支持向量机在时间序列预测中的应用

介绍了时间序列预测的研究现状以及支持向量机(SVM)回归算法的基本原理,将支持向量机回归用于某型雷达磁控管高压数据的预测,并将支持向量机预测结果与BP神经网络预测结果进行了比较.     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

基于SVR的反舰导弹作战效能探索性评估方法

在反舰导弹的使用过程中针对动态的战场环境和对抗条件,选取最优的战术方案来获得最大的作战效能,是一个亟待解决的问题.为此将统计学习理论中的支持向量回归机(SVR)方法引入对抗条件下的反舰导弹效能探索性评估,提出了基于SVR的反舰导弹作战效能探索性评估方法.在分析影响反舰导弹作战效能的各项因素的基础上,建立了基于SVR的反舰导弹效能模型,并利用该模型对反舰导弹的作战效能进行拟合和预测.仿真实验表明:SVR模型具有运算速度快,预测精度高的特点,将SVR支持向量回归机应用于反舰导弹效能评估是有效可行的.为反舰导弹的效能评估提供了一种新的思路.     

基于支持向量机的时态数据预测方法

支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型（BP神经网络）进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。     

基于支持向量机的蒙脱土悬浮液电动电位预测

应用多元线性回归、人工神经网络、支持向量机3种方法,对加入聚乙二醇、十二烷基苯磺酸钠、石油磺酸盐和部分水解聚丙烯酰胺四种处理剂的蒙脱土悬浮液的电动电位进行预测。在模型训练中,分别采用了神经网络集成和非启发式参数优化来提高人工神经网络和支持向量机模型的泛化能力。检验结果表明,参数优化的支持向量机模型预测精度最高,其平均误差率为3.88%,最大误差率为7.55%。     

多智能体粒子群优化的SVR 模型预测控制

参数的优化选择对支持向量回归机的预测精度和泛化能力影响显著,鉴于此,提出一种多智能体粒子群算法(MAPSO)寻优其参数的方法,并建立MAPSO支持向量回归模型,用于非线性系统的模型预测控制,推导出最优控制率.采用该算法对非线性系统进行仿真,并与基于粒子群算法、基于遗传算法优化支持向量回归机的模型预测控制方法和RBF神经网络的预测控制方法进行比较,结果表明,所提出的算法具有更好的控制性能,可以有效应用于非线性系统控制中.     

基于V-SVR的海洋环境下武器效能评估

海洋环境中各种气象水文要素对海军武器装备的作战效能影响显著,且影响机理复杂,这大大增加了海军武器装备作战效能的评估难度。针对武器装备作战效能评估问题中的小样本、非线性和高维度等问题,文中提出将v-支持向量回归机（v-supportvectorregression,v-svR）模型应用到该作战效能评估问题中。v-支持向量回归机模型最终转化为凸二次规划问题,文中采用基于分解思想的序列最小优化（sequentialminimaloptimization,SMO）算法进行求解：并对参数选取问题进行了讨论。针对某作战平台的作战效能评估实例,基于v-支持向量回归机建立了评估模型,实验结果表明了所提评估模型的有效性。基于v-支持向量回好机的评估模型能够降低对专家经验的依赖,其评估结果具有较高的客观性。     

基于支持向量回归机的公路货运量预测模型*

为了提高公路货运量预测的能力,应用基于结构风险最小化准则的标准支持向量回归机方法来研究公路货运量预测问题.在选择适当的参数和核函数的基础上,通过对成都公路货运量时间序列进行预测,并与人工神经网络、线性回归分析等方法进行了对比,发现该方法能获得最小的训练相对误差和测试相对误差.     

改进粒子群算法优化支持向量机的短期负荷预测

针对支持向量回归机在预测建模中的参数选取问题,提出一种基于混沌自适应策略的粒子群优化支持向量回归机参数的方法.采用混沌映射算法和聚合度自适应判断策略,增强种群的全局寻优性能,提升粒子的多样性,从而避免种群过早收敛.充分考虑天气、节假日、居民消费等因素的影响,提出一种改进的支持向量回归机预测模型并与粒子群算法的支持向量回...     

SA-SVR在移动通信话务量预测中的应用

根据移动通信话务量的时间序列,采用基于模拟退火(SA)算法对超参数选择的支持向量回归机(SVR)进行建模预测。比较ARIMA、人工神经网络和SVR 3种模型的预测效果,并对比研究网格法、遗传算法和SA 3种SVR超参数选择方法对预测效果的影响。实验结果表明,SA-SVR预测精度高、耗时少,是一种预测移动通信话务量的有效方法。     

基于SVM-MLP的乳腺癌预测

乳腺癌一直是影响女性健康最重要的问题之一,已经成为全球女性发病率最高的恶性肿瘤.近年来,利用机器学习和深度学习方法来诊断癌症已经成为发展较快的一个分支.通过使用逻辑回归模型(LR)、高斯核函数支持向量机(SVM)、前馈神经网络(MLP)对同一数据集进行预测,得出其中SVM迭代时间最短,前馈神经网络预测准确率最高.为了减...     

