支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

基于加权精度的ε-SVR组合参数优化

针对支持向量机参数的选取还没有一套完整的理论支撑,提出以加权精度来评价某一组参数的预测效果。通过循环交叉验证和全局变步长的方法,对最优参数进行搜索。考虑参数间的相互影响,研究参数的组合形式对精度的影响,确定参数的最优组合形式。实例分析表明,参数的最优组合能够提高支持向量机对设备费用的预测精度。     

基于加权精度的ε-SVR组合参数优化

针对支持向量机参数的选取还没有一套完整的理论支撑,提出以加权精度来评价某一组参数的预测效果。通过循环交叉验证和全局变步长的方法,对最优参数进行搜索。考虑参数间的相互影响,研究参数的组合形式对精度的影响,确定参数的最优组合形式。实例分析表明,参数的最优组合能够提高支持向量机对设备费用的预测精度。     

自调用支持向量回归优化支持向量机参数

参数选择是支持向量回归分析的关键问题之一,在大训练样本条件下,大范围遍历搜索极为耗时。基于均匀设计和自调用支持向量回归,提出了一种将大样本搜索转化为小样本搜索的策略:在3因素9水平搜索范围,经混合均匀设计产生27个参数组合,每组合对训练集经交叉测试得其均方误差MSE;以MSE为目标函数,对该27个参数组合形成的小样本自调用支持向量回归以留一法进行大范围搜索建模,预测729个完全参数组合;取预测MSE最小的对应参数组合完成大样本的训练、预测。对5个基准数据集的独立预测表明,新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大样本支持向量机参数选择提供了新的有效解决方案。     

基于多变量支持向量机的供应链需求预测分析

在供应链中,市场需求往往受到多个因素的影响,单一变量的预测方法已经无法达到预测期望。为了提高预测精度,削弱牛鞭效应,根据Agent理论构建供应链模型,提出一种基于多因素的支持向量机需求预测方法;通过选取主要影响因素,建立多变量SVM预测模型,并利用遗传算法对SVM模型的参数进行优化选择,最后利用算例进行仿真分析。实验结果表明,与单变量支持向量机相比,多变量支持向量机充分考虑影响市场需求的相关因素,最大程度挖掘了数据中的有效信息,提高了供应链需求预测的准确性,从而缓解了供应链中的牛鞭效应。     

多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 ,建立的新型装备费用预测模型具有更好的预测精度     

遗传优化的SVR在钢材力学性能预报中的应用

提出了基于支持向量回归的钢材力学性能建模方法,采用遗传算法优化支持向量回归模型的参数,避免了参数选择的盲目性,使得支持向量回归模型的预测性能有了显著提高.将此方法应用于实际钢厂的钢材力学性能预报中,模型的训练与验证数据都来自于实际的过程,结果表明采用遗传优化的支持向量回归模型对钢材力学性能具有很好的预估性能.     

一种连续无创血压预测的改进向量机学习方法

因不同人体生理特征的差异性,影响了基于光电容积脉搏波（PPG）和心电信号（ECG）的连续无创血压测量精度,提出一种基于优化的支持向量机模型预测血压的方法。该方法将PPG、ECG及人体特征进行处理并组成特征矩阵,通过水银血压计测得实时血压值,运用主成分分析法和遗传算法改进的支持向量机学习模型对特征矩阵和实时血压值进行回归训练,从而建立最优血压预测模型。实验证明,优化改进支持向量回归血压预测方法比传统支持向量机学习法准确度提升了10%~15%。     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于支持向量机方法的轨道交通乘客旅行时间短时预测方法研究

目前,北京市已建成总长456km的轨道交通网络,41个换乘枢纽,已基本形成网络化运营,轨道交通在北京公共交通系统乃至城市交通系统中发挥越来越大的骨干作用. 同时,由于北京城市空间调整,城市交通出行活动中心有随城区扩展外移之势,轨道交通出行旅行时间越来越受到关注. 因此,本文研究基于历史数据的轨道交通乘客旅行时间预测方法,引入支持向量机回归模型,并针对预测算法中模型参数的选择问题,提出基于遗传算法的预测模型参数寻优算法,用以提高预测精度. 最后选取实际轨道交通运营线路的动态信息进行计算,预测结果误差小于10%,获得了较高的精度. 生成的旅行时间预测信息,通过乘客信息系统的发布,能够有效减少旅客换乘走行与等待时间,均衡网络客流分布,提高轨道交通网络运营效率.     

