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。      

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。     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

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。     

一种改进的LSTSVM增量学习算法

基于Sherman Morrison定理和迭代算法, 提出一种改进最小二乘孪生支持向量机（SMI ILSTSVM）的增量学习算法, 解决了最小二乘孪生支持向量机（LSTSVM）不具备结构风险最小化和稀疏性的问题. 实验结果表明, 该算法分类精度和效率均较高, 适用于含有噪声的交叉样本集分类.     

基于支持向量机的互连导线串扰分析及预测

导线或电缆不仅是高效的电磁干扰接收天线,也是高效的电磁干扰辐射天线。互连导线间的串扰是一种典型的电磁兼容问题。为了达到更好的电磁兼容预测效果,提出了基于支持向量机(SVM)的预测算法。算法以结构风险最小化为原则,比以经验风险最小化为原则的传统神经网络性能更优。利用遗传算法优化预测模型的关联参数,可以进一步提高计算效率和精度。实验结果表明利用SVM算法对导线串扰预测的误差最小。通过对导线串扰预测模型的影响因子进行相关性分析,降低了模型的自变量维度。简化后的模型预测具有更好的实用性。     

基于支持向量机的地区电网短期负荷预测模型研究

支持向量机是一种针对分类和回归问题的统计学习理论,是一类基于结构风险最小化原则的新型机器学习算法。其基本思想是通过用内积函数定义的非线性变换将输入空间变换到一个高维空间,在这个高维空间中寻求输入变量和输出变量之间的非线性关系的精确描述。本文构造了基于支持向量机的地区电网短期负荷预测模型,该模型具有较好的泛化性和收敛性。通过对实际电网负荷的预测仿真和测试,证实所提出的预测模型能获得满意的预测精度。     

基于支持向量机的经济效益综合评价

为了对企业经济效益做出客观准确的评价,本文提出支持向量机的经济效益综合评价。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评价工具。利用支持向量机对经济效益进行评价,以改善传统评价方法结果的不合理性。试验结果表明支持向量机的评价结果更符合实际,结果更加科学合理。并与人工神经网络结果进行比较,充分体现了该方法的优越性。     

基于支持向量机的煤岩界面识别方法

在煤岩识别的研究中采用了基于结构风险最小化的支持向量机,介绍了支持向量机的煤岩界面识别原理,提出一种基于支持向量机的煤岩界面识别方法。     

基于WLS-SVM标准差σ预测的产品过程质量控制方法研究

及时、准确地预测加工过程产品质量标准差σ,对于及时判断工序状态、调整加工过程因素,进而提高产品过程质量等具有重要意义。文章提出了一种基于加权最小二乘支持向量机(WLS-SVM)的时间序列预测新方法,该方法采用了结构风险最小化原则,较好地避免了人工神经网络等智能方法在小样本学习、预测过程中存在的过学习、泛化能力弱等缺点;并采用"重近轻远"的权重设置原则,提高了预测的精度。实验表明,采用该方法对产品过程质量标准差σ进行预测切实可行,对于产品过程质量控制具有重要意义。