基于奇异谱分析-灰狼优化-支持向量回归混合模型的黑河正义峡月径流预测

水文预报是水资源优化配置的重要前提,而传统预报方法普遍存在预测精度低的问题,为提高水文预报的准确性,提出了一种混合数据驱动模型用于月径流预测,即奇异谱分析-灰狼优化-支持向量回归(SSA-GWO-SVR)模型。该模型通过SSA对径流数据进行去噪处理来提高径流序列的平稳性和可预测性,采用GWO对SVR模型的参数进行联合选优,从而增强模型的泛化能力。通过黑河正义峡的月径流预测进行模型验证,以平均绝对误差(MAE)、均方根误差(RMSE)、相关系数(R)和纳什效率系数(NSEC)为模型评价标准。实验结果表明该模型的预测精度明显高于自回归积分滑动平均模型(ARIMA)、持续性模型(PM)、交叉验证-SVR(CV-SVR)和GWOSVR模型,并且它能很好地预测径流峰值,说明该模型是一种可靠的径流预测模型,能够更深入地捕获水文径流的内在特性,为基于数据驱动模型的水文预报提供了一种新方法。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于粒子群算法优化支持向量回归的水质预测模型

溶解氧是反映水污染程度的一个重要指标,准确的预测可以高效合理地判断水质环境的状况。由于水质环境的实时变化和复杂性以及收集数据的偏差,在水生系统中获得高效、精确的预测模型是困难的。因此,首先利用主成分分析（PCA）确定影响水质溶解氧的变量数目,降低数据维数,为解决变量间的非线性和非平稳性问题,提出用互信息（MI）选取影响...     

基于时间序列的模糊支持向量回归

在分析了模糊支持向量回归的基础上,给出了一种基于时间序列分析的模糊支持向量回归方法TS-FSVR,并通过粒子群优化方法对模型中的参数进行了优化。并将该方法成功地应用到城市旅游环境承载力的评估系统中,取得了较好的实验结果。     

基于grey Markov--支持向量机的电弧炉终点参数预报

考虑电弧炉终点参数既受定量因素的影响,又受非定量因素的影响.将灰色马尔可夫 (grey Markov)与支持向量机 (SVM)相结合.建立了电弧炉终点参数grey Markov-SVM预报模型,其中grey Markov模型反映非定量因素对电弧炉终点参数预测值的影响,SVM模型反映电弧炉各种定量输入对终点参数预测值的影响.建立grey Markov-SVM模型的方法是:首先建立反映非定量因素的GM (1,1)模型,然后用Markov链修正其预测值:由于grey Markov模型对定量输入的影响无法准确反映,因此grey Mar-kov模型必然存在预测偏差,此预测偏差通过建立反映定量输入与终点参数预测偏差之间关系的SVM模型方法加以补偿,并采用粒子群算法 (PSO)对SVM的参数进行寻优,最终得到电弧炉终点参数的预报值,同时实现滚动预测.仿真实验表明grey Markov-SVM模型与grey-SVM模型、Markov-SVM相比较,具有很高的终点预报精度.     

融合概率分布和单调性的支持向量回归算法

传统支持向量回归是单纯基于样本数据的输入输出值建模,仅使用样本数据信息,未充分利用其他已知信息,模型泛化能力不强.为了进一步提高其性能,提出一种融合概率分布和单调性先验知识的支持向量回归算法.首先将对偶二次规划问题简化为线性规划问题,在求解时,加入与拉格朗日乘子相关的单调性约束条件;通过粒子群算法优化惩罚参数和核参数,优化目标包括四阶矩估计表示的输出样本概率分布特性.实验结果表明,融合这两部分信息的模型,能使预测值较好地满足训练样本隐含的概率分布特性及已知的单调性,既提高了预测精度,又增加了模型的可解释性.     

基于自校正支持向量回归的锌产量在线预报模型及应用

提出了基于自校正支持向量回归的密闭鼓风炉锌产量在线预报模型，以便根据预报结果来调整参数，实现锌产量最大．在该模型中，支持向量回归的数学模型被转换成与支持向量分类一样的格式，然后采用简化的SMO方法训练回归系数向量a-a*和阈值b，并在训练过程中动态调整惩罚系数C．最后，给出锌产量的在线预报算法．仿真结果表明，该预报模型在只有较少的样本数的情况下，在有效误差范围内预报精度能达到90％，且具有很好的实时性．     

支持向量回归机模型结构及性能的研究

总结了目前提出的四类不同结构的支持向量回归机（Support Vector Regression,SVR）模型,并在此基础上提出了三种新的模型结构,通过试验手段对比了几种典型模型的逼近性能,分析了各个模型在应用中存在的优缺点,为实际应用中采用合适的模型提供一种选择方法。     

基于优化支持向量机的人脸表情分类

分析了支持向量机（support vector machine, SVM）目前主要存在的问题和参数选择对分类性能的影响后, 提出了以改进粒子群算法优化SVM关键参数的优化SVM算法。将加入拥挤度因子的微粒群算法引入到SVM中, 在不牺牲泛化性能的前提下, 对其参数进行优化, 增加了SVM初始化参数的多样性, 减慢了局部搜索, 促进其在全局范围内的寻优搜索, 以有效克服SVM算法过分依赖初始值和容易陷入局部极小值的缺点, 并利用由粗到精的策略构造多层SVM人脸表情分类器, 在提高准确率的基础上加快分类的速度。实验证明, 新算法具有速度快、准确率高的优点。     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于改进PSO优化SVR的交通事故预测模型

