混合多个SVR模型的金融时间序列预测

基于支持向量回归(SVR)进行金融时间序列预测,使用PSO算法确定SVR超参数,并用实验的方法选择合适的SVR输入向量。为了解决金融时间序列非平稳性导致的单一SVR模型预测精度不稳定的问题,提出一种混合多个SVR模型的预测算法,选取训练数据的不同子集训练出多个SVR模型,采用对多个模型的预测结果加权求和的方法进行预测,各个模型的权重根据其预测误差动态调整。在全球5大股指上的实验表明,该算法的预测能力明显优于单一SVR模型。     

改进型支持向量回归预测模型的轧机轧制力预测

对轧机轧制力预测模型进行研究.使用人工鱼群优化算法对支持向量回归(SVR)参数选取进行最优的参数组合,将粒子群优化算法引入到常规人工鱼群算法中,并对其进行改进,提高了人工鱼群算法的性能.研究结果表明:Ekelund模型的轧制力计算结果误差较大,超过了10％,常规SVR预测模型的轧制力预测精度低于10％,而本文研究的改进SVR预测模型得到的轧制力误差低于5％,说明通过人工鱼群算法优化SVR算法模型的参数能够提高预测模型的预测精度,并且预测消耗时间在3种预测模型中是最短的.     

支持向量回归机在铁路客运量时间序列预测中的应用

针对目前铁路客运量预测方法的不足,采用ε支持向量回归机(εSVR)对铁路客运量时间序列进行预测。分析εSVR原理, 对1980—1998年的铁路客运量进行归一化处理,建立铁路客运量时间序列SVR预测模型, 并进行仿真试验。对比分析εSVR与标准的BP人工神经网络预测结果, 证明εSVR预测结果更准确、 精度更高。     

改进CS优化支持向量回归的汽车热舒适性预测

热舒适性指标PMV参数间互相迭代、计算复杂、不易实时预测,而采用支持向量回归（SVR）进行数据拟合时,预测效果易受SVR参数的影响。针对以上问题,提出一种改进布谷鸟算法（CS）优化SVR参数的PMV预测模型。改进CS算法采用自适应步长对Lévy全局随机游动的步长进行调节,并用非洲野狗算法（DOA）的生存行为替换CS算法偏好局部随机游动行为,以提高CS算法寻优能力。实验结果表明,CS优化SVR模型预测值的RMSE为0.00742,比DOA优化SVR模型的RMSE低0.00481;使用自适应步长或DOA算法改进CS优化SVR模型比CS优化SVR模型的RMSE分别降低了32.34%和40.83%;融合两种策略改进CS优化SVR模型预测值的RMSE整体降低了60.52%。融合两种策略改进CS算法优化SVR预测模型具有更高的PMV预测精度。     

基于CS-SVR模型的短期风电功率预测

为了提高短期风电功率预测精度,提出一种布谷鸟搜索算法(Cuckoo Search Algorithm, CS)优化支持向量回归(Support Vector Regression, SVR)机的预测方法,该方法首先根据上截断点和下截断点对输入数据进行预处理,剔除异常数据,之后以输入数据中的风速、平均风速、风机状态等属性数据作为SVR算法模型的输入,以风电功率数据作为SVR算法模型的输出,建立短期风电功率的SVR预测模型,针对SVR算法存在难以选择最优参数的缺点,提出采用布谷鸟算法优化SVR参数的方法,建立短期风电功率的CS-SVR预测模型。通过与SVR、PSO-SVR预测模型进行了对比仿真实验,实验结果表明,CS-SVR预测模型具有较高的预测精度。     

基于扩展SMO求解核函数非正定的SVR模型算法

将求解SVC模型的算法运用到求解SVR模型中一般要SVR模型的核函数正定且满足Mercer条件,而实际应用中利用几何框架将SVC模型转换成相应的SVR模型时,通常无法保证经转换得到的SVR模型的核函数具有正定性,从而导致SVR模型不是凸规划模型而无法求解。为解决上述问题,本文提出了一种运用扩展的序列最小最优化方法(SMO)来求解基于非正定核的SVR模型,设计了算法中工作集的选择准则,解决了算法中如何选择工作集变量当前的最优值问题。由于该算法不要求核函数具有正定性,从而拓宽了SVR模型核函数的选择范围。实验表明,该算法对基于正定或非正定核的SVR模型都具有很好的泛化性能和回归精度,具有一定的理论意义和实用价值。     

Parameter selection of support vector regression based on hybrid optimization algorithm and its application

Choosing optimal parameters for support vector regression （SVR） is an important step in SVR. design, which strongly affects the pefformance of SVR. In this paper, based on the analysis of influence of SVR parameters on generalization error, a new approach with two steps is proposed for selecting SVR parameters, First the kernel function and SVM parameters are optimized roughly through genetic algorithm, then the kernel parameter is finely adjusted by local linear search, This approach has been successfully applied to the prediction model of the sulfur content in hot metal. The experiment results show that the proposed approach can yield better generalization performance of SVR than other methods,     

基于PSO优选参数的SVR水质参数遥感反演模型

为进一步提高多光谱图像水质反演的精度,提出了一种基于PSO优选参数的SVR水质参数遥感反演模型.该模型利用高分辨率多光谱遥感SPOT-5数据和水质实地监测数据,采用交叉验证CV(cross validation)估计模型推广误差并使用PSO优选SVR模型参数,实现了模型参数的自动全局优选,在训练好的SVR模型基础之上对水质进行反演.以渭河陕西段为例进行实证研究,实验结果表明,本文提出的水质反演模型较常规的线性回归模型有更高的反演精度,为内陆河流环境遥感监测提供了一种新方法.     

