced online learning techniques to the SVM. In a previous article, we proposed an unsupervised online learning method using the technique of the self-organized map for the SVM. In another article, we proposed the midpoint validation method for an improved SVM. We test the performance of the SVM using a combination of the two techniques in this article. In addition, we compare its performance with the original hard-margin SVM, the soft-margin SVM, and the k-NN method, and also experiment with our proposed method on surface electromyogram recognition problems with changes in the position of the electrode. These experiments showed that our proposed method gave a better performance than the other SVMs and corresponded to the changing data.     

基于最小二乘支持向量机的航煤干点软测量应用研究

传统支持向量机是近几年发展起来的一种基于统计学习理论的学习机器,在非线性函数回归估计方面有许多应用。最小二乘支持向量机用等式约束代替传统支持向量机方法中的不等式约束,利用求解一组线性方程得出对象模型,避免了求解二次规划问题。本文采用最小二乘支持向量机解决了航空煤油干点的在线估计问题,结果表明,最小二乘支持向量机学习速度快、精度高,是一种软测量建模的有效方法。在相同样本条件下,比RBF网络具有较好的模型逼近性和泛化性能,比传统支持向量机可节省大量的计算时间。     

支持向量机在人口预测中的应用

支持向量机是一种新型的机器学习方法,该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,在小样本的机器学习中显示出了优异的性能。将这种新的统计学习方法应用到非线性时间序列预测,并将结果与BP神经网络预测的结果进行比较,结果表明该方法有更高的预测精度。     

Forecasting of the daily meteorological pollution using wavelets and support vector machine

The paper presents the method of daily air pollution forecasting by using support vector machine (SVM) and wavelet decomposition. Based on the observed data of NO₂, CO, SO₂ and dust, for the past years and actual meteorological parameters, like wind, temperature, humidity and pressure, we propose the forecasting approach, applying the neural network of SVM type, working in the regression mode. To obtain the acceptable accuracy of forecast we decompose the measured time series data into wavelet representation and predict the wavelet coefficients. On the basis of these predicted values the final forecasting is prepared. The paper presents the results of numerical experiments on the basis of the measurements made by the meteorological stations, situated in the northern region of Poland.     

Demand forecasting of perishable farm products using support vector machine

This article presents a new algorithm for forecasting demand for perishable farm products, based on the support vector machine (SVM) method. Since SVMs have greater generalisation performance and guarantee global minima for given training data, it is believed that support vector regression will perform well for forecasting demand for perishable farm products. In order to improve forecasting precision (FP), this article quantifies the factors affecting the sales forecast of perishable farm products based on the fuzzy theory, which is suitable for real situations. Numerical experiments show that forecasting systems with SVMs and fuzzy theory outperform the radial basis function neural network, based on the criteria of day absolute error, relative mean error and FP. Since there is no structured way to choose the free parameters of SVMs, the variational range of free parameters and the effects of the parameters on prediction performance are discussed in this article. Analysis of experimental results proves that it is advantageous to apply SVMs forecasting system in perishable farm products demand forecasting.