基于时间序列支持向量机的非线性预测方法研究

结合时间序列提出了一种基于支持向量机的时间序列支持向量机预测方法.该方法能较好的将结构风险最小化原则代替经验风险最小化原则,并较好解决了小样本情况下的学习问题.又由于其采用了核函数思想,将非线性问题转为线性问题来解决,降低了算法的难度,具有全局最优,有良好泛化能力等优越性能,减少了对经验的依赖,可得到广泛应用.     

基于光滑支持向量机的机械振动时间序列分析

时间序列分析方法是动态系统建模的重要手段,传统的序列预测方法如统计和神经网络并不适用于复杂的非线性系统,为此引入了一种新的基于支持向量回归(SVR)的时间序列分析方法。为了降低计算的复杂度,采用了光滑化方法对SVR的基本算法进行改进,并应用于汽轮机振动数据序列,尝试建立汽轮机组振动状态模型。仿真结果表明:光滑支持向量回归(SSVR)算法具有良好的预测性能。与传统的时间序列预测方法(如神经网络)相比,SSVR算法具有更高的收敛速度和更好的拟合精度,有效地扩展了SVR的应用范围。     

时间序列分析与支持向量机的滑坡位移预测

滑坡在变形演化过程中,遭受季节性外界影响因素的作用,变形位移时间曲线呈现出阶跃型特征.采用时间序列分析方法,将位移分解为趋势项和季节项.趋势项位移由坡体自身地质条件控制,利用多项式函数进行预测|季节项位移受降雨、库水位和地下水位等因素的季节性作用而变化.选取当月降雨量、累计前2个月降雨量、当月库水位高程、月库水位变化速率和当月地下水位高程作为影响因子,利用进化支持向量机耦合模型进行预测|通过时间序列加法模型得到滑坡总位移预测值.以三峡库区白家包滑坡为例,通过计算得到预测结果与实际监测值基本吻合,其中最大均方根误差为188,而最小相关系数为098.研究表明：基于时间序列分析与进化支持向量机的滑坡位移预测模型,有效反映了阶跃型滑坡位移变化规律与季节性影响因素之间的响应关系,是一种行之有效的滑坡位移预测方法.     

基于混沌支持向量机的径流时间序列预测研究——以渭河宝鸡林家村站径流序列为例

混沌理论和支持向量机具有强大的非线性处理能力.首先利用混沌系统相空间延迟坐标重构理论对林家村站月径流进行相空间重构,以便更为深刻地挖掘月径流序列中的信息,并运用最大Lyapunov指数法证实渭河林家村站月径流系列具有混沌特性.在此基础上利用基于统计学习理论的支持向量机建立混沌时间序列的预测模型.仿真结果表明,所提出的模型预测结果好于混沌神经网络模型的预测结果,该模型具有较高的泛化能力,可用于林家村站月径流预测.     

基于支持向量机的诊断方法研究

根据支持向量机原理,对线性可分与线性不可分两种情况分别建立了分类模型,模型的求解转化为一个二次规划问题,在选用径向基核函数的参数时运用网格搜索的方法进行选取最优参数。在应用到乳房肿瘤的医疗诊断中,准确率为93．00%,较以前的方法有了明显的提高。     

基于支持向量机的风电短期功率的研究及应用

以风电场功率数据为基础,介绍了支持向量机理论的新应用,讨论了支持向量机算法用于风电场功率数据的具体过程,建立了基于支持向量机的风电场功率数据处理模型．该模型能对风电场功率数据进行有效的分析和处理,能为风电并网的规划、调度、运行和控制提供及时、有效的信息．     

一种改进的支持向量机序列最小优化算法

提出一种改进的序列最小优化算法,它在选取工作集时选取优化步长最大的违反KKT条件的样本和其配对样本,并且对求解过程进行简化,从而使训练过程速度更快。实验表明,该算法是有效、可行的。     

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．     

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.     

