基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测

为了提高网络流量的预测准确性,针对最小二乘支持向量机参数优化方法的缺陷,提出一种改进粒子群算法优化最小二乘支持向量机的网络流量混沌预测模型。首先将最小二乘支持向量机参数作为粒子初始位置,然后通过粒子群之间信息交流、互相协作找到最优参数,并对惯性权重和学习因子进行改进,最后对网络流量数据进行重构,并采用最优参数的最小二乘支持向量机建立网络流量预测模型。实验结果表明,本文模型提高了网络流量的预测精度,并大幅度减少了训练时间,可以满足网络流量在线预测要求。     

小时间尺度网络流量混沌性分析及趋势预测

小时间尺度的网络流量的混沌性被噪声掩盖难以预测,本文通过局部投影降噪得到可预测的混沌性流量趋势.针对网络流量存在的时变性和长周期性,提出一种最优样本子集在线模糊最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)预测方法:以与预测样本时间上以及欧式距离最近的样本点构...     

基于LS-SVM的辐射源分类

文中主要研究了基于LS-SVM（最小二乘支持向量机）算法的MSK辐射源分类。结合MSK信号特点,利用交叉验证和网格搜索法确定参数,设计了三种编码方案的多类分类器。计算机仿真结果表明：该分类器的识别率达到95％以上,从而验证了该辐射源分类器的有效性和可行性。     

基于LS-SVM的授信风险预测方法研究

授信风险的预测一直是商业银行在授信业务上关注的要点。为了预测单一客户授信风险,将最小二乘支持向量机(LS-SVM)引入到授信风险预测领域,构建了一个信贷风险模型。此模型能根据授信客户账户金融交易特点,预测授信客户还款能力强弱。实验表明此模型能有效工作。同时,文章还考察了模型参数选取对于预测正确率的影响。     

融合EMD与全局版人工鱼群LS-SVM的网络流量预测

为提高网络流量预测模型对稳定性和精度要求,提出了一种融合经验模式分解(EMD)和全局版人工鱼群LS-SVM模型的网络流量预测算法。该模型首先通过EMD分解,将原始流量的非平稳序列分解为若干不同尺度的平稳IMF(固有模态分量)分量,再用LS-SVM模型分别对各分量进行预测,其中LS-SVM的参数用全局版人工鱼群算法进行优化;最后通过SVM组合得到原始序列的预测值。仿真实验验证了该算法的预测准确性和稳定性。     

基于人工鱼群算法的网络流量预测方法

使用非线性预测模型支持向量回归算法建立预测模型,对具有明显非平稳性、混沌性以及非线性的网络流量进行预测研究。使用人工鱼群算法对支持向量回归算法的参数进行寻优,使用PSO算法对常规人工鱼群算法进行改进,使得人工鱼不依赖步长因子,仅对视野因子产生依赖,能够得到最优解。通过使用Logistic映射对人工鱼位置进行初始化,提高种群多样性,从而提高算法全局寻优能力,避免算法陷入局部最小值。最后使用MAWI数据集中的三组不同时间粒度的数据进行网络预测方法的实例分析,结果表明,所研究的人工鱼群算法具有较好的预测性能,能够满足网络流量预测的需求。     

LS-SVM在桥梁结构健康预测评估中的研究

桥梁的结构变形包含的桥梁结构内涵信息丰富,具有非线性、时序性和样本容量小的特点.利用支持向量机,以杭州湾大桥实测变形数据为研究对象,提出了基于LS-SVM的桥梁结构变形预测模型,通过实验证明了运用其对桥梁结构健康状况进行评估的可行性和有效性,并且通过实验结果对比显示了最小二乘支持向量机在变形预测中的优势.     

基于EMD与LS-SVM的网络控制系统时延预测方法

为了提高基于Internet的网络控制系统中随机时延的预测精度,提出了基于经验模式分解(empirical mode decomposition,EMD)与最小二乘支持向量机(Least Squared Support Vector Machines,LS-SVM)的一步时延预测方法.首先利用EMD将时延序列分解成若干个本征模式函数分量,分解后的分量去除了原始时延序列的长相关性,同时突出时延序列不同的局部特征.然后根据各个分量的变化规律,选择不同的LS-SVM模型分别进行预测.最后将各分量的预测值叠加得到最终的预测值.仿真结果表明本文方法具有较高的预测精度.     

