基于启发式方法和支持向量机方法预测α环糊精—苯衍生物包结物稳定常数

建立了基于启发式方法和支持向量机方法的定量结构性质关系(QSPR)模型,用于预测α-环糊精与单取代或1,4-二取代苯衍生物结合后包结物的稳定常数.通过计算得到6个参数:分子重量、β-极化度、相对阳性电荷、相对阳性电荷表面积、DPSA3和分子轨道最大成键贡献,用于启发式方法和支持向量机方法建立QSPR模型,其相关系数分别是0.94和0.98,LOO交互检验的相关系数分别为0.92和0.95.因此,用支持向量机方法建立的模型要优于启发式方法,其预测能力更强、模型的稳定性更好.     

基于启发式方法和支持向量机定量研究药物的血脑屏障通透性

构建55个药物分子与其血脑屏障通透性(logB)之间的定量结构-性质关系模型,探讨影响药物血脑屏障通透性的结构因素.应用CODESSA软件计算55个化合物的组成、拓扑、几何、静电和量子化学等结构参数,通过启发式方法筛选得到最佳的结构参数,并建立线性回归模型;用所选的4个结构参数作为支持向量机的输入,建立非线性的支持向量机回归模型.预测结果表明:支持向量机回归模型性能(R2=0.89,MSE=0.06)要优于启发式回归模型的性能(R2=0.82,MSE=0.11).描述符HASA2,NO,FPSA3和E(CH)都是影响logB的主要结构因素.支持向量机模型简单快速,在药物设计中可以用来预测候选药物的logB值.     

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）．     

支持向量机算法用于烷基苯的热容和标准焓值的预测

建立了有关烷基苯结构和它们的热容、标准焓值之间的定量构效关系模型。根据烷基苯的分子结构式,其每个结构分别采用含有6数字的编码来表示。本文建立的定量构效关系模型分别采用了多元线性回归、多元非线性回归和支持向量机算法。所有的化合物被分为训练集和测试集。对每个模型的训练集和测试集的相关系数、平均绝对误差和均方差进行了计算,并对三个模型的预测效果进行了对比讨论。在烷基苯的热容、标准焓值的预测上支持向量机算法略优于另两种方法,显示出了支持向量机算法在预测化合物物理化学性质方面的优越性。     

基于支持向量机的炭黑工艺建模

将支持向量用于炭黑工艺建模，并与主成分回归、反向传播人工神经网络以及径向基神经网络建模方法相比较．结果表明，炭黑生产过程具有比较强的非线性，不适合用主成分回归方法建立模型，支持向量机对炭黑吸碘值和吸油值的相对预测误差分别为1．62％和1．31％，所构建的模型的预测准确度明显优于反向传播人工神经网络(2．54％，1．64％)，稍优于径向基神经网络(1．85％，1．38％)。     

用分子结构固有频率估算链烷烃的蒸气压

以固有频率为分子结构描述符,建立链烷烃蒸气压随温度和结构属性变化的关系模型,用Antoine方程计算不同分子在相同温度下的蒸气压,并用于不同分子的蒸气压与分结构固有频率(基频和总频)及分子中甲基数的定量-结构性质相关性(QSPR)分析,其相关系数r均大于0.967;再用不同分子的结构固有频率系数以温度T的二次幂函数模型进行QSPR分析,其相关系数均大于0.999.由此得到的链烷烃蒸气压估算方程用于蒸气压的预测,结果与文献实验值具有很好的一致性.图2,表3,参7.     

基于支持向量机方法的砂土地震液化分析

提出了砂土地震液化分析的一种新方法，即支持向量机方法。该方法根据有限的学习样本，建立了各种影响因素和地震液化之间的一种非线性映射，可以对砂土在地震条件下的液化进行分析。基于已有的砂土地震液化资料，采用支持向量机模型，对国外地震现场实例进行了预测，网络输出结果与实际情况十分吻合。实例研究表明，支持向量机方法用于预测砂土地震液化是有效而可行的。     

α-唑基-α-芳氧烷基频哪酮(芳乙酮)及其醇式衍生物抗真菌活性的支持向量机研究

采用支持向量机（SVM）算法，将其用于α-唑基-α-芳氧基频哪酮（芳乙酮）及其醇式衍生物抗真菌活性的研究．讨论了该类化合物的量子化学参数、计算核函数及参数的选择和优化问题，建立了抗真菌活性预测的数学模型，结果表明支持向量机可用于该类化合物抗真菌活性的筛选和构效关系（QSAR）的研究．     

