基于支持向量机方法的金融时间序列研究

支持向量机是基于统计学的一种新型的机器学习和数据挖掘的技术,实现了结构风险最小化原则。由于金融时间序列是非平稳的、复杂的,非线性的,含有噪声数据,传统的方法很难得到满意的预测效果。提出了基于支持向量机的金融时间序列预测的方法,应用到我国上证180指数预测中,实验结果表明支持向量机方法对动态的金融时间序列具有较好的建模能力,达到了较好的预测效果。     

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.     

基于支持向量机的光伏发电功率预测

分析了光伏系统的发电特性以及影响光伏发电的因素,建立了基于支持向量机的光伏系统发电功率预测模型.该模型以结构风险最小化原则取代了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.用某一天的数据作为训练样本集,首先对数据进行去噪和归一化,然后用支持向量机方法对样本集进行训练和发电功率预测.仿真结果表明,基于支持向量机的预测模型具有较高的精度,可用于光伏发电系统的预测.     

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.     

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.     

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.     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

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。     

多元分类LS-SVM设计与装备保障性评估

科学、有效地进行保障性评估是提高装备综合保障能力和加快装备形成战斗力的研究重点之一；支持向量机是采用结构风险最小化原则代替传统统计学中的，基于大样本的经验风险最小化原则的新型机器学习方法，具有出色的学习分类能力和推广能力。研究了新型支持向量机算法——最小二乘支持向量机，并设计了基于多元分类的最小二乘支持向量机；建立了装备保障性评估的最小二乘支持向量机决策模型，确定了保障性评估指标体系和支持矢量学习决策模式；对某新型装备的保障性进行了评估。结果表明，基于最小二乘支持向量机的保障性评估是有效的、可行的。     

贝叶斯框架下最小二乘支持向量机的中长期电力负荷组合预测

影响中长期负荷变化的因素较多,单一预测模型很难满足预测需要,组合预测能够较好地解决单一模型的缺点,借鉴单一预测模型的优点。提出贝叶斯框架下最小二乘支持向量机(LS-SVM)中长期负荷组合预测模型,利用结构化风险原则代替经验风险最小化,挖掘各单一预测模型的信息,以单一模型的预测数作为组合预测输入样本,通过贝叶斯后验理论确定最小二乘支持向量机参数,建立组合预测模型进行预测。通过算例表明,提出的模型具有较高的预测精度,能够较好地解决小样本下的预测问题,具有良好的泛化能力和预测精度。