果酒品质评价的自适应量子粒子群LS-SVM模型

针对BP神经网络和遗传算法对果酒品质预测存在速度慢和精度低的缺点,建立了一种基于量子行为粒子群算法(QPSO)的最小二乘支持向量机(LS-SVM)的果酒品质预测模型。模型通过引入粒子的进化度和聚合度,动态调整收缩扩张因子,从而实现了算法的动态自适应性。仿真结果表明:基于自适应量子粒子群的LS-SVM果酒品质评价预测模型优于所比较的BP神经网络和最小二乘支持向量机两种模型,具有较好的泛化性能和预测精度。     

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。     

支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

岩爆预测的支持向量机

针对岩爆预测问题,提出了基于支持向量机的预测方法,通过对影响岩爆因素的分析,然后运用支持向量机理论建立岩爆预测的支持向量机模型·结果表明,基于支持向量机的岩爆预测方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景·     

基于小生境遗传算法的支持向量机分类器参数优化

该文在建立支持向量机分类器分类性能评价函数基础上,分析了支持向量机参数对分类性能的影响,提出了一种基于共享函数小生境遗传算法的支持向量机分类器参数优化方法.该方法利用支持向量机分类性能评价函数评价支持向量机的分类性能,评价函数的倒数作为适应度值,每两个个体之间的海明距离作为共享函数,实现小生境遗传算法.将该文提出的方法应用于5个由Gunna Ratsch收集的标准模式库,实验结果表明由该方法所得参数确定的SVM分类器具有较高的识别率和较简单的结构.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

综采面区段煤柱宽度的PSO-SVM预测模型

为准确预测缓倾斜煤层区段煤柱宽度,分析了缓倾斜煤层综采工作面的主要影响因素,选取8个因子,建立了粒子群优化的支持向量机区段煤柱宽度预测模型(Particle Swarm Optimization Support Vector Machine,PSO-SVM),通过缓倾斜煤层的区段煤柱宽度情况统计分析,对粒子群优化的支持向量机模型(PSO-SVM)、网格搜索优化的支持向量机模型(GS-SVM)和遗传算法优化的支持向量机模型(GA-SVM) 3种预测方法的精度进行了对比分析。结果表明:3种方法的预测平均相对误差PSO-SVM为1. 81%,GS-SVM为8. 36%,GA-SVM为3. 78%. PSO-SVM模型有较高的预测精度和较强的普适性,能够相对精确、高效地预测缓倾斜煤层区段煤柱宽度,对缓倾斜煤层综采面区段煤柱宽度选取具有一定指导意义。     

基于粒子群优化的SVR风电功率超短期预测

建立了风电功率预测系统并提高其预测精度和预测速度.分析影响风机出力的主要因素并结合风电场实测风速数据和环境参数,提出了一种基于粒子群优化的SVR风电功率超短期预测模型,该模型可以有效地优化支持向量回归机(SVR)的主要参数.通过与遗传算法优化的预测模型(GA-SVR)进行比较,发现该预测模型在超短期风电功率预测上有较高的预测精度和运算速度.     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

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.     

隧道洞室地基稳定性进化支持向量机识别

针对隧道洞室地基稳定性的影响因素较多,计算复杂的情况,为了快速评价洞室地基的稳定性,选择合理的洞室开挖方案,加快施工进度,提出一种基于支持向量回归(SVR)算法的洞室地基稳定性识别方法。支持向量机(SVM)具有结构简单、学习泛化能力强等优点,采用遗传算法结合交叉验证法选择模型参数,提高了预测精度。以重庆小什字车站洞室地基为例,验证了建立的进化支持向量回归模型能够快速、准确的获取不同方案下的洞室地基安全系数,进而评价其稳定性,且预测结果比模糊神经网络预测结果要好,结果表明该方法是可行的。     

地采诱发建筑物损害识别的进化支持向量机模型

针对采动区建筑物损害程度的影响因素较多且各因素呈现非线性、多重共线性等特点,应用支持向量机理论并结合工程实际,提出基于支持向量机理论的地采诱发建筑物损害效应预测方法。综合考虑地质采矿方面和建筑物本身因素,选取10个影响砖混结构建筑物采动损害程度的因素作为模型的输入,将砖混结构建筑物的损害等级及建筑物的最大裂缝宽作为模型的输出,以32个建筑物采动损害的工程实例作为学习样本进行训练;采用RBF核函数,建立建筑物损害等级预测的支持向量机分类和最大裂缝宽回归模型;为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,并对6组待判样本进行判别。研究结果表明:建立的遗传算法优化支持向量机分类与回归模型对地采诱发建筑物损害效应预测效果良好,评估结果与实际结果相吻合。     

围岩稳定性评判的支持向量机多分类模型

围岩稳定性评判对指导地下工程的设计和施工具有非常重要的意义.引入支持向量机多分类方法,进行围岩稳定性分类.选用影响围岩稳定性的因素,岩石质量指标、岩石单轴饱和抗压强度、完整性系数、结构面强度系数和地下水渗水量等5项指标作为模型的判别因子,建立了围岩稳定性分类的支持向量机模型.以围岩实测数据作为学习样本进行训练,建立相应判别函数对待判样本进行分类.结果表明,支持向量机模型分类性能良好,预测精度高,是围岩稳定性分类的一种有效方法,可以在实际工程中进行应用.     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于粗糙集和支持向量机的客户价值分类

针对现有数据挖掘模型解决客户价值分类的不足,提出了基于粗糙集和支持向量机理论的客户分类模型,该模型首先应用粗糙集理论对主要指标属性进行特征提取,约简出主要指标体系,然后将训练样本送入支持向量机进行学习和训练,进而对检验样本的客户类别进行判别.结果表明:与传统的客户分类模型相比,基于粗糙集和支持向量机的客户分类模型对检验样本的预测精度更高,具有良好的分类效果,是一种更为高效和实用的分类方法.     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

一种采用粗糙集和遗传算法的支持向量机

传统的支持向量机(SVM)已被广泛应用.但在实际应用中,高维的特征向量影响了分类的速度,同时特征的选择影响了的分类的精度.为了提高SVM的分类速度和精度,提出使用粗糙集进行降维,使用遗传算法进行特征选择.将应用了此方法的SVM用于网络入侵检测中,实验表明该方法有效地改善了支持向量机的分类性能.