加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器．它使用结构风险最小化原则，给出了实际风险的上界，运用该技巧，较好地解决了学习问题．而神经网络则采用经验风险最小化原则，会出现过学习现象．根据证券指数等时间序列数据的特点即近期数据要比远期数据重要，重要数据点要求比较小的误差而提出了加权支持向量机算法，与径向基神经网络相比较，加权支持向量机在证券指数预测方面表现出了良好的泛化性能。     

支持向量机在机载设备故障诊断及预测中的应用研究

支持向量机是一种基于统计学习理论的机器学习算法,采用结构风险最小化原则代替经验风险最小化原则,较好地解决了小样本学习问题;采用核函数思想,使非线性空间的问题转换到线性空间,降低了算法的复杂度;具有良好的泛化能力。针对机载设备故障诊断及预测等工程实际应用中遇到的典型故障样本缺乏、先验知识不足等采用神经网络等其它方法无法解决的问题,提出利用支持向量机应用在机载设备故障诊断及预报中。     

应用支持向量机的交通流状态预测方法研究

支持向量机（support vector machine，sVM）是近年来出现的立足于统计学习理论（statislical learning theory，SLT）的VC维理论和结构风险最小化原则基础上的机器学习方法，在数据挖掘及分类中具有特点和优越性．为了提高交通流状态预测的精度及效率，研究支持向量机应用于数据泛化及分类的方法，并建立模型，在实测数据的基础上进行交通流状态的判定及预测．实验结果表明该方法学习及预测速度快、效率高，并且误差可控，具有较高的精确度（本文中实例精度高于95％），应用前景广泛．     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术，是一种具有很好泛化性能的回归方法.针对混沌时间序列特点，提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究，结果表明该模型能较好地处理混沌时间序列，具有较高的泛化能力和很好的预测精度.     

基于支持向量机处理圆度误差

提出一种基于支持向量机计算圆度误差的方法.支持向量机的理论基础是Vapnik创建的统计学习理论.它采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型预测误差的上界,从而提高了模型的泛化能力.该方法采用支持向量机对圆度误差评价,克服了传统圆度最小二乘法评价的局部收敛问题.仿真实验结果表明介绍的方法可以有效、正确地评价圆度误差.     

连续小波变化-支持向量回归模型及其在谷物近红外光谱分析中的应用

近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析．支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力,在许多领域中的应用取得了成功．在这篇文章中,我们把连续小波变化技术结合支持向量机用于近红外光谱分析,结果显示,连续小波变化．支持向量机模型具有更好的预测精度．     

基于支持向量机的冰塞水位预测

支持向量机方法基于结构风险最小化原理,克服了常规统计方法的局限性,能够在有限的样本集基础上兼顾模型的通用性和推广性,预测精度更高。文章利用支持向量机方法对冰塞水位进行了预测,预测结果与实际情况吻合。与BP神经网络预测结果进行对比分析,结果表明,采用支持向量机方法预测的效果较好,是一种值得推广的方法。     

用于回归估计的支持向量机

介绍机器学习的表示方式,分析和比较机器学习中经验风险最小化原则和结构风险最小化原则,引出用于回归估计的支持向量机,并用数学方式阐述其基本思想,讨论支持向量机技术发展中存在的主要问题.     

连续小波变换-支持向量回归模型及其在谷物近红外光谱分析中的应用

近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析．支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力,在许多领域中的应用取得了成功．在这篇文章中,我们把连续小波变化技术结合支持向量机用于近红外光谱分析,结果显示,连续小波变换一支持向量回归模型具有更好的预测精度．     

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。 