粒子群算法优化支持向量机的网络流量混沌预测

针对传统网络流量预测方法存在预测平均绝对误差较大的问题,提出基于粒子群算法优化支持向量机的网络流量混沌预测方法。采用粒子群算法对支持向量机方法进行优化,利用优化后的支持向量机方法对网络流量进行混沌预测,预测结果表明,采用改进预测方法时,其预测的平均绝对误差值相比FCM-LSSVM网络流量预测方法、Morlet-SVR和ARIMA组合预测方法分别降低了65.3%,34.3%,具有一定的优势。     

基于改进的共轭梯度算法实现的最小二乘隐空间支持向量机

本文研究了最小二乘隐空间支持向量机的优化问题．文中采用基于对称超松弛预处理技术改进共轭梯度算法,改进的共轭梯度算法只需求解一个阶数为1-1的线性代数方程组即可,大大节省了计算时间．最后将其应用于最小二乘隐空间支持向量机中建立数学模型,并通过实例验证了该算法的优越性．     

基于最小二乘隐空间支持向量机的IDS检测算法的设计

在基于支持向量机的基础上,提出一种新的利用最小二乘隐空间支持向量机设计IDS的检测算法,解决了网络入侵检测系统中检测算法的分类精度不高、训练样本数需要较多,及训练学习时间较长等问题.仿真实验结果表明,本算法较基于支持向量机的检测算法具有更快的收敛性、更快的迭代速度、更高的检测精度和更低的误报率.     

基于最小二乘支持向量机的图像边缘检测研究

本文研究了基于最小二乘支持向量机(LS-SVM)的图像边缘检测技术,利用LS-SVM对图像像素邻域的灰度值进行曲面拟合,通过采用多项式核函数、高斯核函数推导出图像的梯度和零交叉算子,并结合梯度算子和零交叉算子实现了图像边缘定位.通过实验获取了不同核函数的最佳卷积核的大小,同时采用遗传算法对不同核函数的参数进行寻优以获得最佳的边缘检测性能.通过与Canny方法的实验比较,验证了本文提出的边缘检测方法是有效的.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.     

A New Weighted Least Squares Support Vector Machines and Its Sequential Minimal Optimization Algorithm

Least squares support vector machines （LSSVM） is widely used in pattern recognition and artificial intelligence domain in recent years for its efficiency in classification and regression. The solution of LSSVM is an optimization problem of a Sum squared error （SSE） cost function with only equality constraints and can be solved in a simple linear system. However, its generalization performance is sensitive to noise points and outliers that are often existent in training dataset. In order to endow robustness to LSSVM, a new method for computing weight vector of error is proposed and the substituting of weighted error vector for original error vector in LSSVM gives birth to a new weighted LSSVM. The method gets weight factor by computing distance between sample and its corresponding class center. Sequential minimal optimization （SMO） algorithm is also extended to the new method for its efficient application. Comparison experiments show superiority of the new method in terms of generalization performance, robust property and sparse approximation. Especially, the new method is much faster than the other method for large number of samples.     

杜鹃鸟搜索算法优化最小二乘支持向量机的网络入侵检测模型

为了提高网络入侵检测率,提出一种改进杜鹃鸟搜索（MCS）算法优化最小二乘支持向量机（LSSVM ）的入侵检测模型（MCS-LSSVM ）。首先将LSSVM 的参数作为杜鹃鸟的鸟巢位置,然后通过模拟杜鹃鸟种群寄生繁衍机制,找到鸟巢最优位置,并转化成LSSVM 最优参数,最后采用最优参数建立最优建立入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,MCS-LSSVM 不仅提高了网络入侵的检测率,而且减少了训练时间,提高网络入侵检测效果。     

一种改进的最小二乘孪生支持向量机分类算法

提出了一种新的模式分类器,即广泛权重的最小二乘孪生支持向量机.该支持向量机在正、负两类样本上广泛地增加权重,很好地抑制了交叉噪声样本对数据分类的影响.其次,根据间隔最大化原理,该支持向量机在目标函数上增加了一个正规化项,实现结构风险最小化和避免在求解该目标函数时可能对病态矩阵求逆的处理.同时,提出了利用一种指数函数计算训练样本的密度来获得样本权重值的算法.该算法能够有效缩减计算权重的时间,且具有较强的鲁棒性.实验证明本文提出的广泛权重的最小二乘孪生支持向量机能够实现高精度和高效率的分类效果,而且特别适合于含有交叉噪声样本的数据集分类.     

基于LS_SVM的下行波束盲校正算法

在智能天线系统中,由于各阵元之间存在着耦合和激励误差,在对下行波束进行赋形时,这些误差会使产生波束指向严重偏离期望的方向,造成天线增益下降。针对这一问题,提出了一种基于最小二乘支持矢量机（LS_SVM）的下行波束盲校正算法：该算法首先利用发射的训练序列对支持矢量机（SVM）进行训练,然后利用所得的权值补偿耦合和激励误差,使发射波束的指向符合期望的方向,最后采用自适应波束综合算法产生主波束宽度以及副瓣电平符合期望值的方向图。对该方法进行了仿真验证,仿真结果表明,该算法简单易行,具有实时处理的能力。