基于多分类算法混合比较的乳腺癌预测

乳腺癌具备易于复发性和高死亡率等特点, 已成为女性癌症患者死亡的重要原因. 乳腺癌的早期诊断可增加癌 症治愈的可能性, 因此, 提高早期诊断的准确性尤为重要. 传统的早期诊断主要依靠人类经验, 通过分析临床或检查数 据来判断乳腺癌, 无法保证足够的准确性. 许多研究人员提出了各种机器学习方法, 以提高预测的准确性和效率. 但现 有的算法计算复杂性很高, 并且难以从多种算法中直接确定最适合的算法. 本文尝试了10种流行的分类算法, 比较了它 们之间的差异, 并应用了量子支持向量机来加速计算过程. 数值实验显示支持向量机和人工神经网络的预测效果最佳, 表明了多种分类算法混合比较的有效性     

Analysis of computational intelligence techniques for diabetes mellitus prediction

Diabetes as a chronic disease is becoming a foremost community health concern worldwide. In developing countries, the diabetic patients are increasing rapidly due to lack of sentience and bad eating habits. So, there is a need of a framework that can effectively diagnose thousands of patients using clinical specifics. This work uses six computational intelligence techniques for diabetes mellitus prediction namely classification tree, support vector machine, logistic regression, naïve Bayes, and artificial neural network. The performance of these techniques was evaluated on eight different classification performance measurements. Moreover, these techniques were appraised on a receiver operative characteristic curve. Classification accuracy of 77 and 78% was achieved by artificial neural network and logistic regression, respectively, with F 1 measure of 0.83 and 0.84.

     

基于GASA-SVR的矿井瓦斯涌出量预测研究

针对煤矿工作面瓦斯涌出量的多影响因素、非线性、时变性和不确定性等特点,提出了遗传模拟退火算法(GASA)与回归型支持向量机(SVR)的耦合算法(GASA-SVR)用于瓦斯涌出量预测.利用煤层瓦斯含量、深度、厚度、倾角等12个参数作为主要影响因素,经过归一化处理后作为回归型支持向量机训练和测试样本.采用遗传模拟退火算法寻找最优的惩罚参数和核函数参数,同时引入自适应交叉和变异概念,建立瓦斯涌出量的非线性拟合模型,并利用矿井实测历史数据进行试验,结果表明该预测模型比传统的神经网络模型具有更理想的精度和稳定性,可为煤矿瓦斯爆炸的防治提供可靠的理论依据.     

支持向量回归方法用于1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSPR研究

采用支持向量回归方法研究了1,4,2-二氮磷杂环戊-5-(硫)酮类化合物除草活性的QSAR。基于留一法交叉验证的结果,比较了支持向量机回归(SVR)与几种常用建模方法对于该类化合物除草活性的预测精度。研究表明:所建SVR模型的精度高于逆传播人工神经网络(BPANN)、多元线性回归和偏最小二乘(PLS)所得结果。     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

Solving the stochastic support vector regression with probabilistic constraints by a high-performance neural network model

This paper offers a recurrent neural network to support vector machine (SVM) learning in stochastic support vector regression with probabilistic constraints. The SVM is first converted into an equivalent quadratic programming (QP) formulation in linear and nonlinear cases. An artificial neural network for SVM learning is then proposed. The presented neural network framework guarantees obtaining the optimal solution of the SVM problem. The existence and convergence of the trajectories of the network are studied. The Lyapunov stability for the considered neural network is also shown. The efficiency of the proposed method is shown by three illustrative examples.

     

New machine-learning algorithms for prediction of Parkinson's disease

This article presents an enhanced prediction accuracy of diagnosis of Parkinson's disease (PD) to prevent the delay and misdiagnosis of patients using the proposed robust inference system. New machine-learning methods are proposed and performance comparisons are based on specificity, sensitivity, accuracy and other measurable parameters. The robust methods of treating Parkinson's disease (PD) includes sparse multinomial logistic regression, rotation forest ensemble with support vector machines and principal components analysis, artificial neural networks, boosting methods. A new ensemble method comprising of the Bayesian network optimised by Tabu search algorithm as classifier and Haar wavelets as projection filter is used for relevant feature selection and ranking. The highest accuracy obtained by linear logistic regression and sparse multinomial logistic regression is 100% and sensitivity, specificity of 0.983 and 0.996, respectively. All the experiments are conducted over 95% and 99% confidence levels and establish the results with corrected t-tests. This work shows a high degree of advancement in software reliability and quality of the computer-aided diagnosis system and experimentally shows best results with supportive statistical inference.     

基于深度神经向量机自回归的协同过滤算法

为发掘卷积神经网络在协同过滤预测中的潜力,针对神经自回归模型方法和支持向量机在深度学习中的优势,提出基于深度神经向量机自回归的协同过滤方法。通过将神经网络最后一层的激发函数替换为线性支持向量回归函数的方式,学习基于最小边缘的对数损失。在多个公开数据集上的实验结果表明,该算法在深度神经自回归对协同过滤问题实现较好预测的基础上,线性向量回归函数的使用能更好地提升预测效果。     

基于支持向量机回归的麻醉药毒性的QSPR研究

采用支持向量机回归(SVR)方法研究了39个麻醉药毒性的定量构效关系,基于留一法交叉验证的结果,模型的相关系数为0.970。结果表明,所建SVR模型的精度高于逆传播人工神经网络(BPANN)、多元线性回归(MLR)和偏最小二乘法(PLS)所得的结果。