基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法.该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题.又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用.     

CMSFLA-SVM算法在人脸识别中的应用

针对蛙跳算法(shuffled frog leaping algorithm,SFLA)易陷入局部最优,且求解精度较低的问题,提出一种交叉变异的蛙跳算法(crossover and mutation shuffled frog leaping algorithm,CMSFLA).该算法在全局搜索中,青蛙个体依适应度值而选择不同概率分别进行交叉和变异操作.将改进的蛙跳算法CMSFLA训练支持向量机(support vectors machines,SVM),并将其用于人脸识别中.ORL和CAS-PEAL-R     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

基于核主元分析和支持向量机的f-CaO含量预测

将核主元分析和支持向量机相结合,运用核主元分析对数据样本进行非线性特征提取,得到更易于回归的特征主元分量,达到了降低支持向量机的输入空间维数,然后运用最小二乘支持向量机进行训练,通过网格搜索和交叉验证确定最小二乘支持向量机的最优参数.建立了预测水泥熟料游离氧化钙含量的核主元分析支持向量机模型.计算结果表明提出的模型能有效地预测水泥熟料游离氧化钙含量.     

基于支持向量机(SVM)算法的加工机械故障分析

针对工业领域中加工机械故障数据集的复杂性和海量性,对经典支持向量机(SVM)算法进行深度优化,引入规范化超平面分割数据集,并求解最优解;选择高斯径向基函数作为算法模型核函数,改善算法的泛化性能;基于样本熵排列方式提取故障信号特征,在不可分空间内也可以实现对非线性数据集的精确分割.仿真结果与实例验证表明,优化SVM算法具...     

基于遗传算法与经验误差最小化的SVM模型选择方法

支持向量机（SVM）的推广能力依赖于核函数形式及核参数和惩罚因子的选取,即模型选择.在分析参数对分类器识别精度的影响基础上,提出了基于遗传算法和经验误差最小化的支持向量机参数选择方法.在13个UC I数据集上的实验表明了本文算法的正确性与有效性,且具有良好的推广性能.     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

优化SVM在锅炉负荷预测中的应用

提出智能优化支持向量机算法来提高模型的预测能力和泛化能力。该算法针对支持向量机噪声敏感问题采用小波方法对数据集去噪;利用核主成分分析方法提取数据特征;采用量子粒子群算法优化支持向量机超参数。将该优化算法应用于锅炉负荷短期预测,实验结果表明,该优化算法预测精度较高,收敛速度较快,泛化性能优于其他预测方法,且工程实现容易。     

序列最小优化工作集选择算法的改进

序列最小化算法(SMO)是支持向量机重要的常用分解方法。而工作集的选择是实现序列最小优化算法的关键。通过重写KKT条件，提出了一种改进的新工作集选择方法，并相应提出最小化步骤。通过将改进的支持向量机方法应用于网络用户行为数据的分析，与现有方法进行对比测试，验证了新工作集选择方法将减少支持向量机的学习时间并加快收敛过程，改进的支持向量机方法在运行效率和准确度上都有不同程度的提高。     

零误差密度最大算法的分析研究

前馈神经网络的学习通常以均方误差为目标函数(MSE),易陷入局部极小,而零误差密度最大算法(Z-EDM)以误差在零点的概率密度函数为神经网络新的目标函数,能够达到全局最优.将Z-EDM算法应用到BP网络中,并通过仿真将两者进行了比较,实验结果表明,Z-EDM算法在分类方面要明显优于MSE算法.并且对这一算法进行了分析,可知以优化此目标函数的神经网络的学习仍是基于经验风险最小化原则,通过仿真将基于Z-EDM算法的BP网络与支持向量机(SVM)在两分类方面进行比较,结果表明此算法对于某些数据集具有与SVM近似的性能,但总体上性能仍不及基于结构风险最小化的SVM.     

再生核支持向量机在非线性系统中的应用

为了提高非线性系统辨识的精度,提出用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。结合小波多分辨分析,将Hilbert空间分为一系列子空间,并由可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,可以把V0子空间的尺度函数折算为Hilbert空间的子空间V0的尺度函数,构造出新的Walsh序列再生核。通过仿真实验,与传统的RBF核函数、高斯核函数等比较,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

基于小波匹配的新小波支持向量机预测模型

针对产品销售时序具有多维、小样本、非线性、随机性等特征,已有的支持向量核不可能精确逼近任意的销售时序曲线.将小波理论应用于支持向量核函数,并对标准支持向量机进行修正,形成一种新的小波支持向量机(WN-ν-SVM).设计了自适应正态变异粒子群算法(ANPSO)对小波支持向量机模型参数进行辩识,并进行了汽车销量预测的实例分析.结果表明,基于WN-ν-SVM模型的短期预测方法是有效可行的,具有理论意义和实用价值.     

