利用粗糙集理论提高SVM预测系统的实时性

支持向量机是一种新的机器学习方法，它具有良好的推广性和分类精确性。但是在利用支持向量机的分类算法处理实际问题时，该算法的计算速度较慢、处理问题效率较低。文中介绍了一种新的学习算法，就是将粗糙集和支持向量机相结合，利用粗糙集对支持向量机的训练样本进行预处理，从而缩短样本的训练时间，提高基于SVM预测系统实时性。文中最后利用该方法进行了数据试验，试验结果表明了该方法可以大大缩短样本的训练时间，提高基于支持向量机处理预测系统的效率。从而也证明了该方法的有效性。     

基于粗糙集-支持向量机的软件缺陷预测

软件缺陷预测已成为软件工程的重要研究课题,构造了一个基于粗糙集和支持向量机的软件缺陷预测模型。该模型通过粗糙集对原样本集进行属性约减,去掉冗余的和与缺陷预测无关的属性,利用粒子群对支持向量机的参数做选择。实验数据来源于NASA公共数据集,通过属性约减,特征属性由21个约减为5个。实验表明,属性约减后,Bayes分类器、CART树、神经网络和本文提出的粗糙集—支持向量机模型的预测性能均有所提高,本文提出的粗糙集支持向量机的预测性能好于其他三个模型。     

基于粗集属性约简的电力供应量SVM回归预测

采用基于粗糙集属性约简的支持向量机回归预测模型对我国电力供应量进行预测。根据电力供应量及其影响因素的历史数据建立决策表,利用动态层次聚类法对决策表中的连续属性进行了离散化;运用属性约简算法进行约简,提取出主要因素,并将其作为样本的特征,应用支持向量机回归预测模型对电力供应量进行预测。五年预测结果表明：与SVR模型相比,结合了属性约简方法的RS＆SVR模型充分利用了更少但是主要的预测因子的信息,预测精度有一定提高,应用效果较好。     

基于粗糙集主要因素分析的装备购置费用建模预测

针对影响装备的购置费用的因素很多,各因素并不同等重要,因素之间存在相互影响的关系,如何确定主要因素是建立预测模型的关键,论文提出采用粗糙集约简算法,对影响飞机购置费用的因素进行分析,并采用支持向量机进行预测,实例分析表明基于主要因素的预测模型要优于基于全部因素的预测模型。     

粗糙集理论下的支持向量机新模型研究

支持向量机(SVM)是一种重要的分类工具,其有效性依赖于对数据信息获取的准确性。传统的支持向量机模型对于噪声点过于敏感,从而分类面的选取往往会偏离最优解。因此将粗糙集理论引入到支持向量机中,去解决由于噪声点和野点数据的存在而出现的过适应问题,同时将数据之间一个非常重要的关联信息等价类信息考虑进去,从而提出一种新的粗糙支持向量机(RSVM)模型。对比实验表明,新的RSVM比传统的支持向量机(CSVM)和模糊支持向量机(FSVM)尤其是在处理多类数据问题时,其测试精度有明显提高。     

基于粗糙集理论的支撑向量机预测方法研究

分析了粗糙集理论方法与支撑向量机方法两者各自的优势和互补性，探讨了粗糙集与支撑向量机的结合方法．然后提出了一种基于粗糙集数据预处理的支撑向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势．减少支撑向量机的训练数据，克服支撑向量机方法因为数据量太大，处理速度慢等缺点。将该系统应用于股票价格预测中，与BP神经网络法和标准的支撑向量机方法相比，得到了较高的预测精度，从而说明了基于粗糙集理论的方法作为信息预处理的支撑向量机学习系统的优越性．     

模糊粗糙集与SVM的彩铃客户挖掘模型

针对彩铃业务交易记录较多和客户属性的高维度及混合性的特点,建立了基于信息熵度量的模糊粗集属性约简和RBF-SVM分类的彩铃客户挖掘模型。通过10 折交叉验证,对来自两个地市的营销返回样本,在选择特征数量和分类精度之间的差别与其他5个模型进行了比较分析。实验结果显示此模型获取了相对最高的平均分类精度（80.43%）和最少的平均特征属性（2.5个）,有效地约简了属性并改善了分类能力。     

粗糙集的模糊性度量与SVM的混合分类算法

采用信息熵的方法来度量粗糙集的模糊性可以在约简之前对粗糙的决策属性进行预处理,从而消除因决策属性的冗余而带来的分类决策的偏差。结合 SVM在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。对该类别的方法进行了改进,并对分类的结果进行了测试。     

基于模糊粗糙集与支持向量机的瓦斯涌出量预测研究

支持向量机(Support Vector Machine)具备很强的非线性建模能力,而且具有全局最优、结构简单等优点,近年来被广泛的应用于煤矿瓦斯预测方面,但其在处理样本时,不能确定数据中哪些知识是冗余的、不能将输入的信息空间维数简化,因此,会降低系统预测的精确性;将模糊粗糙集理论引入瓦斯涌出量的预测中,建立基于模糊粗糙集与支持向量机的瓦斯涌出量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.实验结果显示,该方法预测准确,具有较高的应用价值.     

