基于SVM与特征提取的鲁棒性数字水印算法

为抵御大部分图像处理攻击,特别是几何攻击,提出一种改进的基于SVM与特征提取的鲁棒性数字水印算法.根据图像中的邻域像素之间的相关性,引入新的图像描述子和纹理描述子来提取图像特征.对样本点及其邻域像素的所有纹理变化进行训练,由邻域像素的和与方差组成训练集,训练好的SVM被用来分类一系列测试集,按照分类结果嵌入与提取数字水印.本文算法仿真试验结果表明,改进后新算法不仅具有较好的透明性,而且对中值滤波、叠加噪声等一般性处理和旋转、缩放、剪切等几何性攻击均具有更好的鲁棒性,训练时间和算法复杂度方面优于原有算法,提取的水印精度更高.     

基于KPCA-WLSSVM的建筑能耗预测模型

为降低建筑能耗影响因素间复杂相关性对模型性能的影响,建立了一种基于KPCAWLSSVM的建筑能耗预测模型。利用核主元分析(KPCA)对输入变量进行数据压缩,消除变量之间的相关性,简化模型结构;进一步采用加权最小二乘支持向量机(WLSSVM)方法建立建筑能耗预测模型,同时结合一种新型混沌粒子群-模拟退火混合优化(CPSO-SA)算法对模型参数进行优化,以提高模型的预测性能及泛化能力。通过将KPCA-WLSSVM模型方法应用于某办公建筑能耗的预测中,并与WLSSVM、LSSVM及RBFNN模型相比,实验结果表明,KPCA-WLSSVM模型方法能有效提高建筑能耗预测精度。     

基于PCA特征提取的SVR地下水位动态预测方法

本文提出了一种基于PCA特征提取的SVR地下水位动态预测方法.PCA用来对地下水位样本值进行相关性分析和特征提取,将得到的最佳特征向量子集输入SVR模型,并通过网格搜索的方法进行SVR参数寻优,进行地下水位预测.通过地下水位的实例分析和UCI标准数据集对模型的有效性进行验证,结果表明该方法不仅降低了预测所需的计算工作量...     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

基于支持向量机的建筑物空调负荷预测模型

建立了基于支持向量机(SVM)理论的建筑物空调负荷预测模型.对广州地区某办公楼夏季不同月份的逐时空调负荷,分别用SVM模型和BP神经网络模型进行了训练和预测.仿真结果表明,SVM模型具有更高的预测精度和更好的泛化能力,是建筑物空调负荷预测的一种有效方法.     

基于LS-SVM的粉煤灰混凝土强度预测模型

提出一种基于最小二乘支持向量机(LS-SVM)的粉煤灰混凝土强度智能预测模型,并给出了相应的步骤和算法。通过该模型分析了水胶比、水泥用量、粉煤灰替代率及砂率等因素对粉煤灰混凝土强度的影响。在此基础上,对不同配比所浇注的混凝土强度进行预测,有助于准确认识混凝土强度随配比参数的变化规律。与多元线性回归、神经网络及标准SVM模型比较,该模型的优点为:(1)采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型小样本泛化能力;(2)将迭代学习算法转换为求解线性方程组,使得整个模型仅有一个全局最优点,解决局部最小问题;(3)用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,有效提高建模速度。用该模型对混凝土的强度预测实例表明,其建模速度比标准SVM高近1个数量级,预测误差仅为SVM方法的20%、BP神经网络方法的10%左右。     

基于SVR空调负荷预测模型的参数优化研究

基于数据驱动的负荷预测模型在既有建筑运行阶段的准确性和可靠性受到人们越来越广泛的认可.特别是支持向量回归机(SVR)算法,基于统计学习理论和结构风险最小化原则克服了小样本学习困难、维数灾难等缺陷,在准确有效地解决复杂工程问题方面展现出巨大潜力,越来越深入地应用于暖通空调负荷预测领域.但在实际建模过程中,SVR算法对应的...     

基于价差预测的商品期货跨期套利研究

机器学习方法在进行非线性预测时表现得极为出色,商品期货跨期价差的非线性特征正契合机器学习的应用实际。选取螺纹钢1809和1810两个合约2017年11月1日至2018年8月31日的30分钟数据作为分析对象,比较了人工神经网络、支持向量回归及Xgboost三种机器学习方法的套利效果。结果发现:支持向量回归的预测效果最佳,相对于传统的标准距离法套利模型,基于支持向量回归的套利模型无论是在收益率还是在胜率上都可以获得显著更优的表现。研究结论验证了机器学习方法在非线性时间序列预测中的优越性,也为低风险套利策略的开发提供了新的思路。     

基于SVM的混沌时间序列预测模型应用研究

混沌时间序列预测是混沌理论的一个重要应用领域和研究热点,目前它在信号处理、自动化控制等领域中已得到了广泛的应用。本文联系支持向量机(SVM)和混沌时间序列预测的相关理论,建立基于二者的变形序列预测模型。同时,结合具体实例从变形时间序列的混沌识别、相空间重构以及预测模型的参数优化等方面探讨了模型的具体建立过程。实验结果表明,该模型的预测精度要优于BP神经网络。     

