基于BP神经网络的非线性函数拟合

该文介绍了神经网络领域中BP神经网络的特点及其算法原理,对BP网络权值的修正规则进行了推导,并对BP网络存在的问题提出了几点改进,在此基础上对一组非线性函数的采样数据进行拟合。实验结果表明,BP神经网络能保证拟合误差在很小的范围之内,说明了其拟合的有效性。     

基于径向基函数神经网络的非线性模型辨识

从径向基函数（RBF）神经网络原理分析出发,提出了一种基于RBF神经网络学习算法,用于对非线性对象模型的拟合与辩识,并将此方法用于实际非线性模型的学习与辩识。结果表明,基于RBF的神经网络可快速完成对样本的学习与拟合,对具有连续特性的线性与非线性模型,具有快速实时的学习速度和优良的学习性能。     

基于最小二乘支持向量机的函数拟合的研究

函数拟合通常要在有限的训练样本下对函数变量之间的关系做出预测,在实践中由于训练样本有限,并且训练样本本身存在噪音和孤立点,用传统的方法进行函数拟合的结果往往不能满足要求.本文主要利用最小二乘支持向量机对函数进行拟合.首先介绍了最小二乘支持向量机的工作原理,并对参数选择方法进行了研究,然后通过仿真实验对利用最小二乘支持向量机进行函数拟合的效果加以对比说明.     

SVR模型参数选择方法的研究

对时间序列预测问题进行了讨论。首先对支持向量机的回归算法进行了较详细的介绍,接着讨论了模型参数对预测结果的影响,并通过太阳黑子数据加以验证,最后提出了人工选择参数的方法。     

基于SVR的非线性动态系统建模方法研究

提出一种基于支持向量回归机(SVR)的非线性动态系统建模方法。用非线性静态子环节和线性动态子环节串联——Hammerstein模型来描述非线性动态系统。然后,通过函数展开将Hammerstein模型的非线性传递函数转换为等价的线性形式,从而建立起线性中间模型。再由SVR算法辨识出中间模型参数。最后,通过中间模型参数与Hammerstein模型参数之间的关系,实现原系统的非线性静态环节和线性动态环节的同时辨识。用非线性动态系统标定实验数据进行测试,建模结果表明所提方法具有如下优点：1)只需进行一次动态标定实验; 2)能给出非线性动态模型的数学解析表达式;3)充分利用SVR的优点,使所建模型具有更好的鲁棒性。该研究为非线性动态系统建模又提供了一种新方法。     

基于SVR模型的重庆市生态安全指标预测模型研究

鉴于实际工作中生态安全指标数据统计的滞后性,通过采集并整理重庆市1988年至2007年与生态安全指数极度相关的28项指标构建了重庆市生态安全指标体系,并以此作为训练样本数据,以2008、2009年对应指标作为输出结果,分析比较多变量灰色预测模型、径向基神经网络、支持向量回归方法,通过对比真实统计数据做出误差分析,得到支持向量 回归 重庆市生态安全指标预测模型。该模型对重庆市主要生态安全指标进行预测的结果具有明显的优势,可以用于实际预测。     

在QSAR中应用SVR的非线性组合预测

为提高定量构效关系(quantitative structure-activity relationship,QSAR)模型预测的精度,以支持向量回归(support vector regression,SVR)全局与局部核函数,发展出1种非线性组合方法GK-LK-SVR,其基本思路为:依均方误差(MSE)最小原则,分别基于SVR的全局与局部核函数筛选描述符后预测,实测值与不同核函数的预测值组合成混合样本,然后再依MSE最小原则基于SVR对混合样本实施核函数寻优及子模型筛选,最后以留一法完成预测。对2种化合物QSAR建模结果表明:GK-LK-SVR方法预测精度高,有望在QSAR研究中得到广泛应用。     

基于径向基函数模型的非线性预测控制策略研究

提出了一种基于径向基函数的非线性过程预测控制策略.首先,开发过程径基函数网络模型:根据过程特性,选择模型阶次、径基函数类型,用K均值法确定基函数中心位置,统计F检验确定基函数中心的数目,迭代最小二乘法确定径基函数网络权系数.然后,利用网络模型抽取非线性预测控制器(NLPC)特征样本训练构造径基函数网络预测控制器(RBFPC).仿真结果表明,与NLPC比较,由于RBFPC不必在线解非线性最优化问题,易于在线快速实施;与PI控制器比较,RBFPC具有更好的跟踪设定值性能和抗干扰性能.     

函数拟合法力数字传感器的非线性和温度补偿

针对力数字传感器存在的分散性、非线性和温度特性问题,通过软件进行补偿.分析了力数字传感器的非线性特性,采用三次样条插值获得被测重力和输出频率的函数关系,将测量得到的输出频率通过三次样条插值计算得到被测重力.对于力数字传感器的温度特性,建立了分段三次插值函数,利用反函数得到不同温度下输出频率与被测重力的函数关系.将温度和频率量作为自变量,通过分段三次插值函数计算得到被测重力.函数拟合法实现力数字传感器的非线性和温度补偿使所需数据量减少.实测表明:该方法的测量精度高,非线性和温度补偿后的最大引用误差为0. 5%,满足实际工程的需要.     