为了有效预测交通事故,提出一种基于改进粒子群算法优化支持向量回归机的预测模型。改进粒子群算法利用网格搜索对全局最优粒子的邻域进行精细搜索,结合粒子群算法较快的收敛速度和网格搜索较强局部搜索能力的优点,提高了支持向量回归机相关参数的优化精度,进而改善了交通事故预测模型的预测性能。仿真结果表明,基于改进粒子群算法优化支持向量回归机的交通事故预测模型达到了较快的学习速度和较高的预测精度,具有良好的工程应用性。      

GAFSA优化SVR的网络流量预测模型研究

现有的诸多网络流量预测模型存在预测稳定性不好、精度较低等问题。针对此类问题, 研究了一种通过GAFSA(全局人工鱼群算法)优化SVR模型的网络流量预测方法。GAFSA是一种群智能优化算法, 寻优效果显著。采用GAFSA对SVR预测模型进行参数寻优, 可以得到使预测效果最佳的训练参数; 使用这组最优参数训练SVR, 建立网络流量预测模型, 可以很好地改善基于其他智能优化算法改进的SVR网络流量预测模型多次预测结果相差较大的问题, 使预测结果趋于稳定, 同时也可以提高预测精准度。仿真结果表明, GAFSA-SVR网络流量预测模型与其他模型相比, 预测结果基本稳定, 精准度提高到89%以上, 对于指导网络控制行为、分析网络安全态势有重要意义。     

人工蜂群算法优化SVR的预测模型

针对人工蜂群算法存在的易陷入局部最优、收敛速度慢的缺点,引入当前最优食物源和惯性权重函数,对该算法的食物源更新方式进行改进;针对支持向量回归机的参数优化问题,将其转化为组合优化问题,并使用改进的人工蜂群算法进行优化求解,进而得到人工蜂群算法优化SVR的预测模型。以短期交通流量数据为例,将该模型的预测结果与蚁群算法优化的支持向量回归机（ACO-SVR）、粒子群算法优化的支持向量回归机（PSO-SVR）和未改进的蜂群算法优化的支持向量回归机（ABC-SVR）进行对比分析,结果表明该模型的预测效果最优且运行时间最短,具有更好的学习能力和推广能力。     

一种用于片上网络布图规划的改进模拟退火与粒子群混合算法

智能优化算法作为解决大规模集成电路芯片设计中布图规划问题的经典方法已被研究多年。结合异构三维片上网络布图问题的具体特点,采用B*-tree间接描述布图问题中的解结构,针对模拟退火收敛速度慢、优化效率低的缺点,对搜索策略和概率性的劣向转移作出了改进,并将改进后的模拟退火思想引入粒子群优化算法中,使结合后的算法结合了粒子群并行计算的特点和模拟退火能够实现全局优化的特点。通过仿真实验验证,所提出的该混合改进算法在解决布图问题中要优于传统模拟退火算法。     

基于多核混合支持向量机的城市短时交通预测

城市道路交通的不确定性、非线性和时空相关性使得交通系统参数描述和知识获取极为困难,从而使短时交通预测难以获得满意结果。利用多核混合支持向量机识别和处理不同类别输入数据的能力,提出了一种基于多核混合支持向量机的城市短时交通预测方法。该方法在统计分析交通状态数据样本的基础上,继承了支持向量机良好的泛化能力、全局最优和较强自适应性的特点,并采用改进的粒子群算法对支持向量机的参数进行了优化选择。同时,针对道路实时交通状态与历史平均交通状态较强的线性相关性、道路实时交通状态与前几时段交通状态及上下游路段实时交通状态的非线性相关性,分别设计了线性核函数和非线性核函数对城市交通状态进行映射和拟合。该方法既考虑到交通状态历史规律对预测的指导意义,又顾及交通的时变特征,充分提取了交通系统相关参数的知识信息。实验结果表明,本文提出的短时交通流预测方法具有准确性、鲁棒性和自适应性特点,具有较好的实际应用价值。     

一种新的基于粒子群和模拟退火的聚类算法

提出了一种新的基于粒子群和模拟退火的聚类算法。每个粒子作为聚类问题的一个可行解组成粒子群,粒子的位置由聚类中心向量表示。为避免粒子群陷入局部最优解,结合聚类问题的实际特点,提出了利用模拟退火的概率突跳性的两个解决方案。实验结果表明,新算法增强了全空间的搜索能力,性能优于粒子群算法和传统的K-means算法,具有较好的收敛性,是一种有效的聚类算法。     

基于二阶振荡微粒群最小二乘支持向量机的物流需求预测

为了提高物流需求的预测精度,在分析物流需求影响因素基础上,建立了物流需求的二阶振荡微粒群最小二乘支持向量机预测模型。利用最小二乘支持向量机(LSSVM)描述物流需求与其影响因素间的复杂非线性关系,并通过二阶振荡微粒群(TOOPSO)算法优化选择LSSVM参数。实例分析表明,模型具有较高的预测精度,TOOPSO算法搜索LSSVM最优参数时间明显少于传统交叉验证法,是一种有效的物流需求预测方法。     

基于模拟退火机制的多微粒群协同进化算法*

模拟退火和多微粒群协同进化是两种较好的改进微粒群算法性能的方法,将这两种思想有机地结合起来,提出了一种基于模拟退火机制的多微粒群协同进化算法。通过对三个标准函数优化的实验表明,该算法高效、稳定地提高了全局寻优能力。