系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

基于支持向量机的青霉素发酵过程建模

由于微生物发酵过程的复杂性和高度非线性,更多的简单的数学模型不能很好地描述这类生化系统。支持向量机(SVM)是近几年发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数和局部极小点等实际问题。SVM方法建立了青霉素效价预估模型,此模型具有良好的拟合和泛化能力。通过实验分析了SVM参数调整对支持向量机建模的影响。通过由现场数据建立的各种模型可以发现,SVM建模方法优于神经网络(ANN)建模方法。     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法，该文利用支持向量机对非线性系统进行黑箱建模，介绍了V-SVR的基本理论，并进行了仿真实验，结果验证了所提出的方法的正确性和有效性。     

支持向量机控制与在线学习方法研究的进展

支持向量机以其模型结构简单、较好的推广能力和全局最优解等特点已经被用来进行智能控制的研究,主要包括采用支持向量机回归的非线性时间序列的建模与预测、系统辨识等建模方面的研究以及优化控制、学习控制和预测控制等方面的研究以及采用支持向量机的故障诊断的研究。由于现有SVMR基于二次规划的优化方法不适合控制过程的在线训练,因此出现了对SVMR在线训练算法的研究。分析了国内外这些研究内容的最新研究进展,旨在探讨归纳支持向量机在控制领域研究的主要成果和存在的问题,以便为进一步的研究提供一定的支持与帮助。     

基于在线支持向量机和遗传算法的预测控制

针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。     

SOFC的支持向量机(SVM)辨识建模

为了便于固体氧化物燃料电池(SOFC)的性能预测和控制方案设计,提出一种基于支持向量机(SVM)的建模方法,用具有RBF核函数的SVM建立了SOFC电池堆的非线性模型.应用仿真对所建SVM模型的有效性和精度进行了检验,并与BPNN模型的辨识效果进行了比较.仿真结果证明与BPNN模型相比,SVM模型具有较高的建模精度.该SVM辨识模型的建立,对SOFC系统的控制策略研究具有一定的实用价值.     

基于决策树的快速SVM分类方法

为提高支持向量机（support vector machine, SVM)算法对大规模数据的适应能力,加快SVM算法的分类速度,提出一种基于决策树的快速SVM分类方法。该方法的重点在于构建一棵决策树,将大规模问题分解为相对简单的子问题,树中节点由线性支持向量机组成,每个节点包含一个决策超平面,分类过程取决于节点的数量。此方法在分类复杂样本时避免了使用非线性核函数。并且由于使用线性核函数,则不用进行模型选择,进一步加快了样本的分类速度。实验表明,针对大规模多特征数据的非线性分类问题,该方法比传统方法具有更高的速度。     

基于小波核支持向量机的均衡器研究

针对通信系统实时性处理要求,提出了一种快速收敛的支持向量机(support vector machine,SVM)均衡器。该方法以支持向量机为框架,利用判决反馈信号构造SVM的训练样本数据,采用小波核函数,并自适应调整核函数中的伸缩因子,得到具有跟踪能力的自适应SVM均衡器。通过仿真实验,并与采用高斯核函数的支持向量机均衡器进行比较,结果证明该方法提高了收敛速度。     

基于支持向量机的逆动力学模型辨识及应用

建立系统逆动力学过程模型已经成为许多非线性系统控制问题研究与实现中的关键问题。该文应用支持向量机(SVM)回归方法实现了对热工对象的逆动力学过程在线辨识,并通过三个典型的仿真算例对基于SVM的非线性系统逆动力学过程模型的有效性进行了考察。仿真结果表明,基于SVM的逆动力学过程模型不仅具有较高的辨识精度,同时还具有较为理想的泛化性能和在线跟踪能力;利用所建立的系统逆动力学过程模型能够获得恰当的控制作用,保证系统的输出按照给定的轨迹达到设定值。     

LS-SVM与多层前向网络的非线性回归性能比较

在阐述支持向量机(SVM)和最小二乘支持向量机(LS-SVM)的原理并比较了两者的优缺点后,将LS-SVM与多层前向网络中的两种典型网络BP网络和RBF网络,分别应用于装载机载重动态测量的非线性函数回归估计中,对这三种网络在函数逼近和泛化能力两方面的性能进行比较研究。仿真结果表明,LS-SVM在精度和泛化性能两方面做到了最好的折衷,是用于非线性函数回归分析的一种很有效的方法。     

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.     