基于支持向量机方法的深基坑变形预测

提出了深基坑变形预测的一种新方法,即支持向量机方法.该方法根据有限的学习样本,建立了各种影响因素和深基坑变形之间的一种非线性映射.基于已有的深基坑变形资料,采用支持向量机模型,对深基坑现场实例进行了预测,网络输出结果与实际情况十分吻合.实例研究表明,支持向量机方法用于预测深基坑变形是有效且可行的.     

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。     

基于支持向量机回归的煤层含气量预测

为了探讨煤层含气量的有效预测方法,将支持向量机回归方法用于建立煤层含气量预测模型。利用所选的测井参数,采用基于小样本理论的支持向量机回归方法建立测井参数与煤层含气量的关系模型,对煤层含气量进行预测。实例分析表明,选取适当的测井参数,利用支持向量机回归方法建立的煤层气含量预测模型,其预测结果与实测结果的误差小。     

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．     

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．     

由工程实例获取隧洞围岩最大变形的支持向量机方法

在收集隧洞工程实例的基础上,将最小平方支持向量机用于提取地下隧洞工程实例的尺寸规模、埋深和围岩质量诸因素与围岩最大允许变形之间映射规律,建立了围岩最大允许变形预测的支持向量机模型·并结合样本的情况确定了支持向量机的模型参数:核函数参数和惩罚因子·通过对样本的学习和预测的结果表明,最大误差为14 4%,能满足工程要求·     

基于支持向量机的卤代甲烷△fH^θm模型的构建

应用G98W程序包中的AM1方法，43种卤代甲烷分子进行优化计算，所得量化参数作为支持向量机的输入向量与△fH^θm进行建模，并与反向传播人工神经网络相比较，用留一法交叉校验对实验值进行预测。结果表明，支持向量机所建模型预测值具有良好的泛化能力，可用于卤代甲烷其他理化性质的预测。     

多环芳烃及其衍生物致癌性的支持向量机预测模型

分别用支持向量分类法、Fisher法判别、K最近邻法和反向传播人工神经网络，对353种多环芳烃及其衍生物致癌性构建二分类模型，并采用留一法交叉校验作比较，所构建的支持向量机模型的误报样本数及预报准确率均高于其它3种方法．实验结果表明，支持向量机算法具有较强的稳健性和良好的泛化能力，能够用于多环芳烃及其衍生物致癌性的二分类和预测．     

基于LS-SVM的边坡稳定性预测研究

针对边坡工程稳定性估计的复杂性,将最小二乘支持向量机引入到边坡稳定性估计的研究中,分别建立了边坡安全系数预测的最小二乘支持向量机模型和边坡稳定状态预测的最小二乘支持向量机模型,以实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的边坡稳定性分析方法及其可行性．该方法具有一定的工程参考和实用价值．     

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.     

基于模型可靠性检查的QGA-SVM岩爆倾向性分类研究

岩爆是高地应力地区影响地下工程施工的主要地质灾害,岩爆预测已成为地下工程的世界性难题之一.为改善支持向量机(SVM)在岩爆分类中的精度,提出了一种模型可靠性检查的方法,其采用评价指标对评价等级的影响趋势对模型的可靠性进行检查,该模型可靠性检查法为一种通用方法,可用于任何基于先知经验方法的模型可靠性检查.在支持向量机核函数参数初步取值时,引入量子遗传算法(QGA)在解空间里进行全局搜索,最后建立了基于模型可行性检查的量子遗传算法-支持向量机的岩爆分类模型,并将其应用于实际工程中,结果表明,改进后的支持向量机在岩爆分类识别中具有较高的泛化能力和预测精度.     

土坡稳定性分析的SVM方法

根据支持向量机方法的基本原理,结合20个典型土坡工程实例,建立了边坡稳定性的支持向量机预测模型,并应用该模型对部分边坡工程的稳定性进行了预测,预测结果与实际边坡稳定性状态相吻合,从而说明了支持向量机方法在边坡稳定性分析中的有效性.