基于最小二乘支持向量机的瓦斯涌出量预测模型

瓦斯涌出量的准确预测对于通风系统的设计、瓦斯防治、安全管理有着重要意义,可以有效减轻采煤工作面的危险程度,同时提高煤矿业在燃料市场中的竞争能力。本文简述了瓦斯涌出量预测的价值和曾出现的各种方法,提出了基于遗传算法(Genetic Algorithms,GA)和最小二乘支持向量机(least square support vector machine,LS-SVM)的短期瓦斯涌出量预测方法,以某煤矿回采工作面瓦斯涌出量与影响因素为例,建立了GA-LSSVM预测模型,根据上述煤矿的数据进行实例验证,结果表明文中的方法显著优于神经网络的预测结果。     

机理计算与机器学习结合的空调负荷预测

文章提出了一种机理计算与神经网络学习相结合的在线负荷预测方法。利用Python建立了统计学预测模型、支持向量机预测模型、随机森林预测模型。并通过将溧阳某一建筑实际空调负荷数据逐步输入模型之中模拟建筑的实时运行,对1年内和1年后的泛化能力进行分析。模拟结果表明,随着实际负荷数据的逐步增加,通过在线学习逐步完善性能,可以快速建立建筑的空调负荷预测模型。机器学习预测空调负荷的方式扩大了负荷预测的使用范围,提高了冷冻站智能化运行的水平。     

基于支持向量机的公路隧道围岩变形预测

隧道围岩变形影响到隧道施工的安全,对隧道围岩变形进行预测,可作为指导隧道施工的依据。以江西某隧道围岩变形问题为研究对象,采用在小样本、非线性、高维模式识别问题中具有优势支持向量机理论建立模型,建立隧道围岩变形预测模型,结果显示,实测值与预测值相差很小,证明此方法有很强的实用性。     

基于EMD_SVD的矿山微震与爆破信号特征提取及分类方法

针对矿山微震与爆破信号难以识别的问题,提出了基于经验模态分解(EMD)和奇异值分解(SVD)的矿山信号特征提取及分类方法。首先对微震与爆破信号进行EMD分解,再借助相关系数和方差贡献率筛选得到主要本征模态分量为IMF1~IMF6,进而利用SVD计算主要本征模态分量构成矩阵的奇异值σ_i(i=1,2,...,6),最后应用支持向量机(SVM)对用沙坝矿微震与爆破信号进行分类。结果表明:微震与爆破信号的奇异值σ_1,σ_2和σ_3差异较大,且σ_1(28)7.5作为识别分界值时准确率达到了88.25%;SVM法识别效果优于BP神经网络法、Bayes法和单一奇异值分界值法,且SVM法准确率达到了93.0%。由此,该方法可为矿山微震与爆破信号特征提取和分类提供一种新方法。     

边坡位移非线性时间序列采用支持向量机算法的智能建模与预测研究

介绍了人工智能领域最新的基于结构风险最小化原理的数据挖掘算法---支持向量机算法,运用Matlab语言编写了程序,采用不同的核函数对具体的边坡工程实例作了计算,并将人工神经元网络计算结果与之对比,可见无论是在学习或预测精度方面,支持向量机算法较基于经验风险最小化原理的人工神经元网络算法都有很大的优越性,可以运用于实际工程。     

基于支持向量机的现金流时间序列预测分析

准确合理地预测现金流量是决策者面临的重要课题之一。文章通过采用支持向量机进行建模和仿真,利用滑动窗技术,对一汽轿车的现金流量预测进行了实证研究。研究结果表明,支持向量机模型在小样本条件下具有较好的预测效果。模型的拟合和预测效果与滑动窗发送器的尺寸和具体的权重函数选择有关。     

一种基于温/湿度传感器的桥面结冰预警系统

本文采用普通温度、湿度传感器数据,使用支持向量机训练历史数据,实现桥面结冰预测预警,有效解决视觉方式结冰检测局限和结冰传感器成本问题。     

基于机器学习LNG空温式气化器传热性能预测

阐释环境条件下LNG空温式气化器动态耦合传热机理,针对传热过程的时变性、非线性及多因素影响性,提出利用机器学习对LNG空温式气化器的天然气出口温度进行预测。通过阐述最小二乘支持向量机的基本原理,指出最小二乘支持向量机模型的精度在于输入向量、惩罚因子和核函数的选取。基于厂站实测数据对模型的输入向量进行分析,得到输入向量为环境温度、运行时间、太阳辐射照度以及一段时间内的天然气出口温度实际监测值。采用粒子群优化算法对惩罚因子及核函数中的相关参数进行参数优化,通过均方根误差、平均绝对误差、平均相对误差和最大绝对误差对模型预测结果进行评估,结果表明采用线性核函数或者多项式核函数的最小二乘支持向量机模型能够很好地解决LNG空温式气化器整体耦合传热性能预测问题。     

基于遗传进化的支持向量机参数敏感性研究

提出了一种基于遗传进化的支持向量机预测方法,利用该预测方法对工程实例阳宗隧道下行线XK38+725断面的实测围岩变形进行预测,发现此方法具有很高的精度,同时,对基于遗传进化的支持向量机参数敏感性进行了研究,得出结论:敏感性最高的是不敏感系数,其次是惩罚因子,敏感性最低的是核函数系数。     

基于支持向量机的边坡稳定性预测模型

根据影响边坡稳定性的主要因素,建立了边坡稳定性的支持向量机预测模型。该模型通过有限的经验数据的学习,建立了边坡稳定性与其影响因素之间的非线性关系。运用所建立的模型对具体的岩体边坡进行了判定,由结果知,基于线性核的支持向量机分类器不能有效地建立边坡稳定与影响因素之间的非线性映射,而基于神经网络核及径向基函数核的分类器能正确判定边坡的稳定性。