基于涡流搜索算法的支持向量机分类模型

提出一种将涡流搜索算法用于支持向量机参数选取的新算法,利用该算法不必遍历搜索空间内所有的参数点即可找到全局最优解。给出了具体的算法流程,并进行了仿真。仿真实验结果表明涡流搜索算法是选取SVM参数的有效方法。     

果蝇优化SVM模型对有机化合物熔点的预测

为了有效解决支持向量机(SVM)模型在参数选择上的盲目性问题,进而提高该模型的学习性能和泛化能力,将果蝇优化算法(FOA)引入该领域,提出了一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化优化算法选择全局最优的SVM惩罚因子和核函数参数,从而建立SVM分类模型,进而基于该模型对实际问题进行应用。将该模型应用于对有机化合物的熔点预测问题中,实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

基于蜻蜓算法优化支持向量机的滚动轴承故障诊断

针对支持向量机参数选取不当影响诊断结果的问题,采用蜻蜓算法对支持向量机的惩罚因子C与核函数参数g进行优化,构建DA-SVM滚动轴承故障诊断模型。实验表明:与SVM、PSO-SVM、GA-SVM模型相比,DA-SVM诊断模型有效提高了滚动轴承故障诊断的准确率,且收敛速度快、寻优能力强。     

改进蚁群算法在支持向量机参数中的应用

提出一种改进的蚁群算法(即交叉验证法与蚁群算法的有效结合)对支持向量机的参数进行优化。首先通过交叉验证法得到支持向量机参数,然后在这些参数中确定蚁群算法的搜索空间,最后在该区间上选取最优参数。仿真结果表明:使用该方法优化支持向量机参数可以在较短时间内寻找到最优解,进而缩短搜索时间,提高识别准确率。     

丁二酸发酵过程软测量模型的参数优化研究

针对生物转化法制备丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,采用基于结构风险最小化的支持向量机对发酵过程建模.与神经网络方法相比,所建模型的预测效果更好.同时采用粒子群算法对支持向量机模型中     

用于水泥熟料fCaO预测的多核最小二乘支持向量机模型

针对水泥熟料游离氧化钙(fCaO)含量预测模型辨识的问题,考虑到单一核函数无法显著提高模型精度,采用多项式核函数、指数径向基核函数和高斯径向基核函数组合构建等价核的方法,建立了多核最小二乘支持向量机水泥熟料fCaO预测模型。同时,利用改进的粒子群优化算法对多核最小二乘支持向量机模型的6个待确定参数进行迭代寻优,避免了模型参数人工选取的盲目性。最后将基于改进粒子群的多核最小二乘支持向量机模型应用于熟料fCaO含量的实例仿真。结果表明,建立的水泥熟料fCaO含量预测模型精度高、泛化能力强。     

支持向量机算法优化制备赛隆-刚玉浇注料工艺参数

运用可限制过拟合、有较强预报能力的支持向量机算法(SupportVectorMachine,简称SVM)对赛隆-刚玉浇注料的工艺参数进行优化,通过试验数据处理,建立了工艺参数与烧成后常温抗折强度的数学模型。留一法结果表明,用支持向量机算法优化制备赛隆-刚玉浇注料的工艺参数是可行和有效的。     

基于改进萤火虫算法优化SVM的滚动轴承故障诊断

针对萤火虫算法优化支持向量机时,收敛速度较慢、易陷入局部最小值等问题,将萤火虫算法进行改进来优化支持向量机,用此方法来对轴承故障进行诊断.经过对比实验,发现该方法分类效果和识别准确率均有一定的提高.     

SA-SVM模型预测泥质含量研究

泥质含量计算的准确性直接影响解释储层、分析储层岩性的精确度.常规测井曲线解释泥质含量需要多种测井曲线相结合,工作效率低,不可控因素多.通过分析测井资料与泥质含量的相关性,选取自然电位、自然伽马、声波时差和密度测井为特征参数,运用模拟退火算法优化支持向量机回归模型中的超参数,提高算法全局搜索能力.利用测井资料数值进行训练...     

