基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

金融时间序列预测中的GA-SVR方法

针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。     

基于遗传算法的SVM-AR改进模型与应用

为提升河流流量的预测精度,将支持向量机与AR进行耦合,并构造三核混合核函数的流量预测支持向量机模型。以渭河流域的月径流量为例,首先,通过时间序列分析,将渭河流域的径流序列划分为趋势序列、季节序列和随机波动序列,然后利用AR模型构造适用于支持向量机算法的数据集,并将数据集按4∶1划分为训练集和检验集;其次,利用线性组合构造由多项式核函数、径向基核函数与Sigmoid核函数构成的三核混合核函数,在训练集上,采用遗传算法确定相关参数,随后在检验集上进行预测。结果表明:遗传算法确定参数会带来较大的不确定性,导致结果差异较大,从而着重讨论遗传算法带来的参数不确定性;通过函数构造与统计分析,给出三核混合核函数参数选择的一般性方法与流程,并进行验证,该参数选取方法能够降低遗传算法的不确定性,得到精度较高的流量预测结果,预测流量与实际流量的均方误差从150左右降低到130左右。     

GM-LSSVM模型在建筑能耗预测中的应用

为提高大型公共建筑能耗的预测精度,提出一种基于灰色模型和最小二乘向量机方法(GM-LSSVM)的办公能耗预测模型.该方法结合灰色建模计算简单的特点,以及最小二乘支持向量机非线性拟合能力和泛化能力强的优势,充分发掘样本数据的规律,并以粒子群优化算法进行模型参数选择.根据福州某大型公共建筑能耗数据,通过本研究提出的方法建立预测模型,并与神经网络模型以及最小二乘支持向量机模型的预测结果进行比较,验证了该方法具备较高的预测精度和较强的泛化能力.     

利用AR模型和支持向量机的调速阀故障识别

提出一种基于时间序列的自回归(AR)模型和支持向量机故障识别方法.以液压调速阀的故障识别为例,利用采集到的调速阀体的振动信号建立AR模型;然后,将AR模型自回归系数和残差方差组成的特征向量输入到支持向量机.最后,通过支持向量机完成对调速阀的正常和各种故障工况的分类识别.实验结果和分析表明,识别率不仅与核函数的选取有关系...     

能源需求的支持向量机预测

对灰色、神经网络和支持向量机的三个预测模型进行了研究,以某城市的1999-2006年能源需求为例,对能源需求进行了预测.经过比较,支持向量机的预测方法精度较高.     

应用小波变换和支持向量机的商业电力负荷预测

提出一种基于小波分解和支持向量机相结合的模型,将其应用于预测商业建筑电力负荷.首先,基于商业建筑配电系统的数据采集系统实时监测数据,分析商业负荷用电特性,指出商业负荷的随机特性造成单一预测模型精度难以满足要求.其次,提出了一种基于小波分解和粒子群支持向量机的商业电力负荷预测算法.通过小波变换把负荷序列分解为不同频段的子序列,再对这些子序列分别采用不同的粒子群支持向量机模型进行预测,引入粒子群算法对支持向量机模型参数进行寻优.最后,将各分量预测值重构得到最终预测值.实验结果证明:小波分解后和粒子群支持向量机相结合的模型精度明显优于单一支持向量机模型.     

一种近似于支持向量机的分类模型

针对线性可分与非线性可分问题,讨论了支持向量机分类模型及核函数的选择.为避免支持向量机的核函数及参数选择的不确定性,提出一种近似于支持向量机的分类模型,并通过心脏病预测实例对两种模型进行了比较.     

基于支持向量机的沪深300指数预测研究

基于沪深300股指时间序列的特点,提出了一种基于主成分分析和支持向量机相结合的方法,将影响沪深300股指的各个因子通过主成分法进行信息的提取,然后用支持向量回归机进行学习预测.最后通过比较预测值与真实值,发现所预测的10个时段的收盘价均方误差为2.11617,且由预测值和真实值对比的条形图发现预测趋势基本准确,可见运用支持向量机对沪深300指数进行预测是可行的.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于支持向量机回归的煤层含气量预测

为了探讨煤层含气量的有效预测方法,将支持向量机回归方法用于建立煤层含气量预测模型。利用所选的测井参数,采用基于小样本理论的支持向量机回归方法建立测井参数与煤层含气量的关系模型,对煤层含气量进行预测。实例分析表明,选取适当的测井参数,利用支持向量机回归方法建立的煤层气含量预测模型,其预测结果与实测结果的误差小。     

人口时间序列的支持向量机预测模型

阐述了支持向量机在时间序列预测中应用的理论基础，建立了人口时间序列的支持向量机预测模型．计算结果表明，无论是在拟合过程还是在预测过程，支持向量机方法都具有很高的计算精度．因此，采用支持向量机方法对人口时间序列进行预测分析是可行的．     

