基于小波支持向量机的图书馆借阅量预测

当前图书馆借阅量预测方法无法描述混沌性等非平稳变化特征,导致图书馆借阅量预测错误差大,为了改善图书馆借阅量的预测效果,设计了基于小波支持向量机的图书馆借阅量预测方法。首先对当前国内外图书馆借阅量的预测研究现状进行分析,找到引起图书馆借阅预测误差大的原因,然后收集图书馆借阅量预测的历史数据,并通过混沌分析算法对历史数据进行重新构造,并引入小波支持向量机实现图书馆借阅量预测模型的建立,最后与其它图书馆借阅量的预测方法在相同环境进行对比测试。提出的方法可以对图书馆借阅量的变化特征进行深度挖掘,图书馆借阅量预测精度超过95%,高于对比方法图书馆借阅量预测精度,获得更加可靠的图书馆借阅量的建模和预测结果。     

高校图书馆读者借阅行为分析的数据挖掘算法

读者借阅行为分析可以提高高校图书馆书籍利用率,为了解决传统高校图书馆读者借阅行为分析算法存在精度低、效率低等缺陷,以获得理想高校图书馆读者借阅行为分析结果为目标,提出了高校图书馆读者借阅行为分析的数据挖掘算法.首先分析高校图书馆读者借阅行为分析原理,然后采用数据挖掘算法——最小二乘支持向量机对高校图书馆读者借阅行为数据...     

基于粗糙集-支持向量机的软件缺陷预测

软件缺陷预测已成为软件工程的重要研究课题,构造了一个基于粗糙集和支持向量机的软件缺陷预测模型。该模型通过粗糙集对原样本集进行属性约减,去掉冗余的和与缺陷预测无关的属性,利用粒子群对支持向量机的参数做选择。实验数据来源于NASA公共数据集,通过属性约减,特征属性由21个约减为5个。实验表明,属性约减后,Bayes分类器、CART树、神经网络和本文提出的粗糙集—支持向量机模型的预测性能均有所提高,本文提出的粗糙集支持向量机的预测性能好于其他三个模型。     

基于遗传算法-支持向量机的铁路货运量预测

铁路货运量预测是铁路运输部门一项重要工作.针对建立精确预测模型的困难,结合支持向量机与遗传算法(GA-SVM),提出一种铁路货运量预测新方法.利用遗传算法确定支持向量机中的训练参数,以得到优化的支持向量机预测模型,并利用支持向量机在小样本、非线性中优越的预测性能对铁路货运量进行预测.昆明市1991～2005年铁路货运量数据作为实验数据,并采用RBF神经网络与GA-SVM进行对比分析,实验结果表明,GA-SVM预测精确更高,误差更小,可以更有效地对铁路货运量进行预测.     

改进粒子群算法优化支持向量机的工程造价预测

工程造价预测一直是工程管理研究中的重点,针对工程造价预测中的支持向量机参数优化问题,提出一种改进粒子群算法优化支持向量机的工程造价预测模型(IPSO-SVM).首先收集工程造价数据,并对其进行归一化处理,然后采用支持向量机对工程造价的训练样本进行学习,并采用改进粒子群算法对支持向量机的核函数参数进行优化,最后采用Matlab 2012工具箱对工程造价进行仿真实验.实验结果表明,IPSO-SVM有效提高工程造价的预测精度,预测结果具有一定的实际应用价值.     

基于免疫支持向量机的预测研究

本文介绍了支持向量机的原理,并分析了参数对其性能的影响,提出了运用免疫算法对支持向量机的参数进行优化。利用免疫支持向量机对我国GDP值进行预测,结果表明:该算法具有很高的预测精度,说明免疫支持向量机用于预测是可行的高效的。     

支持向量机在电力负荷预测中的应用研究

研究电力系统负荷预测问题,针对电力负荷过程存在非线性技术,为提高预测精度,保证安全供电,改变传统方法,提出改进支持向量机的预测性能,更精确地预测电力负荷,提出粒子群算法优化支持向量机（PSO-SVM）的电力负荷预测方法。PSO-SVM用粒子群算法优化支持向量机参数,减少了对支持向量机参数选择的盲目性,获得较优的支持向量机预测模型。并以贵州省为例在2008.7-2009.7电力负荷数据进行测试和分析,并进行仿真。实验结果表明,在电力负荷预测中,PSO-SVM比SVM和BPNN有着更高的预测精度,测试表明PSO-SVM方法用于电力负荷预测是有效可行的。     

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。     

遗传优化支持向量机的软件可靠性预测模型

软件可靠性预测在软件开发的早期就能预测出哪些模块有出错倾向。提出一种改进的支持向量机来进行软件可靠性预测。针对支持向量机参数难选择的问题,将遗传算法引入到支持向量机的参数选择中,构造基于遗传算法优化支持向量机的软件可靠性预测模型,并用主成分分析的方法对软件度量数据进行降维,通过仿真实验,证明该模型比支持向量机、BP神经网络、分类回归树和聚类分析等预测模型具有更高的预测精度。     

基于SVM算法学生毕业的预测

本文介绍了支持向量机的工作原理,在其基础上建立学生能否毕业的预测模型,并与传统预测算法BP网络进行比较。实验结果和分析表明,支持向量机算法比BP算法在结构、参数确定上更加简单、训练时间快;大大提高了算法的识别率。证明了把支持向量机算法引入电大系统学生能否毕业的预测是有效的、可行的。     