新型建模及优化方法在爪极发电机中的应用

通过电机参数样本空间设计,引入支持向量机,对爪极发电机的电磁模型进行非线性回归建模分析,基于混沌理论对爪极发电机结构参数进行优化.仿真结果表明,支持向量机用于爪极发电机非参数建模准确可行,并且是高效的,非常适合于需要大规模迭代计算的参数优化.将有限元电磁仿真与支持向量机结合用于非参数建模,以及在非参数模型的基础上用混沌进行优化,这为爪极发电机以及其它的电磁工程设计提供了一种新的思路.     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

质子交换膜燃料电池混合建模研究

支撑向量机（SVM）理论完备,泛化能力强,很适合对燃料电池建模。但是建立高维SVM模型需要大量的实验数据,为了克服这一困难,使用SVM和压力增量机理模型相结合的方法对质子交换膜燃料电池进行混合建模：SVM模型只考虑电流和温度对电压的影响,而压力增量模型则在此基础上预测阴极压力和阳极压力对电压的影响。混合后的模型能够预测不同电流、温度、阴极压力和阳极压力下的输出电压。结果表明这种方法建立的数学模型误差小于1.6%,能够达到很好的拟合精度。     

Local prediction of the chaotic fh-code based on LS-SVM

Support vector machine （SVM） is powerful to solve some problems such as nonlinear classification, function estimation and density estimation. To consider the chaotic fh （frequency hopping）-code＇s characters in chaotic dynamic system, the forecasting model of the support vector machine in combination with Takens＇ delay coordinate phase reconstruction of chaotic times is established and the least squares model for large-scale problems is used in local training for this model. Finally, a fh-code series generated by Logistic-Kent mapping is applied to verify the local prediction model. Simulation results show that the high accuracy and fault tolerant SVM model has an excellent performance in predicting the fh code, with a very low mean square error and a high relative coefficient.     

不良贷款有无回收判别:一类可选变量的支持向量机方法

针对不良贷款有无回收判别问题中属性变量数目多、示性变量比例高的特点,提出了一类可选择变量的支持向量机方法进行判别预测.该方法一是将逐步回归的支持向量机思想应用在模型变量的选择上,二是将线性逐步回归的结果作为模型选择变量的初始状态,解决了传统支持向量机只能使用固定变量的问题. 实证结果显示,该方法不仅提高了样本外预测的正确率, 而且具有很好的稳健性.     

财务困境预测中的变量筛选——基于平均影响值的SVM方法

在财务困境预测中,如何从大量备选指标中筛选出预警指标是一个重要环节。为了更有效地设计财务困境预测模型,本文将平均影响值方法应用于SVM回归来进行变量筛选,首先对训练集数据用SVM进行训练,然后分别增减每一自变量的10%来进行仿真,对两个仿真结果的差值按样本数平均,得出平均影响值;最后对各个自变量的平均影响值按绝对值大小排序,从而进行变量筛选。实证结果表明,该方法能够以较少的特征变量实现较高的分类精度,是切实有效的。     

Multiclassification algorithm and its realization based on least square support vector machine algorithm

1.INTRODUCTION Thedatabasedmachinelearningasastatisticlearning methodplaysanimportantpartinmodernintelligent technology.Basedontheresearchofstatisticlearning theory,VapnikVNpointedouttheproblemofexpe riencedriskminimization,andpresentedthenotionof minimizingstructurerisk.Upontheabovetheory,herecomesthesupportvectormachine(SVM)algo rithm[1].Itisespeciallyaimedatfinitesamples,and wecanfinallygettheoptimalsolutionsfortheexist ed informationbutnotforthesituationoftraditional statistictheory…