线性规划支持向量机在非线性系统辨识中的应用

使用线性规划优化技术代替二次规划优化技术,通过最小化支持向量数来实现支持向量机算法.由于线性规划支持向量机的核函数不需要满足Mercer定理,因此,采用复高斯小波B样条小波作为支持向量机的核函数,建立了线性规划支持向量机模型,并将其用于非线性系统的辨识.仿真结果表明,线性规划支持向量机模型的辨识精度高于二次规划支持向量机模型.     

支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

基于近似支持向量回归机的多属性决策

将近似支持向量回归机应用到多属性决策问题,提出基于近似支持向量回归机的多属性决策方法。该方法从决策问题本身出发,构造学习样本,再通过近似支持向量回归机拟舍出多属性效用函数,从而实现对方案的排序。与支持向量机相比该模型参数少,核函数无需满足Mercer条件,算法简单、可靠。最后通过算例表明方法的可行性与有效性。     

核函数支持向量机的研究进展

核函数支持向量机是机器学习的最新尖端技术,并且成功应用于许多领域。本文叙述了核函数支持向量机的基本理论,并介绍了相关的基础研究和应用研究,同时探讨了未来的发展趋势。     

基于支持向量机的分类方法

支持向量机是建立在统计学习理论基础上的一种小样本机器学习方法,用于解决二分类问题。本文阐述了支持向量机的理论基础并对核函数的参数选择进行了分析研究。     

支持向量机最优参数选择的研究

支持向量机是近几年发展起来的机器学习方法,模型选择是设计支持向量机的关键。基于高斯核函数的支持向量机具有良好的学习性能,被广泛应用于模式分类中,讨论了核函数中C和y对分类函数的影响,提出针对不同类型的数据,SVM应选用不同的核函数,同时利用二分法对核函数（C,γ）寻优,并将其应用于变压器故障诊断中,仿真结果表明该方法具有较好的性能。     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于分形理论的支持向量机核函数选择

核方法是机器学习领域内的研究热点之一,在处理非线性和高维数据问题中表现出许多优势,已被广泛应用于分类、回归等领域.支持向量机是最具代表性的核方法,而不同的核函数具有各异的度量特征,故核函数的选择对支持向量机泛化能力有着重要的影响.而目前核函数的选择仍是一个开放性的问题,存在着一系列的偶然性和局限性.该文利用分形几何分析数据蕴含的特征信息来有指导性地选择核函数,以提高支持向量机的泛化能力,并通过实例仿真验证该方法是有效可行的.     

改进SVM算法的电商行业竞争对手识别

针对电商行业竞争对手识别准确率偏低的问题,提出了一种改进的支持向量机(SVM)算法来优化识别过程。该算法基于Mercer定理融合间隔因素逐步修正核函数,以提高分类器的泛化能力。以ebay平台接口抽取的Lising数据为研究对象,在满足Mercer定理的前提下对核函数进行保形变换;然后,结合核函数的黎曼几何分析,融合间隔因素改进核函数以构成新的分类器;最后,利用参数寻优算法确定实例中的参数模型并进行测试。与余弦向量相似度算法及SVM算法的实验结果相比,本文提出的方法识别竞争对手的准确度分别提高了10.2%和3.8%。     

基于抗白噪声理论的支持向量机

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

支持向量机理论及其应用

作为当前国际机器学习前沿热点的支持向量机是一种新型的机器学习算法，具有卓越的学习效果。文中分析了该方法的核心思想及常用训练算法，并给出其具体应用。     

短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

基于LS-SVM的橡胶炭黑均匀度判定模型

为了减少橡胶生产过程中的废品率,需要间接、实时、准确地确定橡胶中炭黑的分散均匀度。基于结构风险最小化原则的支持向量机(SVM)是一种新型的机器学习方法,对于小样本决策具有良好的分类、推广能力．应用多元分类的最小二乘支持向量机建立了橡胶炭黑分散均匀度六级判定模型,并对实际数据进行判定,平均错别率下降到3．6％。结果表明该模型是可行的,并能快速、准确地判定橡胶炭黑的分散均匀度。     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

软岩工程支护的双层SVM的智能设计方法

将一种机器学习算法--支持向量机引入到软岩工程支护设计领域,并根据问题需要提出了一种支持向量机回归算法且编制了相应的计算程序.工程算例证明,这种算法在学习样本数量很少的情况下就可以得到很高的预测精度,且具有推广性能好的优点,避免了人工神经元由于存在过学习问题而带来的网络参数难以确定的弊病,为类似工程的支护设计提供了一种新的途径.     

基于支持向量机的曝气池SVI软测量研究

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法。活性污泥法工艺中反应出水水质的重要参数(曝气池SVI)难于在线测量,为此用某城市污水处理厂的实际水质参数数据,采用粗糙集理论(RS)和主元分析(PCA)进行数据的预处理,建立了基于SVM的曝气池SVI软测量模型,并进行了比较。综合考虑后,选择RS-PCA-SVM模型。结果表明,经粗糙集和主元分析预处理数据后,大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

基于多分类支持向量机的有杆抽油泵故障诊断研究

针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷,提出了基于支持向量机的抽油泵故障诊断方法.为解决高维、非线性分类问题,通过引入核运算技巧,分析非线性软间隔分类学习机具体算法,并得到使分类间隔最大的最优分类超平面方程.提出了特殊情况下的样本数据标准化处理具体算法,采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性.采用一对多SVM分类器对抽油泵工况进行了多分类仿真试验,并与BP网络、RBF网络、最小距离法等加以比较,试验结果表明一对多SVM分类法理论严谨,方法可行,自适应好,可在线运行,在解决有杆抽油泵故障诊断问题中表现出了良好的性能,有助于提高采油效率,实现远程采油控制智能化,建设数字油田.