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．     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

支持向量机泛化能力估计若干方法

支持向量机性能很大程度上依赖于其参数,为了确定最优参数,往往需要估计所建模型的泛化能力。本文详细介绍了目前国外支持向量机的各种泛化能力估计方法,分析了各种泛化能力估计方法的特点及其关系,并指出了今后的发展方向。     

基于支持向量机的网络流量建模及预测

流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。该文结合网络流量的时间序列特性,提出一种基于支持向量机的网络流量预测算法,并针对由于支持向量机采用先验知识选择参数会导致不同数据对先验知识适应程度不同,给出了一个动态调整优化参数策略。实验仿真结果表明,该算法具有很好的预测精度和适用性。     

基于支持向量机的电动机构故障预测研究

为了保证某型导弹发射台的战备完好性,需要对其进行故障预测和健康评估。为此采集了发射台电动机构的振动信号,用小波分析方法提取了特征向量,在研究支持向量机模式识别和回归估计基本原理的基础上,设计了电动机构的最小二乘支持向量机预测模型和故障映射模型,实现了对电动机构状态趋势的预测和故障预报。采用电动机构的历史数据对模型进行了验证,结果表明,基于支持向量机的预测模型和故障映射模型可以有效地对电动机构进行故障预测。     

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。     

支持向量机与RBF神经网络回归性能比较研究

支持向量机与RBF神经网络相比各有优缺点,通过对支持向量机与RBF神经网络的研究,从理论上分析了这两种学习机在回归预测原理上的异同,通过仿真实验对比了两者在测试集上的逼近能力及泛化能力。仿真结果表明,对于小样本集,支持向量机的逼近能力及泛化能力要优于RBF神经网络。对实际应用中回归模型的选择问题提出了建议。     

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.     

支持向量机

1 前言基于数据的机器学习是人工智能技术中的重要方面,从观测数据(样本)出发寻找数据中的模式和数据间的函数依赖规律,利用这些模式和函数依赖对未来数据或无法观测的数据进行分类、识别和预测。关于其实现方法大致可以分为三种,第一种是经典的(参数)统计估计方法,在这种方法中,参数的相关形式是已知的,训练样本用来估计参数的值。这种方法有很大的局限性,首先,它需要已知样本分布形式,其次传统统计学研究的是样本数目趋于无穷大时的渐近理论,现有学习方法也多是基于此假设,但在实际问题中,样本数往往是有限的,因此一些理论上很优秀的学习方法实际中表现却可     

总间隔v-模糊支持向量机研究

为获得更好的分类性能,对传统模糊支持向量机(FSVM)进行扩展,提出一种总间隔v-模糊支持向量机(TM-v-FSVM)。通过使用差异成本及引入总间隔和模糊隶属度,同时解决不平衡训练样本问题和传统软间隔分类机的过拟合问题,从而提升学习机的泛化能力。采用UCI实际数据集进行模式分类实验,结果表明TM-v-FSVM具有稳定的分类性能。     

基于神经网络的蒙脱土悬浮液流变参数预测

应用BP神经网络方法,研究高粘聚阴离子纤维素、羧甲基纤维素、磺化酚醛树脂以及磺化褐煤树脂四种常用处理剂对蒙脱土悬浮液表观粘度与塑性粘度的影响。采用弹性算法和最优停止法对神经网络进行优化,避免了过拟合现象,提高了神经网络的训练速度和泛化能力。以实际数据作为验证样本对神经网络模型进行检验,模型计算结果与实际结果比较,表观粘度的最大绝对误差率为8.75%,平均绝对误差率为1.12%;塑性粘度的最大绝对误差率为8.82%,平均绝对误差率为1.42%。最后运用该模型分析了单一处理剂对蒙脱土悬浮液流变参数的影响。     

