基于LSSVM的混沌时间序列的多步预测

结合相空间重构理论和统计学习理论,实现混沌时间序列的多步预测．采用擞熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立渑沌时间序列的多步预测模型,并与径向基函数网络预测模型比较．结果表明,所建立的模型能够捕捉到原混沌系统的动力学特征．前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差,泛化能力较强．其预测效果较好．     

LS-SVM在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已广泛用于解决分类和回归问题.文中将最小二乘支持向量机算法应用于混沌时间序列预测中,并同BP网络及RBF网络的预测结果进行了比较分析.仿真实验表明,该方法具有很好的泛化能力和一定的噪声容忍能力.     

基于LS-SVM的石油期货价格预测研究

建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测,并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度,明显优于RBF神经网络预测模型。     

LS-SVM时间序列预测 ——免疫文化基因算法进行LS-SVM参数选优

针对最小二乘支持向量机（LS-SVM）在时间序列预测中的参数不确定问题,在训练阶段,使用结合了全局搜索和局部搜索的免疫文化基因算法来进行参数寻优。实验中通过对Lorenz时间序列和建筑能耗的两组预测实验,对比了免疫文化基因算法、遗传算法和网格搜索算法对LS-SVM参数的优化效果,证明了免疫文化基因算法的优化效果最好,且LS-SVM的预测精度比支持向量机（SVM）和BP网络预测都要高。     

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.     

基于无偏LS-SVM的混沌系统的混合同步控制

为实现超混沌系统与混沌系统的混合同步控制,通过对主系统采样,获得训练样本数集,设计了从系统混合同步轨线的形式;采用无偏最小二乘支持向量机(LS-SVM)的方法,引入核函数,获得优化目标,根据优化目标,求出混合同步轨线,设计了控制器.以超混沌Lorenz-Stenflo系统为主系统,Chen混沌系统为从系统为例,基于Matlab进行数值仿真,验证了方法的有效性.     

基于改进ABC与LS-SVM算法的电力负荷预测的研究

为了解决电力负荷的非线性等问题和帮助电力企业迅速地制定电力的预计交易量,提出一种建立在最小二乘支持向量机算法基础上的电力负荷预测方法。采用改进的ABC算法优化惩罚因子C和核系数σ,再将最优解赋给LS-SVM用以预测。仿真结果证明:基于改进ABC与LS-SVM算法的电力负荷预测方法具有较高的预测精度,更小的误差,是一种有效的预测方法。     

混沌时间序列预测的建模与仿真研究

研究混沌时间序列预测准确性问题,由于混沌时间序列具有混沌性和非线性,传统时间序列预测方法不能准确将混沌时间序列变化规律计算出来,导致预测精度低.为了提高混沌时间序列预测的精度,提出一种改进支持向量机的混沌时间序列预测方法(PSO-LSSVM).PSO-LSSVM采用相空间重构对混沌时间序列进行重构,去除其混沌性,用支持向量机对非线性进行预测,并采用粒子群算法对支持向量机参数进行优化,对经典混沌时间序列Mackey-Glass最优模型进行仿真测试.仿真结果表明,PSO-LSSVM加快了预测速度,提高了预测精度,在混沌时间序列预测中具有很好的应用价值.     

基于小波支持向量机的混沌时序预测算法

研究混沌时间序列预测问题,混沌时间序列是一种特殊时间序列,具有高度非线性、混沌性和时变性,传统预测方法精度低。为了提高混沌时间序列预测的精度,提出一种采用小波支持向量机的混沌时间序列预测算法。首先采用相空重构对混沌时间序列进行重构,捕捉时间序列变化轨迹,然后采用小波支持向量机对非线性、混沌性变化规律进行预测,最后采用Lorenz混沌时间序列进行仿真。结果表明,相对于传统预测方法,小波支持向量机提高了混沌时间序列预测精度,降低预测误差,为混沌时间序列提供了一种有效的准确预测途径。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

多任务LS-SVM在时间序列预测中的应用

针对单任务时间序列中存在的信息挖掘不充分、预测精度低等问题,提出了一种基于多任务最小二乘支持向量机（MTLS-SVM）的时间序列预测方法。该方法将多个时间序列任务同时进行学习,使得在训练过程中任务之间能够相互牵制起到归纳偏置作用,最终有效提高模型的预测精度。首先,利用相邻时间点之间的密切相关性,构造多个相邻时间点的学习任务,然后将每个任务对应的数据集同时训练MTLS-SVM模型并将其用于预测。将该方法用于几个时间序列数据集并与单任务LS-SVM方法相比,实验结果表明该方法具有较高的预测精度,验证了方法的可行性和有效性。     