电子系统状态时间序列预测的优化相关向量机方法

针对电子系统状态时间序列的预测问题,提出一种基于量子粒子群优化（quantum behaved particle swarm optimization, QPSO）的相关向量机（relevance vector machine, RVM）方法。对电子系统状态时间序列进行相空间重构,建立了RVM回归预测模型;以交叉验证误差最小作为优化目标,将RVM核参数表示为量子空间中的粒子位置,采用QPSO算法实现RVM模型参数的自动优化选择。雷达发射机状态时间序列预测实例表明,相比已有方法,所提方法具有更高的预测精度;同时,能够输出预测值的置信区间,有利于对电子系统未来健康状况做出更加可靠的判断。     

SVR在切削颤振状态趋势预测中的应用

针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。     

基于任务的装备器材非稳态需求预测

基于任务的装备器材具有非稳态、小样本等特征,针对其需求难以准确预测的问题,提出非稳态区间划分和支持向量回归(support vector regression, SVR)的预测方法。首先根据非稳态度量函数将需求序列划分为稳态子区间,然后对各子区间采用SVR进行预测,同时针对基于径向基函数(radial basis function, RBF)核函数的SVR对参数的敏感性问题,采用布谷鸟搜索算法(cuckoo search, CS)对SVR参数进行寻优,最后将各区间的预测结果进行加权求和得到最终预测结果。算例对比分析表明,该方法能够一定程度上降低数据非稳态影响,提高任务器材需求预测准确率。     

基于多Agent粒子群优化的多步SVR模型预测控制

提出一种基于多Agent粒子群优化支持向量回归机（support vector regression, SVR）参数的优化算法,并利用该算法建立多步预测控制模型,对非线性系统进行预测控制。通过预测控制的机理推导出满足滚动优化目标函数的多步预测输出的控制律。将该模型与基于遗传算法优化的RBF神经网络预测控制器、基于粒子群优化的多步SVR模型预测控制器和基于遗传算法优化的多步SVR模型预测控制器进行比较分析,仿真结果表明该预测控制模型优于其他控制器,具有良好的预测性能,可有效的对非线性系统进行预测控制。     

基于Matlab支持向量回归机的能源需求预测模型

分析了支持向量回归机在能源需求预测中的优势, 确定了输入向量集合和输出向量集合, 建立了基于Matlab技术的SVR能源需求预测模型. 对我国1985-2008年能源需求相关数据进行模拟与仿真, 并对中国2010年和2020年能源需求量进行预测. 研究结果表明: 一是中国未来对能源的需求量逐渐增加, 从2010年的330400万吨标准煤上升到2020年418320万吨标准煤, 年均增长率为2.39%; 二是在解决我国能源系统小样本. 非线性及高维模式识别问题中SVR比BP神经网络等方法有更高的预测精度.     

基于网络关注度的大宗商品市场预测研究

随着大宗商品市场化的加快和电子信息技术的快速发展,以互联网为载体的网络信息将方便快捷地传递到市场及市场参与者.本文从海量开源数据出发,利用搜索引擎平台,提取核心信息构建网络关注度指标,并提出了基于网络关注度的大宗商品价格预测模型.通过引入具有不同核函数的支持向量回归模型,分别建立了针对单个市场(原油、铜以及玉米)的网络关注度预测模型和综合考虑市场间联动性的多市场网络关注度预测模型.实证结果表明,网络关注度对于市场价格的变动有显著的格兰杰因果关系,引入网络关注度指标和相关市场信息能显著提高预测精度.     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。