基于LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

LS—SVM在捷联惯导系统初始对准的应用

捷联惯导系统（SINS）中卡尔曼滤波的运算时间与系统阶次的三次方成正比,滤波失去实时性,达不到捷联惯导系统的快速性要求。通过研究捷联惯导系统、最小二乘支持向量机和卡尔曼滤波,提出既能保证准确性又能提高实时性的支持向量机初始对准算法。用Matlab软件仿真的结果表明,提出的捷联惯导初始对准算法是有效的。     

LS—SVM算法在光伏短期功率预测中的应用

以光伏阵列为研究对象,分析了辐照强度、温度以及日类型对光伏阵列出力的影响。建立了光伏短期功率预测最小二乘支持向量机LS-SVM模型。依据实验数据对模型进行了验证计算．并与BP神经网络模型做了比较,其中LS-SVM模型最大相对误差值为10．54％,平均绝对百分比误差（MAPE）为8．18％,绝对误差平方和平均值的均方根（RMSE）为0．4884,表明模型预测值离散化程度较小,所有预测点均与实际值非常接近,模型具有较好的拟合效果和泛化能力．可以有效地预测短期光伏发电功率。     

基于最小二乘支持向量机的时用水量预测模型

针对神经网络存在结构较难确定,训练易陷入局部最优以及容易过学习等问题,提出将最小二乘支持向量机用于预测时用水量.最小二乘支持向量机(LSSVM)基于结构风险最小化,能够较好地协调经验风险最小化和学习机器VC维之间的关系,并且LSSVM在支持向量机(SVM)的基础上,通过将价值函数改为最小二乘价值函数以及用等式约束代替不等式约束,将求解的二次规划问题转变为一组等式方程,采用径向基核函数,得到LSSVM模型的待定参数比标准支持向量机少,仅为2个.根据时用水序列具有周期性和趋势性的特点,建立了基于最小二乘支持向量机的时用水量模型.实例分析表明,与基于BP网络的时用水量模型相比,基于最小二乘支持向量机的时用水量模型具有更强的预测能力.     

和声搜索最小二乘支持向量机预测模型及其应用

为了改进目前最小二乘支持向量机(LSSVM)参数选择的盲目性,将和声搜索(Harmony Search)算法引入到最小二乘支持向量机中来.利用具有全局优化功能的和声搜索算法对LSSVM中正则化参数γ和核函数参数σ的进行自动优选,提出了和声搜索最小二乘支持向量机(Harmony Search Least Squares Support Vector Machine,HS-LSSVM)算法.通过对丰满大坝位移的建模预测并和BP神经网络模型及传统统计回归模型的分析比较,表明HS-LSSVM模型具有更小的预测误差和更高的预测精度.     

基于PCA降维的SVM人脸快速检测方法

提出一种改进的快速人脸检测方法。人脸模式训练阶段,先将训练样本的人脸特征经PCA降维提取主要特征,然后训练SVM人脸模式函数,由于训练样本维数的降低,节约了训练时间。检测阶段,利用肤色在YCbCr空间的聚类性,在色度空间建立高斯肤色模型进行皮肤分割。对分割区域进行连通域体态分析后,用PCA方法将待检测样本降维处理,利用SVM检测识别人脸。实验结果表明,这种方法可以快速有效检测图像中的单幅或多幅人脸区域。     

基于KPCA-LSSVM的公路软基路堤沉降预测

针对公路软基路堤沉降发生过程中多变量、强耦合、强干扰、大滞后的复杂特性,利用KPCA先将非线性数据投影到高维空间使其映射呈线性关系,应用PCA提取出映射数据的线性特征信息,间接实现去除原始数据噪声,以降低样本的维数,然后再利用最小二乘支持向量机进行建模的方法对软基路堤沉降进行预测。仿真结果表明：与最小二乘支持向量机及主元分析—最小二乘支持向量机建模方法相比,该核主元分析与最小二乘支持向量机结合的方法能够更准确地预测路堤沉降,且满足精确性和适用性的要求。     

基于PCA降维和优化核参数SVM的电能质量扰动分类

首先对采样信号用db4小波进行10层的多分辨分解,提取扰动信号各层能量与标准信号的能量差作为特征向量;然后用PCA对特征向量进行降维,取3维数据作为分类的特征向量,并将训练集采用交叉验证的方法自适应选择最优参数,并构造训练集模型;最后将测试集数据代入训练集模型进行分类测试.测试结果表明,在PCA降维后可以实现扰动的分类:分辨率高;抗噪能力强;适用于电能质量扰动的分类.     