R-SVR中r与输入噪声间近似线性反比关系

为使r范数SVR更具鲁棒性,深入研究了r范数SVR中参数与输入噪声之间的关系。运用SVR的贝叶斯框架,分别推导出了鲁棒的r范数SVR中参数r与拉斯噪声和均匀噪声之间呈近似的线性反比关系。并结合仿真结果和已有的相关结论,得到了更为一般的结论,即鲁棒的r范数SVR中参数r与输入噪声之间呈近似的线性反比关系。这一结论为输入样本含有分布未知噪声的情况下r范数SVR参数的选择提供了理论依据。     

自组织映射算法与基于专家系统的支持向量回归的结合

A new approach is proposed to model nonlinear dynamic systems by combining SOM (self-organizing feature map) with support vector regression (SVR) based on expert system. The whole system has a two-stage neural network architecture. In the first stage SOM is used as a clustering algorithm to partition the whole input space into several disjointed regions. A hierarchical architecture is adopted in the partition to avoid the problem of predetermining the number of partitioned regions. Then, in the second stage, multiple SVR, also called SVR experts, that best fit each partitioned region by the combination of different kernel function of SVR and promote the configuration and tuning of SVR. Finally, to apply this new approach to time-series prediction problems based on the Mackey-Glass differential equation and Santa Fe data, the results show that SVR experts has effective improvement in the generalization performance in comparison with the single SVR model.     

RQEA-SVR在交通流预测中的应用

建立在统计学习理论和结构风险最小化准则基础上的支持向量回归（SVR）是处理小样本数据回归问题的有利工具,SVR的参数选取直接影响其学习性能和泛化能力。文中将SVR参数选取看作是参数的组合优化问题,确定组合优化问题的目标函数,采用实数量子进化算法（RQEA）求解组合优化问题进而优选SVR参数,形成RQEA-SVR,并应用RQEA-SVR求解交通流预测问题。仿真试验表明RQEA是优选SVR参数的有效方法,解决交通流预测问题具有优良的性能。     

基于支持向量回归的粮仓储粮重量检测模型建立

在建立粮仓储粮重量与粮仓底面关系的基础上,提出了基于支持向量回归的粮仓储粮重量检测模型,给出了基于SVR的粮仓重量检测模型推导.实验表明:本实验选择玉米作为测试粮食类型,总计开展了3次测试,训练SVR检测模型总共得到18个支持向量点,实际预测测试相对误差等于1.4％.以东营粮库作为测试对象,该粮仓总共包含5个粮仓,由稻...     

一种基于SVR的传感器系统故障诊断方法

简要介绍了回归型支持向量机(Support Vector Regression,SVR),并在此基础上构建了一个传感器故障诊断系统,对SVR采用离线训练,在线应用的方法,用训练好的SVR来模拟柴油机温度控制的传感器系统的动态特性。仿真结果表明:SVR能有效地模拟传感器系统的动态特性,能跟踪传感器的输出信号,并及时对传感器故障进行准确的诊断。     

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。     

从SVC核到SVR核的非正定问题的研究

从支持向量回归机的几何框架出发,用理论推导和仿真的方法,提出了两种从SVC到SVR的核函数转换中引起的核函数非正定性问题的解决方法。一是通过引入空间映射变换保证所得到的SVR的核函数是正定的;二是利用近似SVR模型解决具有非正定核的SVR模型的不可解问题。仿真结果表明,该两种方法能够基本解决上述问题。     

支持向量回归方法用于1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSPR研究

采用支持向量回归方法研究了1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSAR。基于留一法交叉验证的结果,比较了支持向量机回归(SVR)与几种常用建模方法对于该类化合物除草活性的预测精度。研究表明:所建SVR模型的精度高于逆传播人工神经网络(BPANN)、多元线性回归和偏最小二乘(PLS)所得结果。     

基于SVR的瓦斯传感器故障诊断方法

介绍了回归型支持向量机（SVR）的基本原理,建立了基于SVR的传感器时间预测模型,对时间预测器实行离线训练、在线应用的方法,用训练好的SVR模型模拟煤矿井下瓦斯传感器系统的动态特性,阐述了瓦斯传感器故障诊断和信号恢复的实现过程。仿真结果表明：SVR时间预测器能准确预测和跟踪瓦斯传感器的输出,及时诊断出传感器故障信息,并对传感器信号进行恢复,实验验证了该方法的正确性和有效性。     

基于改进遗传算法的SVR短期电力负载预测

为了有效且精确地预测电力负载,提出一种基于支持向量回归(Support Vector Regression, SVR)的预测方法对负载消耗进行建模,同时提出一种基于遗传算法(Genetic algorithm, GA)的两级改进遗传算法(Modified Genetic Algorithm, MGA)以调整SVR中的参数。在满足SVR约束条件的情况下选用平均绝对百分比误差(Mean Absolute Percentage Error, MAPE)作为MGA的适应度函数。最后使用一组实际数据对基于MGA的SVR预测方法的可行性和有效性进行了验证。      

基于SVR的动平衡加工误差补偿方法

针对动平衡加工误差补偿函数复杂的非线性特性,提出了基于支持向量回归机(SVR)的动平衡加工误差补偿方法.对实际转子的动平衡加工数据进行分析和处理,构造训练样本群作为SVR的输入进行训练,采用训练完毕后的SVR模型对误差补偿量进行预测.仿真结果验证了基于SVR的加工补偿方法能够有效地预测动平衡加工误差,实现高效、灵活的误差补偿,从而有效地提高动平衡加工精度.     

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。