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。     

基于误差同步预测的SVM金融时间序列预测方法

在现有支持向量机(SVM)方法的基础上提出对预测误差进行同步预测的双重预测方法,利用预测到的误差对初步预测值进行校正以提高预测精度.针对误差序列非线性、非平稳以及系统动力信息不足的特点,将经验模态分解(EMD)和支持向量机(SVM)方法结合引入误差序列的预测中.对误差序列的预测分别运用初步训练误差和测试误差对预测集合的误差进行预测,将所得到的误差序列分解为若干固有模态分量(IMF),根据各个IMF不同尺度的特点,选择不同的参数对其进行预测,最终合成原始序列的误差预测值,将所预测到的误差与初步原始序列预测值结合,得到最终的预测值.仿真结果表明该方法能够很好地解决预测滞后性和拐点误差大的缺点,相对于普通的SVM预测方法具有更好的预测精度.     

支持向量机在装备保障链需求预测中的应用研究

准确的需求预测是装备保障链敏捷运行的重要条件.针对装备保障链需求预测过程中,需求不确定、样本数量较少的实际情况,采用了一种新的预测方法--支持向量机.该方法基于统计学习理论的原理,较好地解决了小样本、非线性的学习问题.建立了装备保障链需求预测的支持向量机模型.并以某物资的需求预测为例进行实例验证,计算结果表明,这种方法比传统的方法有更好的预测精度.     

支持向量机在矿渣-粉煤灰混凝土强度预测中的应用

为了更好地预测矿渣-粉煤灰混凝土强度,选择水胶比、取代率、灰渣比、减水剂、砂率和激发剂作为预测参数,建立了矿渣-粉煤灰混凝土强度预测的支持向量机模型。根据有限的学习样本,建立了各种影响因素和混凝土抗压强度之间的一种非线性映射,对矿渣-粉煤灰混凝土强度进行预测。以实际样本数据进行训练,并对测试样本进行了预测。预测结果表明,支持向量机方法有着良好的泛化能力,优于人工神经网络建模方法,为预测混凝土强度提供了一种新的方法。     

基于双空间特征提取的变压器故障诊断模型

为了提高基于油中溶解气体分析(dissolved gas analysis, DGA)的变压器故障诊断正确率,弥补单子空间特征提取的局限性,提出了基于双子空间特征提取的变压器故障分层诊断模型.首先,将DGA测试样本在一个子空间内进行特征提取后,为避免核函数及其参数的选择难题,以及利用多核支持向量机(multiple-kernel support vector machine, MKSVM)鲁棒性强和精度高的特点,采用MKSVM作为分类器对测试样本进行预测.依据预测结果将测试样本分为难分类和易分类样本,对易分类样本直接进行分类识别;对难分类样本则将该样本再次投影到另一子空间进行特征提取后,同样采用MKSVM作为分类器对难分类样本进行预测,综合两次预测结果进行分类识别,实现两分类MKSVM的双子空间特征提取算法.最后,根据故障特征,建立基于双子空间特征提取算法的变压器故障分层诊断模型.诊断实例表明,该模型具有较高的诊断正确率和推广能力.     

基于改进经验模态分解和支持向量机的短期风速组合预测

为更精确地进行风速预测,提出一种利用带自适应噪声的完全集成经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)方法和蝙蝠算法(bat algorithm,BA)优化支持向量机(support vector machine,SVM)的组合短期风速预测方法。首先用CEEMDAN对原始风速时间序列进行分解,得到一系列不同频率的子序列;其次,使用BA-SVM组合模型预测对分解后的各个子序列分别进行预测;最后,将各子序列的预测结果叠加得到风速预测值。仿真结果表明,该模型提高了预测精度,减小了误差。     

支持向量机和人工神经网络在期权价格预测中的比较研究

期权定价已成为金融市场的重要组成部分之一。 由于市场是动态的,准确预测期权价格非常困难。 因此,设计和发 展了各种机器学习技术来预测期权价格未来趋势。 比较了支持向量机(ＳＶＭ)模型和人工神经网络(ＡＮＮ)模型在期权价格预 测中的有效性。 在测试和训练阶段,２ 种模型都使用公开可用的基准数据集 ＳＰＹ ｏｐｔｉｏｎ ｐｒｉｃｅ－２０１５ 进行测试。 ２ 种模型均采 用主成分分析(ＰＣＡ)转换后的数据,以达到更好的预测精度。 另一方面,为了避免过拟合问题,将整个数据集划分为训练集 (７０％)和测试集(３０％)２ 组。 将支持向量机模型与基于均方根误差(ＲＭＳＥ)的神经网络模型的结果进行了比较。 实验结果 表明:神经网络模型优于支持向量机模型,预测的期权价格与相应的实际期权价格吻合良好。