基于特征加权的支持向量回归机研究

基于统计学习理论的支持向量回归机有比较好的泛化能力,然而当样本含有与该问题不完全相关甚至完全无关的特征时,会使得各个特征对问题的相关程度差异很大,从而使得支持向量回归机的效果受到影响。为了解决这个问题,提出了一种基于特征加权的支持向量回归机。模拟的计算结果显示出此方法的有效性。     

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。     

一种基于属性加权的代价敏感支持向量机算法

针对实际中存在的各类别样本错分造成不同危害程度的分类问题,提出了一种基于属性加权的代价敏感支持向量机分类算法,即在计算各个样本特征属性对分类的重要度之后,对相应的属性进行重要度加权,所得的数据用于训练和测试代价敏感支持向量机。数值实验的结果表明,该方法提高了误分代价高的类别的分类精度,同时属性重要度的引入提高了分类器的整体分类性能。该方法对错分代价不对称的数据分类问题具有重要的现实意义。     

基于支持向量机回归模型的海量数据预测

预测是很多行业都需要的一项方法和技术,随着数据积累的越来越多,基于海量数据的预测越来越重要,在介绍支持向量机基本原理和实现算法的基础上,给出了航空服务成本预测模型,最后对预测结果的评价和选取情况进行了分析。     

基于支持向量机的图书馆借阅量预测

为了准确预测图书馆借阅量,本文提出基于支持向量机的图书馆借阅量时序预测方法,支持向量机能有效解决非线性、高维、小样本等问题,并采用遗传算法选取合适的支持向量机训练参数,以此增加支持向量机的泛化能力。首先提出了支持向量机预测模型,并进行实例分析,将华北科技学院图书馆流通部1997-2007年度借阅量作为本文的实验数据。实验结果表明支持向量机的图书馆借阅量预测效果优于径向基(Radial Basis Function,RBF)神经网络。     

贪婪支持向量机的分析及应用

支持向量机推广性能的分析是机器学习中的一项重要内容。依据可通过最小化本性支持向量个数来构造支持向量机的思路,结合稀疏学习,从贪婪方法的角度出发,提出了一种新的支持向量机,称之为贪婪支持向量机。利用UCI数据库中的乳腺癌数据集来测试贪婪支持向量机算法在平衡估计精确性和解的稀疏性方面的性能。针对设计的贪婪支持向量机,利用经验过程中的方法,得到这一类型支持向量机的推广性能。     

基于核偏最小二乘的支持向量机回归算法研究

对SVM的特征提取问题进行了研究,提出了KPLS-SVM组合回归建模方法.该方法在输入空间映射得到的高维特征空间中进行PLS特征提取后,再进行SVM回归,不仅保持了SVM良好的模型性能,并且兼具KPLS和SVM的优点.仿真和实验结果表明,该KPLS-SVM建模方法是正确且有效的,采用该方法构建的SVM模型,泛化性能明显优于没有特征提取的SVM.     

一种新的软间隔支持向量机分类算法

软间隔支持向量机（SVM）分类算法是目前最具有代表性的模式分类算法之一,它在应用中的一个主要困难是确定控制参数C.提出一种新的软间隔SVM分类算法,通过松弛变量改变约束条件,允许数据点进入分离区域但不越过分类超平面,从而避免了参数C的确定问题.计算机实验和故障诊断实例表明,基于新算法的SVM分类器有较高的分类准确性和较好的泛化性能,能够实际应用于模式分类.     

基于回归树的支持向量机规则提取及应用

支持向量机（SVM）因为核函数应用内积运算造成了模型较强的“黑箱性”。目前SVM的“黑箱性”研究主要采用规则提取方法解决分类问题,而回归问题鲜有提及。针对回归问题,尝试性提出基于回归树算法的SVM回归规则提取方法,算法充分利用支持向量的特殊性以及回归树的优势,建立支持向量的决策树模型,成功提取出决策能力高,包含变量少,计算量小且容易读取的规则。通过标准数据集Auto MPG和实际的煤制甲醇生产数据集进行了验证,与其他算法对比分析结果表明,所提取的回归规则在训练精度和预测精度等方面都有一定程度的提高。