最小VC维分类器的一种实现方法

通常在支持向量机算法中核函数参数是事先选定好的,而最小VC维分类器的非线性约束规划问题中包含RBF核的参数,在算法执行中可以自适应地确定.综合复形调优法、罚函数法及梯度法,提出了一种最小VC维分类器的实现方法.该实现方法在保证分类器有较高分类性能的前提下,可以以较快的速度处理较大的样本集.针对4个基准数据集,将该方法与SVMlight算法进行了比较,试验结果表明该最小VC维分类器的实现方法在分类精度与计算时间上都有一定的优势.     

基于单类支持向量机的工业控制系统入侵检测

针对工业控制系统数据非线性、高纬度和不平衡等难题,本文从提高工业控制系统入侵检测的准确性入手,结合单类支持向量机算法,提出一种单类支持向量机异常检测方法。该方法在核主成分分析过程中加入Fisher-Score算法,实现了对数据集的特征提取,降低了后续单类支持向量机入侵检测模型训练和识别的复杂度;同时加入免疫克隆选择和协同进化等策略,采用分层协同免疫粒子群参数优化算法对单类支持向量机参数进行寻优,增强算法的综合性能,解决了基本粒子群算法在单类支持向量机参数寻优过程中存在的易陷入早熟收敛和局部最小值等问题;最后构建了基于优化后的单类支持向量机算法的入侵检测模型,并进行对比实验验证。实验结果表明：优化后的检测模型在训练时间、学习泛化能力和检测性能上都有明显提升。     

基于KPCA数据重构的参数优化方法

传统的多变量统计过程监控技术采用的故障模型是线性的,该模型在具有强非线性特征的工业过程的故障诊断及预测方面的效果不够理想。针对复杂系统,需采用非线性数据模型的故障描述,研究基于核主元分析(Kernel Principal Component Analysis,KPCA),KPCA数据重构的最优参数选择方法十分必要。采用网格搜索法和交叉验证法相结合的方法确定KPCA算法和支持向量机(Support VectorMahine,SVM),SVM回归算法的最优参数,使重构误差为最小。以TE过程为仿真实例,仿真结果表明:所提出的基于KPCA数据重构的最优参数选择方法是有效的。     

模糊支持向量机在粮食安全预警中的应用

研究模糊支持向量机在粮食安全预警中的应用.首先给出模糊支持向量机(算法),用实例得出基于模糊支持向量机的粮食安全预警方法.并且将模糊支持向量机方法与支持向量机方法和模糊聚类方法相比较,显示出模糊支持向量机方法的优越性。     

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法．该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度．在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率．实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低．     

基于核相似性删减策略的支持向量回归算法

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。     

基于核相似性删减策略的支持向量回归算法

在核相似性基础上结合随机梯度下降算法提出支持向量删减策略(SVs_reduced strategy, SRS);引入核相似性删减冗余的支持向量来提高大型非线性支持向量回归的效率。在每次随机梯度下降的迭代中,如果新的样本被认为是一个支持向量,那么就会计算它和其它支持向量间的相似性。如果相似性大于一个设定的阈值,那么就会删减这个支持向量。基于UCI数据集, LIBSVM数据集和风速数据集的试验结果表明,与其它流行算法相比,这个策略可以十分高效地解决大型支持向量回归问题。     

利用支持向量机方法预测储层产能

支持向量机方法(SVM)是基于结构风险最小化原理,采用核函数处理技术,较好的适应小样本、非线性和局部极小点等实际问题,克服了常规统计方法的局限性,避免了维数灾难.能够在有限的样本集基础上,兼顾模型的通用性和推广性,有效解决了学习性和延拓性的问题,预测精度更高.实际生产中影响储层产能因素众多,各因素间相互影响,在综合考虑地层因素的基础上,提取了测井产能预测参数,利用支持向量机方法对产能进行了预测,预测结果与实际一致,并将处理结果与多元回归及BP神经网络处理结果进行了对比分析.实践表明支持向量机方法优于后两种方法,是一种值得推广使用的方法.