基于Renyi熵的LS-SVM财务困境预测模型

为了提高企业财务困境预测的正确率,减少训练模型的样本数和训练时间,在传统支持向量机预测模型的基础上,将Renyi熵和最小二乘支持向量机算法应用于财务困境预测,提出了一种基于Renyi熵的最小二乘支持向量机预测模型.独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进算法的实现步骤.实验结果表明,该算法无论是训练样本的数量还是训练时间,都显著优于传统的最小二乘支持向量机以及标准支持向量机预测模型.     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

Using partial least squares and support vector machines for bankruptcy prediction

The evaluation of corporate financial distress has attracted significant global attention as a result of the increasing number of worldwide corporate failures. There is an immediate and compelling need for more effective financial distress prediction models. This paper presents a novel method to predict bankruptcy. The proposed method combines the partial least squares (PLS) based feature selection with support vector machine (SVM) for information fusion. PLS can successfully identify the complex nonlinearity and correlations among the financial indicators. The experimental results demonstrate its superior predictive ability. On the one hand, the proposed model can select the most relevant financial indicators to predict bankruptcy and at the same time identify the role of each variable in the prediction process. On the other hand, the proposed model’s high levels of prediction accuracy can translate into benefits to financial organizations through such activities as credit approval, and loan portfolio and security management.     

相空间重构和支持向量机相融合的网络流量预测

针对网络流量非线性、突变性和混沌性特点,利用相空间重构和支持向量机参数的天然联系,提出一种相空间重构和支持向量机相融合的网络流量预测方法。将网络流量预测精度作为建模目标,采用粒子群算法对空间重构和支持向量机参数进行组合优化,建立最优网络流量预测模型。仿真实验结果表明,相对于传统网络流量预测方法,该方法更加能够刻画网络流量复杂的变化特点,有效提高了网络流量的预测精度。     

利用粗糙集理论提高SVM预测系统的实时性

支持向量机是一种新的机器学习方法,它具有良好的推广性和分类精确性。但是在利用支持向量机的分类算法处理实际问题时,该算法的计算速度较慢、处理问题效率较低。文中介绍了一种新的学习算法,就是将粗糙集和支持向量机相结合,利用粗糙集对支持向量机的训练样本进行预处理,从而缩短样本的训练时间,提高基于SVM预测系统实时性。文中最后利用该方法进行了数据试验,试验结果表明了该方法可以大大缩短样本的训练时间,提高基于支持向量机处理预测系统的效率。从而也证明了该方法的有效性。     

高斯-柯西变异算子优化的LSSVM模型研究

论文针对标准量子粒子群算法易陷入局部极值的问题,提出一种改进的量子粒子优化最小二乘支持向量机的方法。利用高斯变异数的局部开发能力以及柯西变异数的全局搜索能力,在量子粒子群优化算法中,引入高斯-柯西变异算子,帮助算法跳出局部极值。并利用该优化模型进行光伏发电量预测实验,对优化的最小二乘支持向量机模型的预测结果与其他模型预测结果进行比较,结果表明:基于高斯-柯西变异算子的量子粒子群优化的最小二乘支持向量机对光伏发电量的预测具备较好的收敛速度和跳出局部收敛困境的能力。     

基于SVM的WSN运动目标位置跟踪预测方法研究

针对无线传感器网络中运动目标位置跟踪预测方法的研究,提出了一种基于支持向量回归机(SVM)的目标位置预测方法。利用节点位置信息和网络连通信息作为训练样本,建立支持向量回归技术到节点位置的映射函数,从而完成运动目标已知时刻位置估计。最后,利用支持向量回归预测模型对运动目标节点进行位置预测。仿真结果表明,该方法有效地提高了目标节点位置预测准确率。     

Analysis and Application of the Spatio-Temporal Feature in Wind Power Prediction

The spatio-temporal feature with historical wind power information and spatial information can effectively improve the accuracy of wind power prediction, but the role of the spatio-temporal feature has not yet been fully discovered. This paper investigates the variance of the spatio-temporal feature. Based on this, a hybrid machine learning method for wind power prediction is designed. First, the training set is divided into several groups according to the variance of the input pattern, and then each group is used to train one or more predictors respectively. Multiple machine learning methods, such as the support vector machine regression and the decision tree, are used in the proposed method. Second, all the trained predictors are adopted to make predictions for a sample, and the results generated from these predictors will be combined by an optimized combination method based on the variance. The experimental results based on the NREL dataset show that the method adopted in this paper can achieve a better performance than the stage-of-the-art approaches.     

研究生招生规模建模与预测

研究生招生规模准确预测问题,研究生招生规模受到国家招生政策、政治、经济、社会需求等诸多因素的影响,影响因素之间关系错综复杂,具体量化难,表现为非线性过程。传统线性模型预测的准确率较低。为提高研究生招生规模的预测准确率,提出基于支持向量机的研究生招生规模预测模型。针对研究生招生历史数据零散、影响因素难以确定性描述等问题,通过对黑龙江省1981～2000年研究生招生历史数据进行分析的基础上,建立上了支持向量机的预测模型,并对2000～2004年的招生规模进行预测预测,预准确率度比较相近。仿真结果表明,支持向量机为研究生招生规模预测提供了一种新的研究方法。