基于SVM分类器的电信欠费预测模型

对于日益严重的电信欠费问题,采集了某个地区电信的呼叫详单记录、客户信息、欠费和交费信息等数据,使用支持向量机建立了欠费预测模型.然后可以利用所建立的模型来预测潜在的欠费客户,决策者可以得到充分的支持,做出正确的决策.为了提高模型的预测准确率,使用了双变量统计和主成份对数据进行预处理和分析.最后,为了得到最好的模型,主要做了三种实验.实验结果表明使用SVM建立的模型具有很好的预测准确率.     

改进DOAS技术在混合气体中的定量分析

针对差分吸收光谱技术(DOAS)中混合气体吸收光谱重叠问题,提出了一种建立在粒子群优化算法和最小二乘支持向量机算法融合上的改进的DOAS方法.采用最小二乘支持向量机技术对SO2、NO分别建立定量分析模型,并运用粒子群优化算法的强大寻优能力对最小二乘支持向量机算法中的参数进行寻优,最后对定量分析模型进行重建.实验结果表明,采用数据融合的DOAS方法,在解决混合气体光谱重叠问题上切实可行,分别将SO2、和NO最大绝对误差率提高到1.200 0%和2.691 8%,具有一定的实际意义.     

组合预测方法在公路运输量预测中的应用研究

以吉林省公路货运量预测为例,在现有文献研究的基础上,引入了基于广义逆矩阵的变权组合预测模型,在经过理论验证的基础上,通过运用补充新息、二次循环迭代等方法克服了原有方法在实际预测出现的数据失真现象,开展了中长远期预测,并对比各特征年的实际发生数据,重新进行了检验．     

公路货运量变权组合预测模型研究

货运量预测是公路运输建设和规划的基础,单一预测方法很难准确有效地进行运量预测．探讨了变权组合模型在此类问题上的应用,以某省全社会公路货运量及经济发展状况为样本,对未来货运量进行了预测．该方法的变权重具有随时间变化的特点,能够反映出各种预测方法的变化情况,从而提高了模型的预测精度,实证分析预测结果更加客观、有效．     

用灰色模型预测衡阳站客运量发展趋势

预测客运量对正确制定铁路旅客运输发展规划极为重要,由于客运量的变化受多种因素影响,用线性预测方法的结果不准确.本文用灰色模型预测方法对2004年至2008年的衡阳车站的旅客发送量进行了预测.     

基于主成分分析的自动文本分类模型研究

提出了一种基于BP神经网络和主成分分析的文本分类模型。该模型利用主成分分析实现对特征矩阵的降维，通过大量的模拟实验逐步优化BP网络的各项参数。在20_newgroups数据集上的模拟实验表明，该模型具有较好的性能并能得到较高的分类精度。     

基于主成分分析的自动文本分类模型研究

提出了一种基于BP神经网络和主成分分析的文本分类模型。该模型利用主成分分析实现对特征矩阵的降维，通过大量的模拟实验逐步优化BP网络的各项参数。在20_newgroups数据集上的模拟实验表明，该模型具有较好的性能并能得到较高的分类精度。     

基于遗传神经网络优化模型的交通量预测

实时、准确的交通量预测是实现动态交通流控制及诱导的前提和基础.为了更准确地对其进行预测,本文建立了遗传神经网络优化模型,该模型既利用遗传算法全局搜索、快速收敛的优点,又利用神经网络非线性描述、自学习自适应的优点.并以实际道路为例,给出了具体的应用方法,计算机仿真结果表明该模型精度较高、具有可行性.     

公路行驶时间与交通流量预测的时间传递模型

以高速公路行车时间和交通流量预测为研究对象,建立了行车时间预测和路段交通流量估计的时间传递模型,得到了车辆从任意时刻进入高速公路的行驶时间。并分析了增加传感器处交通流量观测值情况下公路的通行特性,重点讨论了对局部阻塞路段的运行时间和交通流量的影响,利用交通流量时间传递模型,给出了该路段车辆运行时间和交通流量的精确预测。     

基于集成主成分分析的故障检测方法

针对核主成分分析(KPCA)和主成分分析(PCA)的一些不足,提出一种基于集成主成分分析的故障检测方法。该方法将PCA与KPCA结合,利用KPCA描述过程的非线性信息并提取核主成分,再利用PCA对原始信息和核主成分一同提取线性主成分,通过构造统计量T2和SPE(或Q)进行故障检测。在TE(Tennessee-Eastman)过程上的仿真研究表明,本文提出的方法较PCA和KPCA有更高的故障检测精度。     

一种基于HSI色度空间的磨粒成分分析法

介绍了HSI模型的基本原理,并提出使用HSI模型分析磨粒颜色分布。通过比较不同元素构成的磨粒图片在HSI模型参数上面的颜色分布,来判别该磨粒的元素构成,并且使用主成分分析法对磨粒颜色参数进行了化简,从而可以直观地对磨粒进行分类。实验证明,该方法在铁谱磨粒识别方面效果良好。