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。     

粒子群优化支持向量机的交通量预测方法

为了准确预测交通流量,为实施交通疏导提供参考依据,提出了一种基于小生境粒子群优化高斯小波核函数支持向量机的交通流量预测方法。首先将小波思想引入核函数,使用高斯小波核函数取代了经典支持向量机的高斯核函数。同时在支持向量机的学习算法上引入了小生境粒子群优化算法,基于小生境粒子群的多样性的优势,使得支持向量机的参数得到最优解。最后进行了预测仿真,结果表明本文方法的预测精度高于传统方法。为交通流量的预测方法提供了一种参考。     

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．     

一种新的混合智能预测模型及其在故障诊断中的应用

针对机电设备运行状态受多因素影响且变化趋势复杂、难以用单一预测方法进行有效预测的问题，提出了一种新的基于经验模式分解、支持向量机和自适应线性神经网络的混合智能预测模型．首先，利用经验模式分解方法将非平稳时间序列按其内在的时间特征尺度自适应地分解为多个本征模式分量，然后根据这些分量各自趋势变化的剧烈程度选择合适的核函数，用支持向量机对其进行预测，最后通过自适应线性神经网络对这些预测分量进行自适应加权组合，得到原始序列的预测值．研究结果表明，对于标准算例和某机组振动趋势的预测，不论是单步预测还是多步预测，该模型的预测性能均好于单一的支持向量机预测方法。     

应用支持向量机预测绞股蓝茶浸提液中药用成分的含量

通过支持向量机数学模型预测了绞股蓝茶浸提液中的总酚含量、总黄酮含量及其自由基清除能力,其中浸提条件包括11个浸提温度、5个浸提时间及3个料液比．在4个涉及的支持向量机基本核函数中,径向基核函数表现出最佳的预测效果．在径向基核函数下,用3种参数优化方法：网格参数优化法、遗传优化算法和粒子群优化算法,分别对其模型进行了参数优化．通过比较发现,用粒子群优化算法的径向基核函数支持向量机模型达到了最佳的预测效果,其测试集的相关系数分别达到了0．9628（预测总酚含量）,0．9797（预测总黄酮含量）和0．9513（预测自由基清除能力）．     

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.     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

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LS-SVM的交通流量时间序列预测

针对城市交通“智能运输系统”。本文提出了基于最小二乘支持向量机(LS-SVM)方法的交通流量时间序列预测，并给出了基于最小二乘支持向量机方法的算法，与传统的神经网络相比，此方法简单易实现．通过实验表明。此方法确实效果好，能取得较好的预测效果。     

小波分析及支持向量机应用于大气污染预测

针对大气污染物浓度时间序列有一定的年变化趋势,提出了大气污染物浓度的小波分析及支持向量机时间序列预测模型。应用小波分解和重构对大气污染物浓度进行年变化趋势分析,在此基础上将大气污染物浓度序列划分为若干时段。各时段分别独立应用支持向量机进行大气污染物浓度预测,各时段均使用ν-支持向量回归机(ν-SVR)算法和径向基函数。预测结果表明,所提出的预测方法应用于大气污染物浓度时间序列预测有较高的预测精度和良好的推广能力,而且明显优于一般的支持向量机模型。     

Mercer核的等价定义的证明的验证

支持向量机是一类新型机器学习方法,由于其出色的学习性能,该技术已成为当前国际机器学习界的研究热点[1]。而Mercer核是支持向量机的重要内容,本文通过Delta函数对Mercer核的等价定义的证明进行了验证。     

基于傅立叶核与径向基核的支持向量机性能之比较

支持向量机（SVMs）是由Vapnik提出的一种建立在统计学习理论上的新方法：这种方法被深入地研究并广泛应用在诸如分类和回归问题上。由于其基于结构风险最小化的机理，因此相对于其他的经典方法有着更好的泛化特性，其中核函数的选择对支持向量机的性能有着很大的影响。深入地研究了基于傅立叶核函数的支持向量机的特性，得出在某些特殊的情况下，基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机。最后的仿真对其进行了比较验证。     

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．     

基于傅立叶核与径向基核的支持向量机性能之比较

支持向量机（SVMs）是由Vapnik提出的一种建立在统计学习理论上的新方法。这种方法被深入地研究并广泛应用在诸如分类和回归问题上。由于其基于结构风险最小化的机理,因此相对于其他的经典方法有着更好的泛化特性,其中核函数的选择对支持向量机的性能有着很大的影响。深入地研究了基于傅立叶核函数的支持向量机的特性,得出在某些特殊的情况下,基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机。最后的仿真对其进行了比较验证。      

基于TWSVMs的改进说话人识别系统

实现了一个基于双分界面的支持向量机的文本无关说话人识别系统,该系统在建立模型的过程中使用高斯混合模型进行特征提取,有效地减少了数据集的规模。与传统的支持向量机方法相比,该方法不仅达到了更高的识别率,对环境具有良好的鲁棒性,并且降低了算法的时间复杂度。由于该方法对大规模数据集的处理能力,使其比传统的方法更适合应用于实际。在相关实验中,也证实了该方法的有效性。     

密度函数估计的修正SVM法

 讨论密度函数的非参数估计问题,提出了一种修正的支持向量机(SupportVectorMachines,简记为SVM)方法,修正SVM法是在SVM方法的基础上进行简单改进而得到的,它是基于概率理论的概率大的事件其对应的样本数目会比概率小的事件的对应的样本数目多一些这一先验性质而产生的,这样估计的函数能更好地近似真正的密度函数.同时,由于密度函数的估计问题是不适定的,文中密度函数估计采用了正则化技术处理这一估计问题,最后通过一模拟实验,表明采用修正SVM法比采用SVM法进行密度函数估计能更好地逼近真实密度函数.     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

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.     

基于粗糙集和支持向量机的深基坑工程风险评价

利用粗糙集和支持向量回归机的理论和方法,建立基于粗糙集和支持向量回归机相结合的风险评价模型。结合深基坑工程风险评价的实例,将约简后的评价指标输入到支持向量回归机中训练,构建评价模型,而在模型的构建中采用了高斯径向基核函数。最后将指标约简前后所得的评价结果分别与基于粗糙集和神经网络的评价所得的结果进行比较,采用粗糙集和支持向量回归机的评价法具有更好的评价效率。     

基于核主成分KPCA的LS-SVM的算法分析

主成分分析（PCA）是一种重要的特征抽取方法,而核主成分分析（KPCA）是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机（LS-SVM）是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机（LS-SVM）建模方法具有更良好的推广性。