稀疏隐空间支持向量机

利用L1范数放宽函数集的VC维上界．构造出基干L1范数的结构风险．在隐空间中，利用这一结构风险，提出了稀疏隐空间支持向量机．由于L1范数具有诱导稀疏性的本质，使得稀疏隐空间支持向量机获得了良好的稀疏性．同隐空间支持向量机一样．稀疏隐空间支持向量机对核函数没有Mercer条件的限制．扩大了核函数的选择范围．在人工和基准数据集上的分类和回归实验表明．所提算法具有同支持向量机相当的推广能力，并且其稀疏性优于支持向量机，从而使得函数评价速度大大加快．     

基于LS-SVR的混沌时间序列多参数自适应预测

故障预测对保障复杂设备的安全可靠工作具有重要意义,但往往难以建立起准确的解析形式的数学模型,因此常常依赖于通过观测所获得的混沌时间序列进行预测分析.为了提高预测的有效性和准确性,基于支持向量机预测理论,提出考虑全部相关多参数混沌时间序列中的信息,进行多参数相空间重构产生训练样本,并建立了多参数自适应最小二乘支持向量回归预测模型.以某设备三个相关参数的仿真混沌时间序列为例进行了预测实验,结果表明该方法有较好的预测精度,是一种有效的预测方法.     

基于Kernel-SOM的金融时间序列预测可视化研究

为了提高金融时间序列预测可视化的效果,在经典的自组织映射SOM(Self-O rgan ization M ap)中引入了核(Ker-nel)的思想得到Kernel-SOM。较之于SOM,使用Kernel-SOM可以学习得到模式在输入空间中的非欧分布信息。当输入模式中非欧信息占据主导地位时,Kernel-SOM的学习效果将显著优于SOM。实验结果表明,Kernel-SOM更适合于金融时间序列预测的可视化应用。     

支持向量机在上市公司财务预警模型中的应用

利用我国上市公司财务数据,采用支持向量机模型对上市公司财务危机预警研究,将其与神经网络模型进行比较,结果表明,无论在分类能力和预测能力上,支持向量机模型的精度和可信度都高于神经网络模型。证实了该方法用于财务预警的有效性及优越性。     

基于支持向量机的特征选择算法综述

特征选择是目前机器学习领域的研究热点之一,特征选择结果的好坏直接影响着分类器的分类精度和泛化性能.首先分析了特征选择算法的框架;其次分析了支持向量机用于特征选择的意义;然后对基于支持向量机的特征选择算法进行了分析和总结;最后从算法实用性角度出发,面向网络数据,探讨基于支持向量机的特征选择算法研究思路.     

ARCH模型在金融时间序列中的拟合应用

讨论了自回归条件异方差（Autoregressive Conditional Heteroskedastic,简称ARCH）模型在金融时间序列分析中的拟合应用,以一金融时间序列为例,通过SAS／ETS中的自回归（Autoreg）程实现对该金融时间序列的自回归一广义自回归条件异方差（Autoregressive—generalized ARCH,简称AR—GARCH）模型的拟合和分析,最终得到理想结果．     

基于K型核函数的支持向量机

提出了一个可行的支持向量核函数——K型核函数,由此得到了K型支持向量机.证明了K型核函数满足Mercer条件且是转移不变支持向量核函数,分析了K型核函数具有较小的计算量和计算时间代价,并且相应的K型支持向量机具有较高的精确性和较好的泛化能力,利用K型核函数得到了一种新型的K型支持向量机.最后给出了几个计算机模拟的实例,包括支持向量回归和支持向量分类,来说明K型支持向量机的优势.     

基于时间序列分析的DNS服务器的DDoS攻击检测

分析了针对DNS服务器DDoS攻击的特征,提出了一种基于攻击流特征(AFC)时间序列的DDoS攻击检测方法.通过自适应自回归模型的参数拟合,将AFC时间序列变换为多维空间内的自适应自回归AAR模型参数向量序列,然后使用支持向量机进行分类.实验结果表明,该方法能有效检测针对DNS服务器的DDoS攻击.     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

支持向量机在矿井突水水源识别中的应用

为了正确地识别矿井突水水源,基于水化学成分对水源判别的重要性,选择K^＋ ＋Na^＋、Ca2^＋、Mg2^＋、Cl^-、SO4^2-、HCO3^-这6项指标作为特征向量,建立了矿井突水水源的支持向量机识别模型．此方法不仅结构简单,而且技术性能尤其泛化能力与BP神经网络相比有明显提高,能有效地识别矿井突水水源的类别,为防治水工作提供决策依据．