支持向量机预测蜡沉积速率的模型研究

基于支持向量机的原理,考虑了7个影响蜡沉积速率的因素,在优化支持向量机参数的基础上,预测了蜡沉积速率。结果表明,对于训练样本和测试样本,该方法所得的相关系数分别为0. 990 7和0.982 3。说明该方法的预测精度高,可用于蜡沉积速率的预测;支持向量机与神经网络法相比,可得到模型的显示表达式;支持向量机中参数c、g的取值决定了预测效果的好坏,网格参数寻优法、粒子群参数寻优法、遗传算法寻优法三种方法都可用于寻找最优的c、g组合。三种方法寻优后所得的预测结果差值较小,均能满足其预测精度。     

基于支持向量机的氨含量预测模型

氨合成反应器出口氨含量与其影响因素间存在较强的非线性关系,为其建模,可预报氨含量,进而指导生产、优化反应器的操作.本文运用具有较强的非线性拟合能力和基于结构风险最小化原则的支持向量机,建立了氨含量的预测模型,验证表明,该模型具有较强的拟合和预测能力.     

Prediction of jet penetration depth based on least square support vector machine

Experiments to investigate the jet penetration depth were carried out. The jet penetration depth increases with the increase of spouting gas velocity, spouting nozzle diameter and carrier gas density, but decreases with the rise of the static bed height, particle density, particle diameter and fluidized gas rate. The intelligent model to predict the jet penetration depth has been established based on least square support vector machine and adaptive mutative scale chaos optimization algorithm. The prediction performance of the intelligent model is better than empirical correlations and neural network.     

基于PSA-SVRM模型的钢铁企业副产煤气消耗量预测

针对钢铁企业副产煤气消耗量经验模型难以对其进行精确预测的问题,通过分析副产煤气消耗用户及其特点,按不同用户利用支持向量机对副产煤气消耗量进行分类,依托Powell算法、模拟退火法和支持向量回归机各自的性质及特点,构建了副产煤气消耗量预测模型,并依托企业实际数据对模型进行验证. 结果表明,对烧结、炼钢、连铸3个主工序60个步长的测试分类准确率分别为94.8%, 94.9%和100%,模型预测的相对平均误差分别为2.5%, 2.8%和2.1%,表明模型适用于副产煤气消耗量预测. Wilcoxon符号秩检验验证了模型的有效性.     

基于SVR-GA模型的浆态管流压力差的预测

This paper describes a robust support vector regression （SVR） methodology, which can offer superior performance for important process engineering problems. The method incorporates hybrid support vector regression and genetic algorithm technique （SVR-GA） for efficient tuning of SVR meta-parameters. The algorithm has been applied for prediction of pressure drop of solid liquid slurry flow. A comparison with selected correlations in the lit- erature showed that the developed SVR correlation noticeably improved the prediction of pressure drop over a wide range of operating conditions, physical properties, and pipe diameters.     

SVM算法预测发动机润滑油的高温清洁性

考察了发动机润滑油功能元素与其高温清净性能的相关性,用支持向量机算法和偏最小二乘算法定量预测了发动机润滑油高温清净性能。结果表明,利用发动机润滑油的功能元素能够预测其高温清净性。支持向量机法的预测结果要优于偏最小二乘法的结果。     

基于最小二乘支持向量机的聚氯乙烯汽提过程预测模型

聚氯乙烯(PVC)汽提过程最显著的特点为具有非线性和时变性,属于复杂的非线性工业控制过程,而支持向量机对于非线性系统控制过程表现出了良好的性能。研究基于最小二乘支持向量机建立了(PVC)汽提过程的温度预测模型,将统计学习理论和结构风险最小化理论应用到PVC生产过程中,对汽提塔温度进行建模和仿真实验,仿真结果表明建模方法有效。     

Efficient Prediction of Progesterone Receptor Interactome Using a Support Vector Machine Model

Protein-protein interaction (PPI) is essential for almost all cellular processes and identification of PPI is a crucial task for biomedical researchers. So far, most computational studies of PPI are intended for pair-wise prediction. Theoretically, predicting protein partners for a single protein is likely a simpler problem. Given enough data for a particular protein, the results can be more accurate than general PPI predictors. In the present study, we assessed the potential of using the support vector machine (SVM) model with selected features centered on a particular protein for PPI prediction. As a proof-of-concept study, we applied this method to identify the interactome of progesterone receptor (PR), a protein which is essential for coordinating female reproduction in mammals by mediating the actions of ovarian progesterone. We achieved an accuracy of 91.9%, sensitivity of 92.8% and specificity of 91.2%. Our method is generally applicable to any other proteins and therefore may be of help in guiding biomedical experiments.     

基于支持向量机的焦炭质量预测模型

采用机器学习方法中的支持向量机技术来预测焦炭质量,不需要了解煤成焦机理,综合考虑配合煤特性和焦炉加热制度的影响,而且克服了人工神经网络预测精度低的缺点,在取得最小拟合误差的同时可以得到最小的预测误差;给出了一种基于组态王6.0与VB6.0的焦炭质量在线预测系统框架.