最小二乘小波支持向量机的DNA序列分类方法

目前使用的已有SVM核函数,在分类中不能逼近某一L₂（R）（平方可积空间）子空间上的任意分类界面。针对上述问题,在支持向量机的核函数方法和小波框架理论的基础上,提出了LS-WSVM结构模型。实验结果表明,和标准的SVM和LS-SVM比较起来,在同等条件下,LS-WSVM在分类方面具有优良的特征提取性能。     

基于LS-SVM的交通流时序数据补齐方法

实时、准确的交通流数据是实现智能运输系统（Intelligent Transportation Systems,简称ITS）的关键,对交通流的控制和诱导有直接影响。由于种种原因,通过交通检测器获得的数据往往是不完整的,存在丢失现象,影响了后续模型的实际应用效果。针对这一问题,提出一种基于最小二乘支持向量机 （Least Squares Support Vector Machines,简称LS-SVM） 的交通流时间序列数据补齐模型,利用交通流历史数据对丢失值进行诊断和修补。利用实例仿真验证表明,LS-SVM具有较好的泛化能力和很强的鲁棒性,采用基于LS-SVM的交通流时间序列模型补齐丢失数据能够取得很好的效果。     

基于TS-GA的LS-SVM参数优选?

将禁忌搜索和遗传算法相结合,提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索,使用禁忌搜索进行局部寻优,由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验,结果表明,该方法能使LS-SVM模型具有较好的泛化能力,模型精度满足工艺要求。     

基于AP的LS-SVM多模型建模算法

针对多工况对象的单模型建模中存在的回归精度差和泛化能力弱的问题,提出基于仿射传播聚类的LS-SVM多模型建模方法。该方法用仿射传播聚类算法对样本进行聚类,采用LS-SVM的方法对子类样本分别建立模型。测试样本根据相似性的测度进行归类,并用所属子类的模型进行预测输出。将该建模方法用在丙烯浓度的软测量建模实验中,结果表明该方法有较高的回归精度和较好的泛化能力。     

基于混合核支持向量机的金融时间序列分析

核函数是支持向量机（SVM）的重要部分,它直接影响到SVM的各项性能。当前SVM在金融时间序列分析中,基本上采用高斯径向核函数（RBF）,其次才是多项式核函数。然而,每种核函数都有它的优势和不足,整合两个或多个核函数对于学习能力和泛化能力的提高是一个有效的途径。采用高斯径向核函数与多项式核函数的混合核函数运用于金融时间序列预测中,且与其单个核函数的支持向量机的实验结果进行了比较。结果表明,混合核函数具有更好的性能。     

基于LS-SVM的位置指纹室内定位

基于无线接入点（Access Point,AP）接收信号强度（Received Signal Strength,RSS）的位置指纹室内定位技术近几年已经成为国内外位置感知研究的热点。提出了基于最小二乘支持向量机（Least Squares Support Vector Machines,LS-SVM）的位置指纹定位方法。给出了基于LS-SVM的指纹定位模型,描述了LS-SVM指纹样本训练的具体实现过程。重点在于将定位问题转化为一个多类别分类问题,并分别采用一对一（OAO）和一对多（OAA）方法将其转化为多个二值分类问题。仿真结果表明,LS-SVM较传统支持向量机（SVMs）、K近邻（k-Nearest Neighbors,K-NN）定位方法的分类准确率高且计算代价小,平均分类准确率达92.00%。     

采用LS-SVM计算时间序列的Lyapunov指数谱

为了计算未知系统的Lyapunov指数谱,首先,对一维观测数据序列进行相空间重构,然后,利用最小二乘支持向量机（LS-SVM）逼近重构系统的动力学方程,再通过雅克比矩阵计算Lyapunov指数谱。采用提出的方法计算Henon映射的Lyapunov指数谱,可以得到精确的计算结果且需要的序列步长小于1 000。计算了实测不同状态的交通流时间序列的Lyapunov指数谱。结果表明：在拥挤状态下,有多个Lyapunov指数大于零,说明系统是超混沌的;在同步状态下,有一个或多个Lyapunov指数大于零,说明系统是混沌的或超混沌的;在堵塞状态下,Lyapunov指数全小于零,说明系统不是混沌的。     

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。