密闭鼓风炉锌产量的支持向量机实时预报模型

为优化密闭鼓风炉的操作参数,建立了锌产量的实时预报模型。该模型采用分类SMO方法训练支持向量机回归模型,并根据若干步的误差来在线校正模型参数,对锌产量进行多步预报,以及时调整操作参数,并能在线学习预报模型。该预报模型的工业仿真表明在只有较少的样本数的情况下,在有效误差范围内能达到90％,且具有很好的实时性。该模型已应用于密闭鼓风炉操作优化与故障诊断系统,能较好地指导生产。     

支持向量机回归在线建模及应用

支持向量机（SVM）回归理论与神经网络等非线性回归理论相比具有许多独特的优点，讨论了建模中SVM核函数，损失函数的选取和容量控制等问题，并用实验加以验证，将SVM回归动态建模理论应用于非线性，时变，大时延温室环境温度变化的建模和预测，模型简单，预测效果好。     

基于改进在线支持向量回归的离子浓度预测模型

针对湿法炼锌净化过程中杂质离子浓度检测的大滞后特性和模型失效问题.提出了基于在线支持向量回归的离子浓度预测模型.该模型对每个新样本进行增量学习,并能删除数据集中的一个旧样本.进而提出用分块矩阵的方法解决更新算法计算复杂的问题.将该建模方法应用于离子浓度的预测,结果表明预测模型具有较好的泛化性能,模型更新时间明显缩短,有效地提高了适应工况的实时性.     

基于支持向量机的在线建模方法及应用

针对常规v支持向量回归用于在线建模时存在的问题，提出了一种支持向量回归在线建模方法．利用贝叶斯证据框架优化模型参数，通过判断新增观测值是否满足原来的KKT条件，并对历史数据给予不同程度的加权以充分利用最新的数据信息，使模型随着时间的推移在线更新．工业PTA氧化过程中4-CBA含量预测的实例表明，该方法能很好地跟踪4-CBA含量的变化趋势，是一种有效的在线建模方法．     

一种ε可调的在线支持向量回归及其训练算法

标准支持向量回归问题中,噪声较大的时段将包含较多的支持向量。提出一种时间窗内?着可调的支持向量回归方法,根据各时间窗的支持向量的比例动态调整?着,能够处理噪声时变的回归问题。并给出一种?着调整时的在线训练算法,避免重复求解凸规划问题。实例表明该方法的泛化能力和拟合精度较标准支持向量回归为优。     

基于支持向量预选取的支持向量域故障预报

针对两种支持向量域模型分别分析了支持向量的分布特性,在此基础上从训练集中选取具有一定几何特征的向量构建预测模型.这些特征向量的预选取在不影响支持向量域的故障预报能力的前提下,大大减少了训练样本,提高了支持向量域的训练效率.仿真实验表明了该方法的有效性和可行性.     

利用PSO-SA混合优化支持向量回归的径流预报模型研究

为了有效提高径流预报的准确度,提出一种有效的融合优化策略,采用基于粒子群和模拟退火算法相结合的混合方法同时优化支持向量回归核函数类型和内核参数,以此建立一种有效的混合优化支持向量回归径流预报模型。提出的方法为核函数选择和参数优化提供了一种有效途径。通过对广西柳州柳江径流实例分析,并与纯粹的支持向量回归模型对比,研究结果表明,该模型预测稳定,具有较高泛化性能和预测准确度,为径流预报提供了一种有效预测方法。     

精确在线支持向量回归在股指预测中的应用

建立了基于精确在线支持向量机回归算法的股指短期预测模型,并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较,验证了该方法的有效性。     

基于在线支持向量回归的非线性模型预测控制方法

针对非线性模型预测控制中离线模型难以适应非线性对象实时变化的缺点, 提出一种基于在线支持向量回归的非线性模型预测控制方法. 该方法通过在线支持向量回归离线训练与在线学习相结合的方式, 建立具有在线校正特性的预测模型, 同时采用最速下降原理滚动优化非线性模型预测控制的目标函数, 求得多步控制量. 通过对非线性对象的控制结果表明, 所提出方法有效且具有良好的自适应性.