复合型智能预测分析系统框架研究

提出了多元支持向量机思想及其实现过程,并将其与粗糙集与神经网络相结合,提出一种复合型智能预测分析系统框架。首先利用粗糙集对预测的原始数据进行处理,并从中发现隐含知识,然后提出了多元支持向量机,能够有效地对两种以上类型的数据进行精确分类。将两者与神经网络有机地结合起来,构成一种复合型预测分析系统,从而为决策分析提供一种新的方法。     

基于聚类、粗糙集和支持向量机的故障诊断

故障诊断有多种方法,利用支持向量机进行故障诊断是其中一种比较有效的方法。但是,故障征兆往往有多个,很难确定哪些征兆是关键的,哪些征兆是冗余的,这样就要搜集处理大量的数据,使支持向量机的结构变得复杂,诊断效率不高。为了提高故障诊断的效率,文中提出一种将K均值聚类、粗糙集、支持向量机相结合进行故障诊断的方法。这种方法首先利用K均值聚类对数据进行预处理,然后利用粗糙集对属性进行约简,最后再用支持向量机进行故障诊断。这样可以充分发挥粗糙集与支持向量机各自的优势,实例证明它可以提高故障诊断的速度和精确度,是一种较好的故障诊断方法。     

基于RST修正核单类SVM的程序行为控制系统

程序行为控制系统对程序行为进行建模、检测和响应。单类支持向量机(SVM)在有限样本的情况下用于异常检测,具有较好的分类精度和泛化能力。针对以前利用单类支持向量机进行异常检测的研究中没有考虑属性权重的问题,该文提出利用粗糙集理论(RST),引入反映属性重要性程度的权重值。给出通过找出决策系统中所有约简的集合确定属性权重的方法,并利用属性权重修正单类SVM的核函数。实验表明基于RST修正核的单类SVM具有更好的检测能力。     

基于邻域粗糙集的航空发电机健康诊断方法

提出一种基于邻域粗糙集和支持向量机相结合的航空发电机智能健康诊断方法.采用专业健康试验平台对某型战斗机的真实航空发电机进行试验,得到转速、负载、油压等大量表征发电机健康状态的监测数据.引入数据挖掘思想,采用邻域粗糙集理论对监测数据进行属性约简,将约简后的属性集输入给所设计的支持向量机健康诊断器,对航空发电机的健康状态进行了诊断研究.研究表明,该方法能够很好实现对某真实航空发电机的健康诊断,具有较高的推广应用价值.     

基于组合优化理论的用电量预测模型

为了提高用电量的预测精度, 提出了一种基于组合优化理论的用电量预测模型(AFSA-LSSVM). 首先相空间重构用电量学习样本, 然后将学习样本输入到最小二乘支持向量机进行训练, 并采用人工鱼群算法优化LSSVM参数, 建立最优的用电量预测模型, 最后采用仿真实验对模型性能进行测试. 结果表明, 相对于对比模型, AFSA-LSSVM可以准确刻画用电量的变化趋势, 提高用电量的预测精度, 预测结果更加可靠, 可以为决策者提供有价值决策信息.     

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LIB-SVM的电子设备故障预测方法研究

为及时了解电子设备的运行状态,实现电子设备未来某时刻故障预测,将“事后维修”转变为“事前预防”,在统计学习理论(SLT)的基础上,采用LIB-SVM支持向量回归方法,对小样本、非线性条件下的数据进行拟合,并根据自动测试设备(ATE)测得的实际数据及专家经验,对该方法进行了验证;经实验证明,该方法是可行的、有效的,对电子设备的故障预测具有较高的准确度.     

基于小波核LS—SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义。支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题。介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力。通过对实测网络流量数据的学习,对未来网络流量进行预测。实验结果表明,取得了较好的预测效果。     

一种支持向量机粗糙神经网络的构造与分类决策

本文根据支持向量机可以解决小样本学习问题的优势，再结合粗集理论对不确定性问题分析的特点，提出一种支持向量机的粗糙神经网络的构造方法．该方法引入多个类似于支持向量机的子神经网络，并将网络中的隐层单元设计成由多组粗糙神经元构成的网络单元．这种新型神经网络具有结构确定、可解释性好、计算简单、收敛速度快等特点．最后，以某型歼击机的飞机舵面故障判决为例，用仿真结果证明，本文方法是行之有效的．