相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

基于支持向量机的矿井排水量预测

支持向量机是基于结构风险最小化原理的一种学习技术,具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.矿井排水量受降雨、河流、含水层等自然因素和煤矿开拓面积的扩大、水平的延伸等人为因素的影响,同时矿井水年排水量是非线性的时间序列.利用支持向量回归机对矿井排水量进行预测,并通过实验与文献[1]利用神经网络预测的结果进行比较,表明支持向量机具有更高的预测精度.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

基于支持向量机的石油需求预测

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.利用支持向量回归机对我国石油需求量进行预测,并通过实验与神经网络的预测结果进行比较,表明支持向量机具有更高的预测精度.     

基于缩减策略的混沌时间序列LSSVM预测模型

 由于混沌时间序列具有样本大等特点,使用最小二乘支持向量机(LSSVM)建立其预测模型具有内存开销大、训练速度慢等缺点,因此,在混沌序列数据特性的基础上,利用样本集分割与样本相关性的思想,提出一种基于缩减策略的混沌时间序列LSSVM预测模型。该模型利用混沌时间序列的平均周期将大样本数据分解成不同的子集,把最后一个子集之外的其他子集利用拉格朗日乘子的值缩减一部分非支持向量,将缩减后样本与最后一个子集合并,利用相关系数缩减法缩减合并后的样本集,并利用最小二乘支持向量机进行回归预测。最后通过相关实验,验证了本模型在基本不损失预测精度的基础上具有较快的计算速度。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于支持向量机的人口增长预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题。利用支持向量机对我国未来人口数量进行预测。仿真试验表明预测结果有较高的预测精度。     

基于支持向量机自回归分析的股市动态预测模型及其应用研究

针对股市的非线性和不确定性的特点,本文提出了一种基于支持向量机自回归分析的股市动态预测模型。该模型利用滚动时间窗动态截取股票时间序列,然后对其进行相空间重构,最后利用支持向量机回归算法,在高维映射空间中求解线性回归问题。利用上证综指的长期和短期数据对该模型的预测效果进行了验证,并将预测结果与RBF神经网络预测模型进行了的对比。预测和对比结果表明,支持向量机自回归预测模型具有较强的泛化能力,适合于股市预测。     

混沌时间序列的最小二乘支持向量机预测

提出了最小二乘支持向量机混沌时间序列预测方法,并研究了三种混沌信号的预测性能。该方法在优化指标中采用了平方项,且只有等式约束,将传统支持向量机求解二次规划问题转化为求解线性方程组,因而简化了计算复杂性。仿真实验结果表明该方法预测模型参数选择容易、在较大范围内取值时对预测误差影响很小,而且即使在输入维数m小于Takens嵌入定理所确定的维数时,也具有很好的预测性能。     

混沌时间序列在股票价格长期预测中的应用

针对混沌时间序列对初值敏感,在迭代预测时累积误差将迅速放大的缺陷,提出一种改进的支持向量机的方法,避免这一弊端进行长期预测.在重构相空间的基础上,确定支持向量机的结构.为减小累积误差,对现有的支持向量机的核函数进行改进,使该核函数满足减小误差的条件.最后把沪市宝钢股份收盘价格的数据应用到改进的模型中,得到较好的仿真结果.     

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。     

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

基于涡流搜索算法的过程支持向量回归机模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理的问题, 提出了一种用于时间序列预测 的过程支持向量回归模型, 采用涡流搜索算法优化选择模型参数, 采用 UCI(University of California Irvine)数据 库的空气质量数据集和比利时 SIDC(Solar Influences Data Analysis Center)的太阳黑子数据进行仿真实验。 实验 结果表明, 该模型预测结果均优于粒子群过程支持向量回归机和支持向量回归机的预测结果, 具有较好的预测 能力。     

基于小波的支持向量机算法研究

基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数利用小波的多尺度插值特性和稀疏变化特性,不仅提高了模型的精度和迭代的收敛速度,而且还适用于信号的局部分析、信噪分离和突变信号的检测,从而在提高支持向量机(SVM)泛化能力的同时,提高了辨识效果和减少了计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对SINC函数的逼近,该小波核得到的均方根误差不足高斯径向基核的1/12,对logistic混沌序列预测的均方根误差不超过8×10-6,同时实验表明,预测的长度对预测均方根误差没有显著影响,这表明小波核SVM具有更好的泛化能力.     

基于支持向量机的软件可靠性早期预测

文章将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型;通过对比仿真实验,证实了该模型同传统模型相比,具有预测精度高、泛化能力强及对样本数量的依赖程度低的特点。     

基于支持向量机的短期GDP预测模型与应用研究

支持向量机是最近几年国际上模式识别研究的热点,具有全局最优和良好的泛化能力.本文在理论分析江门市GDP预测指标体系的前提下,研究了基于SVM的预测方法,并运用实际数据进行建模和预测,获得了比较准确的预测结果.     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.     

办公建筑运行能耗的混沌时间序列复合预测

针对办公建筑已有的能耗预测方法中未能考虑到能耗数据的混沌变化特性,提出了一种基于混沌时间序列的办公建筑运行能耗预测方法.对研究对象的时间序列进行相空间重构,判断其具备混沌特性,建立混沌理论和支持向量回归的组合模型进行训练,采用Markov链消除组合模型由于参数传递产生的累积误差,得到最终预测结果.为了验证算法的有效性,以西安某办公建筑的能耗监测数据为例进行实例分析,并与非线性自回归神经网络、支持向量回归等其他预测方法进行对比.实验结果表明,经过Markov修正后的混沌时间序列组合模型预测精度显著提高,预测效果优于其他方法,且更符合办公建筑能耗的变化规律,为节能优化提供有效的数据支撑.