模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向昔机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大．将该模型应用于新疆伊犁河雅码渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用．     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

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.     

迅速崛起的机器学习技术--支持向量机

支持向量机(support vector machine，简称SVM)是近年来在国外发展起来的一种新型机器学习技术，由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点．与传统的人工神经网络(artificial neural network，简称ANN)不同，SVM是基于结构风险最小化(structural riskminimization，简称SRM)原理，而ANN是基于经验风险最小化(empirical risk minimization，简称ERM)原理．理论和实验表明，SVM不但结构简单，而且具有较好的泛化能力，尤其是对于小样本问题，成功地克服了ANN学习过程中的“过学习”和可能会陷入局部极小问题．另外，SVM算法是一个凸二次优化问题，能够保证极值解是全局最优解．就SVM理论进行了详细综述，旨在引起广大研究的重视．     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

支持向量机在地基沉降预测中的应用

尝试把最近发展起来的支持向量机(SVM)引入地基沉降的预测中.支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.本文提出了基于支持向量机的地基沉降预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的地基沉降预测模型.以实例数据为学习样本和测试样本,讨论了基于支持向量机的地基沉降预测的方法及其可行性.研究表明,支持向量机可以很好地表达地基沉降与其影响因素之间的非线性映射关系,用支持向量机方法来预测地基沉降是可行的.它为预测地基的沉降提供了一种新的方法.     

工程项目工期风险的支持向量机预测模型

影响建筑施工项目的各种不确定因素错综复杂，为了在工程项目实施前确定工程的最终工期，在介绍支持向量机回归理论的基础上，本文提出了基于支持向量机的工程项目工期风险预测模型。根据以往同类工程的风险数据作为学习样本，训练并构建支持向量机来预测待建项目的工期风险水平。最后的实证研究表明了该预测体系的可行性及可靠性。     

军用无人机研制费用的支持向量机预测

应用支持向量机建立了军用无人机研制费用预测模型,并采用该模型对某型军用无人机研制费用进行了预测。实例表明,与常规预测方法的结果相比,在少样本的情况下,建立预测模型具有更高的预测精度。     

基于支持向量机的地下水位预测

地下水位的动态变化是一个复杂的非线性过程,地下水位与其影响因素之间存在着复杂的非线性关系,将支持向量机方法应用于地下水位预测,并提出相应的模型.实例分析结果表明,与基于GM(1,1)的预测模型相比,地下水位预测的支持向量机模型科学可行,预测精度高,对地下水位预测的问题具有较好的适用性.     

政策干预对投资者间博弈的影响

研究政策干预对机构投资者博弈策略和均衡结果的影响。研究结果表明,政府的政策干预有利于机构投资者的市场操纵行为。增加机构投资者数量,减少信息不对称程度,可以减少股价操纵事件的发生。     

基于支持向量机的彩色滤波阵列插值方法

针对已有彩色滤波阵列插值方法的结果图像存在边缘模糊、虚假色的问题,提出了图像相关性与支持向量机将结合的插值方法.该方法以色彩相关性为基础构造色差平面,在色差平面上根据空间相关性选择适当的邻近点输入模式训练支持向量机,然后用训练的支持向量机及输入模式估计出未知像素点对应的色差,最后计算出各像素点未知的彩色像素值.实验结果表明,与已有算法相比,该算法结果图像的PSNR值、NCD值及视觉效果均有显著攻善.     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.     

基于支持向量机的煤与瓦斯突出预测研究

煤与瓦斯突出已经成为影响煤矿生产最严重的安全问题和经济问题之一.在国内外有多种用于预测煤与瓦斯突出的方法,包括动态和静态预测,但是这些方法大多只考虑单一的参数,因此它们对煤与瓦斯突出的预测效果并不是很理想.对于近年来应用较为广泛的神经网络,由于其固有的缺陷,对于高维、小样本的情况具有不太理想的预测效果.作者综合考虑了多个因素,并将支持向量机(Support Vector Machine)这一方法应用到煤与瓦斯突出预测中.经过仿真试验,证明这种方法能够取得较好的预测效果.     

应用最小二乘支持向量机预测煤的发热量

为解决现有的煤发热量预测神经网络法的过学习与局部极小点问题,通过对煤热量数据的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于最小二乘支持向量机(LS-SVM)的煤发热量预测数学模型。在算例分析中与BP神经网络、RBF神经网络预测法进行对比,发现该方法比BP和RBF神经网络具有更高的预测精度,且具有收敛速度快、泛化能力强等优点,为燃煤发热量的预测提供了一种有效的方法。     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

基于奇异值分解和支持向量机的负荷预测新方法

负荷预测作为一个传统而又复杂的问题,已取得了一定的发展。本文从信号特征提取的角度出发,研究负荷预测新方法。首先,应用相重构将负荷序列重构为负荷特征矩阵;接着,通过奇异值分解提取负荷序列的轮廓部分和细节部分;最后,使用支持向量回归机分别预测负荷的轮廓部分和细节部分,进而得到所要预测的负荷。实例研究证明,本文方法的预测精度较高,具有一定的实用性。     

Time-variant reliability analysis of three-dimensional slopes based on Support Vector Machine method

In the reliability analysis of slope, the performance functions derived from the most available stability analysis procedures of slopes are usually implicit and cannot be solved by first-order second-moment approach. A new reliability analysis approach was presented based on three-dimensional Morgenstern-Price method to investigate three-dimensional effect of landslide in stability analyses. To obtain the reliability index, Support Vector Machine (SVM) was applied to approximate the performance function. The time-consuming of this approach is only 0.028% of that using Monte-Carlo method at the same computation accuracy. Also, the influence of time effect of shearing strength parameters of slope soils on the long-term reliability of three-dimensional slopes was investigated by this new approach. It is found that the reliability index of the slope would decrease by 52.54% and the failure probability would increase from 0.000 705% to 1.966%. In the end, the impact of variation coefficients of c and f on reliability index of slopes was taken into discussion and the changing trend was observed.