基于判别分析—SVR的民航客运量预测模型研究及应用

为了提高预测民航客运量的能力,考虑到民航客运量与其影响因素之间存在关联, 并利用训练样本与测试样本间的马氏距离对惩罚因子进行加权,改进传统的ε支持向量回归机(SVR),构造了基于进化ε-SVR的“影响因素民航客运量”预测模型.在选择适当的参数和核函数的基础上,对中国民航客运量进行仿真实验,与标准的ε-SVR方法、BP人工神经网络和线性回归方法进行了对比,发现该方法能获得较小的训练相对误差和测试相对误差.     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

基于多历史覆冰过程的输电线路覆冰增长预测

应用粒子群优化(PSO)和最小二乘支持向量机(LS-SVM)算法对各历史覆冰过程建立预测模型,利用皮尔逊相关系数法对历史覆冰过程进行相似性筛选,采用径向基神经网络(RBF)建立多历史覆冰过程的覆冰增长率预测模型.实例计算表明,与传统的单历史覆冰过程预测方法相比,基于多历史覆冰过程的输电线路覆冰增长预测具有更好的精度.     

一种基于遗传算法优化小波支持向量回归机的实时寿命预测方法

针对现有实时寿命预测方法没有充分利用同类产品性能退化数据信息的问题,从研究退化轨迹相似性的角度出发,提出一种基于遗传算法（GA）优化小波支持向量回归机（WSVR）的实时退化轨迹建模和寿命预测方法.首先基于GA优化WSVR建立各同类产品的性能退化轨迹模型,然后以特定个体的历史测量时刻向量为基准,计算同类产品的相应退化测量值向量及其与特定个体退化测量值向量的Euclid距离,并根据Euclid距离确定隶属度权值,基于加权思想建立特定个体的退化轨迹模型,最后结合实时测量数据依次更新退化测量值向量、Euclid距离、隶属度权值和退化轨迹模型,实现实时寿命预测.实例分析验证了所提出的方法是有效的.     

基于距离最大熵值的蛋白质结构域边界检测系统

首次将蛋白质结构域边界检测问题归结为非平衡数据学习问题, 提出一种新的欠采样方法, 即在支持向量机特征空间中对与正类样本具有距离最大熵值的负类样本进行采样. 以经过筛选的蛋白质结构域数据库作为实验数据, 支持向量机学习系统的平均预测准确率可达80%, 同时具有较高的敏感性和特异性.     

基于类中心和密切度的L-2范数FSVM

支持向量机(SVM)是解决回归问题的一种有效的方法,但传统的支持向量机对样本中的噪声和孤立点非常敏感.为了克服这个问题,文中提出了一种基于类中心和密切度的L-2范数模糊支持向量机(L-2范数FSVM),即模糊隶属度的建立不仅根据样本到类中心的距离,而且根据样本点和其目标点之间的密切度.仿真实验结果显示了该方法有效地减少了噪声的影响,改进了回归的精度,增强了推广能力.     

基于模糊支持向量机的一维距离像识别

在毫米波雷达一维距离像识别中,为达到消除噪声与孤立点影响的目的,在研究了基于距离和样本紧密度的隶属度函数的基础上,提出了一种能反映雷达回波信号在特征空间分布的隶属度函数.用一个紧凑的超椭球体将样本包围起来,并使用超椭球体的方向半径度量样本之间的紧密度.将改进的基于样本紧密度的隶属度函数应用于模糊支持向量机中,可较好地区分开支持向量与含噪声或野值的样本.实验结果显示:随着雷达回波信号信噪比的降低,支持向量机的目标识别率迅速下降,而模糊支持向量机的目标识别率只下降了1%,有效地减小了噪声对一维距离像识别结果的影响.     

基于距离和时序的层次粒度支持向量回归机

针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.     

一种基于动态类中心模型选择的模糊支持向量机

模糊支持向量机的核心思想是赋予样本模糊隶属度,给每个样本以不同的权重,从而克服标准支持向量机对噪声和异常点敏感的问题.现有的模糊支持向量机算法通常以样本与类中心距离为基础,给每个样本赋予一个固定的隶属度,没有根据样本分布对隶属度做进一步修正.提出了一种新的动态方式赋予样本隶属度,利用萤火虫算法不断地更新样本中心的位置和隶属度函数,同时利用粒子群算法优化模糊支持向量机参数.在UCI数据集上的实验结果表明,该算法可以有效减少噪声和野点对超平面的影响,分类性能要优于几类常用的模糊支持向量机算法.     

基于稻穗几何形态模式识别的在穗籽粒数估测

基于稻穗几何形态特征和在穗籽粒数二者之间的映射关系,提出基于稻穗图像形态学特征机器学习的在穗籽粒测量新方法.首先,利用图像处理方法提取一次枝梗的面积、骨架长度、周长、骨架距离均值等形态特征.其次,针对一次枝梗识别,提出基于局部距离方差的提取方法,获取一次枝梗骨架.最后,使用改进的支持向量机构建稻穗几何形态特征和在穗籽粒数两者之间的映射关系.实验结果表明,用以上特征训练的分类器,预测稻穗籽粒数的相对误差平均值为6.72%,可以有效解决测量在穗籽粒数时遇到的遮挡和粘连问题.研究结果表明,稻穗形态学特征与在穗籽粒数存在确定性内蕴映射关系,该映射能够被多分类集成支持向量机训练策略描述,且识别精度高于现有回归方法.