基于PSO算法的变差函数球状模型参数拟合

对一阶变差函数球状模型及其二阶套合结构的参数拟合进行研究,利用粒子群优化(PSO)算法在求解非线性优化问题时收敛的快速性以及全局寻优的有效性等优势,将待拟合球状模型的参数组合为一个粒子向量,在PSO算法迭代过程中对部分粒子进行混合柯西-高斯变异,实现变差函数球状模型最优参数的自动拟合。仿真实验结果表明,该方法操作简单、可靠性高。     

基于群智能算法的SVR参数优化研究进展

支持向量回归机(Support Vector Regression,SVR)是建立在统计学习理论上的一种机器学习方法,主要用来处理回归问题.选取到合适的参数是实现支持向量回归机算法优势的前提,但在实践中仍然存在模型参数选择困难的问题.群智能算法主要是模仿自然界生物种群社会行为规律的元启发式算法,具有简单性、自适应性、灵...     

基于EDA-DP的LS-SVM参数优化选择

通过分析最小二乘支持向量机(LS-SVM)模型的超参数选择对分类器的影响,提出一种采用多样性保持的分布估计算法(EDA-DP)优化选择LS-SVM模型参数的方法。使用基于EDA-DP的LS-SVM分类器模型对基准数据集和雷达目标高分辨距离像数据集进行仿真实验,结果表明,该模型相比基于网格法的分类器模型,平均识别率分别提高了4.2%和1.76%,具有更好的分类性能和泛化能力。     

基于SVR的经验模态分解端点延拓改进方法

针对经验模态分解过程中产生的端点效应问题,提出了将镜像延拓和支持向量回归机相结合的端点延拓改进方法。利用支持向量回归机对原始信号的极值点数据序列两端进行预测,用镜像延拓法确定所预测极值点的位置。该改进方法解决了支持向量回归机对长数据序列预测不准确,以及镜像延拓法对端点不是极值点的短数据序列处理效果不佳等问题。引入六个评价标准,对端点延拓方法的效果进行了分析。结果表明,该改进方法能有效地抑制经验模态分解产生的端点效应。     

基于回归型支持向量机的小波域盲水印算法

以回归型支持向量机（Support Vector Regression,SVR）理论为基础,提出了一种新的基于SVR的小波域盲水印算法。算法核心思想是先对图像进行小波分解,然后利用图像小波分解后的子图系数之间的关系和图像局部相关性获得SVR训练模型,并利用SVR训练模型在小波域嵌入和提取水印。该算法以保证鲁棒性和透明性的良好平衡为前提,实现了数字水印的盲检测。仿真实验表明,该文算法不仅具有较好的透明性,而且对JPEG压缩和一般的图像处理具有很强的鲁棒性,其整体性能明显优于现有基于SVM的空间域上的水印算法。     

用于图像恢复的基于SVR的自适应新滤波器的研究*

提出了一种用SVR回归器识别脉冲噪声的思想,并将其应用于图像滤波和恢复,形成了用于对脉冲噪声进行滤波的SVR自适应滤波器。这种滤波器在滤波时,先用SVR对待识别像素作噪声识别,再对含噪声的像素作中值滤波。用SVR作噪声识别时,先对滤波窗口作SVR回归,通过待识别像素回归距的大小判断其是否含有噪声。在进行SVR回归时,使用鲁棒的Huber损失函数。由于更充分地利用了待识别像素点的局部背景信息,这种滤波器提高了脉冲噪声识别的正确率。实验表明,在保留原图像的细节信息方面,其滤波效果要优于基于SVC的中值滤波器。     

超平面中心的RBF神经网络及其新方法

在传统的径向基神经网络框架的基础上,通过引入中心超平面的概念,提出了超平面中心的径向基函数神经网络。在此网络中以点到中心超平面的距离代替传统的径向基神经网络中点到点的距离,其优势在于中心超平面作为数据中心包含了更多原始数据之间的信息。以函数逼近和数据分类的实验为例,证明了超平面中心的径向基神经网络相对于传统的网络有一定的优势。     

SVR结合小波变换的SUH传感器故障诊断

针对微小型无人直升机故障多、采样难且精确建模难度大的特点,将回归型支持向量机（SVR）引入到微小型无人直升机机载传感器的故障诊断中,提出了一种将SVR与离散小波变换（DWT）相结合的微小型无人直升机传感器故障检测与分离方法。利用回归型支持向量机（SVR）具有自学习和非线性映射能力强的特点,建立基于SVR的残差生成器并利用残差检测故障。在此基础上,利用小波变换实现对故障的隔离与定位。实验结果表明,将SVR与DWT相结合进行微小型无人直升机机载传感器的故障诊断是行之有效的。     

径向基神经网络的汇率预测模型研究

针对BP网络存在着收敛速度慢和局部极小的问题,提出了一种基于径向基神经网络的汇率预测研究方法。将经济变量数据归一化处理,然后送入径向基神经网络（RBF）中训练,得出相应参数,再对汇率进行预测。详细的仿真实验以及与BP神经网络的比较表明,该方法不仅运算速度较快,且预测精度明显要高于传统BP神经网络所能达到的效果。     

从近似超平面到SVR的算法研究

本文证明了SVM存在近似超平面;根据SV分布于SVM超平面附近,也必然分布于其近似超平面附近的特点,提出了从近似超平面出发,通过向量距近似超平面的距离的大小逐步搜索SV,建立SVR的算法思想;列举了基于该算法思想的一个算法实例——从多元回归平面构建LS-SVM;分析了其时空复杂度,并与LS-SVM的线性方程组解法和直接分解算法进行比较,其结果是该算法能够收敛到l个训练样本直接建立的SVR,并降低了计算时间复杂度和显著降低了计算空间复杂度。