     

基于在线支持向量机的非线性内模控制

为了提高传统内模控制的鲁棒性和抗干扰能力,采用在线支持向量机回归（Online Support Vector Machine Regression,OSVMR ）理论建立系统的正向模型和设计逆模控制器。首先简要介绍了OSVMR的原理和算法,然后将其应用于内模控制问题,并建立了OSVMR模型。其次,在控制过程可逆的条件下设计了OSVMR控制器,最后将该控制方法应用于可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与RBF神经网络IMC相比,具有较简单的模型和较好的控制性能。     

回归支持向量机的改进序列最小优化学习算法

支持向量机(support vector machine,简称SVM)是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法,提出了实现回归支持向量机的一种改进的SMO(sequential minimal optimization)算法,给出了两变量子优化问题的解析解,设计了新的工作集选择方法和停止条件,仿真实例说明,所提出的SMO算法比原始SMO算法具有更快的运算速度.     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于支持向量回归的年电力需求预测方法

建立在统计学习理论（SLT）和结构风险最小化（SRM）准则基础上的支持向量机（SVM）在理论上能够很好地平衡学习精度和泛化能力之间的矛盾,支持向量机回归（SVR）是处理小样本数据回归建模的有利工具。文中提出应用SVR求解年电力需求预测问题,给出了求解问题的具体过程和方法,并对比研究了SVR和BP网络预测方法。预测结果表明应用SVR预测年电力需求,不仅易于实现,而且精度较高,性能明显优于BP网络方法。     

训练支持向量机的并行序列最小优化方法

序列最小优化(SMO)是训练支持向量机(SVM)的常见算法,在求解大规模问题时,需要耗费大量的计算时间。该文提出了SMO的一种并行实现方法,验证了该算法的有效性。实验结果表明,当采用多处理器时,并行SMO具有较大的加速比。     

基于SVR的传感器Hammerstein模型辨识

提出一种基于支持向量回归机的非线性动态传感器Hammerstein模型辨识方法并给出了相关的数学理论及学习算法.在该模型中,用非线性静态子环节和线性动态子环节串联来描述传感器的非线性动态特性.再利用函数展开将模型的非线性传递函数转换为等价的线性中间模型,并通过SVR求取中间模型参数.最后,推导出中间模型参数与传感器Hammerstein模型参数之间的关系,并由该关系实现非线性静态环节和线性动态环节的同时辨识.用实际力传感器动态标定实验数据进行测试,结果表明与常规非线性传感器辨识方法不同,所提方法只需进行一次动态标定实验就能给出非线性动态模型的数学解析表达式.且建立的力传感器Hammerstein模型阶次为4,而线性动态系统模型则需要6阶才能达到相同的精度.因此该研究为传感器非线性动态系统辨识又提供了一种可选方法.     

基于支持向量回归的唇动参数预测

支持向量机学习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，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

利用SVR的非线性动态系统Wiener模型补偿

提出一种新的利用支持向量回归机(SVR)的非线性动态系统维纳(Wiener)模型补偿方法.首先,将非线性动态系统用Wiener模型描述成线性动态子环节和非线性静态增益;再设计结构上与之对应的Wiener补偿器,并进一步将其变换为可用SVR辨识的线性中间模型;最后,通过关系矩阵将中间模型的估计值转换为Wiener补偿器的实际参数.用实际压力响应系统的动态标定实验数据进行测试,结果表明,与最小二乘方法比较,所提方法建立的Wiener补偿器具有更强的抗干扰能力.因此,该研究为非线性动态系统补偿又提供了一种可选方法.     

一种新的SVM数字音频水印嵌入算法

为了取得鲁棒性与不可感知性的良好平衡,提出一种新的SVM数字音频水印嵌入算法.该算法以回归型支持向量机(SVR)理论及同步码技术为基础,首先结合数字音频内容,选取稳定的能量、过零率作为特征向量并获得SVR训练模型,然后利用SVR训练模型自适应确定嵌入位置,最后采纳量化调制策略,分别在空间域和频率域内将同步码和数字水印嵌入到音频载体内.仿真实验表明,本文算法不仅具有较好的不可感知性,而且对诸如叠加噪声、重新采样、重新量化、低通滤波、MP3压缩、随机剪切等攻击均具有较好的鲁棒性.     

柔性支持向量回归及其在故障检测中的应用

支持向量回归(Support vector regression, SVR)的学习性能及泛化性能取决于参数设置.在常规方法中,这些参数以固定值形式参与运算,而当面对复杂分布的数据集时, 可能无法挑选出一组能够胜任各种分布情况的参数,参数设置需要在过拟合和欠拟合之间进行取舍. 因此,本文提出一种能够根据样本分布进行参数自我调整的柔性支持向量回归算法(Flexible support vector regression, F-SVR).该算法根据样本分布的复杂度,将训练样本划分为多个区域,在训练过程中, F-SVR为不同 区域设置不同的训练参数,有效避免了过拟合与欠拟合.本文首先采用一组人工数据对所提算法有效性进行验证,在实验中, F-SVR在 保持学习能力的同时,具备较传统方法更优秀的泛化性能.最后,本文将该算法运用至高频电源故障的实际检测,效果良好.