支持向量机在地下工程位移预测中的应用

介绍了支持向量机回归算法,运用MATLAB编写了相应程序,并对两个地下工程实例进行了预测.通过与灰色预测和人工神经网络预测结果的对比,可以看出支持向量机方法不论是在学习过程还是预测过程,都具有更高的优越性,可以应用于实际工程.     

支持向量机在股市预测中的应用

介绍了回归问题与支持向量机及其股市预测的研究现状,提出了采用支持向量机的股票预测方法,通过实验证明了该方法的有效性.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

支持向量机在农业经济预测中的研究

提出了一种基于支持向量机预测农业经济产值的方法.利用14年的棉花数据建立支持向量机预测模型,运用该模型预测了5年的棉花产量,并对预测结果和实际值进行了比较分析,表明该方法用于经济预测是有效的.     

支持向量机在电信话务量预测中的应用分析

电信话务量预测是移动通信运营分析的一个很重要的问题,通过话务量预测,运营商可以方便地做出有针对性的决策。支持向量机（support Vector Machine或SVM）是vapnik等人在统计学习理论（statistical Learning Theory或SLT）基础上提出的一种新的通用学习方法。这种方法改变了传统的经验风险最小化原则,是针对结构风险最小化原则提出的。将支持向量机应用于电信话务量预测,在非线性回归分析中显示了良好的性能,有效地实现了有限样本数据的分析预测,保证了较好的精确性和推广性,体现了很好的泛化能力。     

支持向量机在股票价格预测中的应用

综合在中国市场上流行的主要几种技术指标,应用支持向量机分类方法,对个股的价格涨跌进行预测分析.以当前几天的技术指标值为输入向量,若下一天的股价上涨则把该向量归为正类,若下跌则把它归为负类.先利用支持向量机对样本进行训练学习,建立一个分类模式,然后根据当天及前3天指标数据对明天股价进行预测,实证结果表明对个股的预测准确率都大于60%.     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

支持向量机及其在机械故障诊断中的应用

针对目前机械故障诊断中难以获得大量故障数据样本以及特征提取和诊断知识获取困难等不足，提出了应用支持向量机进行机械故障诊断的方法，研究了将小波包分析与信号能量分解用于机械故障的特征提取。该方法将振动信号小波包分析后的信号频带能量作为特征向量，输入到由多个支持向量机构成的多故障分类器中进行故障识别和分类。该分类器只需少量训练样本，而且不必预先知道故障分类的经验知识就能实现正确分类。研究结果表明：选用不同核函数及其参数的多故障分类器对分类精度有影响；在样本不带噪声和带15％噪声情况下，支持向量机的分类精度均高于BP神经网络的分类精度，具有更好的分类性能。     

基于支持向量机的空气降尘预测

支持向量机(Support VectorMachine,SVM)是近年来受到广泛关注的一种学习机器.将支持向量机引入环境时序预测中,有效地求解了空气中降尘的预测问题.实验结果表明,支持向量机不仅具有较强的理论背景,而且具有更强的预测预报能力.     

支持向量机在公交车辆运行时间预测中的应用

为实时获得道路交通状况并对车辆运行进行调度,开发一个基于支持向量机(SVM)的公交车辆到站时间预测模型,并以大连市23路公交车为例对该模型进行检验.结果表明,本文提出的SVM模型比历史平均模型(HMP)和神经网络模型(ANN)的预测精度更高.     

基于LS-SVM的无人机费用预测

无人机费用预测是在装备研制设计阶段就必须考虑的重要问题。针对无人机费用预测小样本、具有不确定性等特点,提出了基于最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machines)的无人机费用预测模型,并应用于研制费用、维修保障费用预测。应用结果表明,LS-SVM具有较高的费用预测精度。     

基于小波包和支持向量机的传感器故障诊断方法

针对自确认压力传感器的故障诊断问题,提出了一种基于小波包变换和支持向量机的传感器故障诊断方法。该方法对传感器输出信号进行三层小波包分解,提取各个节点的小波包系数,对每个节点的小波包系数通过一定的削减算法增强故障特征,然后利用重构的时域信号计算各个节点的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。对自确认压力传感器、温度和流量传感器的故障诊断结果表明,该方法能有效地应用于传感器的故障诊断中。     

基于人工免疫与支持向量机的日用水量预测

鉴于城市日用水量受众多因素的影响和具有复杂的非线性特点,提出一种基于人工免疫与回归支持向量机的用水量预测模型,根据免疫学原理的阳性选择对样本进行聚类后,由于去除非同类信息的干扰,样本数量大为减少,样本信息得到提纯．把模型应用于城市日用水量预测中,通过合理选择核函数、敏感系数、惩罚因子和宽度参数,从实例分析可知,该模型具有建模速度快、预测精度较高的特点．     

Signal Blind Recovery in Communication Systems Using Support Vector Machines

This paper focuses on the applications of the support vector machines in solving the problem of blind recovery in digital communication systems.We introduce the technique of support vector machines briefly,the development of blind equalization and analyze the problems which need to be resolved of the blind problems.Then the applicability of support vector machines in blind problem is highlighted and deduced.Finally,merit and shortage of blind equalization using support vector machines which is already exist...     

支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

支持向量机理论及其应用

作为当前国际机器学习前沿热点的支持向量机是一种新型的机器学习算法，具有卓越的学习效果。文中分析了该方法的核心思想及常用训练算法，并给出其具体应用。     

Feature Rescaling of Support Vector Machines

Support vector machines (SVMs) have widespread use in various classification problems. Although SVMs are often used as an off-the-shelf tool, there are still some important issues which require improvement, such as feature rescaling. Standardization is the most commonly used feature rescaling method. However, standardization does not always improve classification accuracy. This paper describes two feature rescaling methods: multiple kernel learning-based rescaling (MKL-SVM) and kernel-target alignment-based rescaling (KTA-SVM). MKL-SVM makes use of the framework of multiple kernel learning (MKL) and KTA-SVM is built upon the concept of kernel alignment, which measures the similarity between kernels. The proposed methods were compared with three other methods: an SVM method without rescaling, an SVM method with standardization, and SCADSVM. Test results demonstrate that different rescaling methods apply to different situations and that the proposed methods outperform the others in general.     

支持向量机的最大间隔和对偶性

最初出现的支持向量机理论是基于2类线性可分问题的.针对线性可分情况,研究表明线性硬间隔分类机的对偶问题与凸壳问题(平分最近点法)是等价的,线性硬间隔分类机的最大间隔与凸壳问题的2个最近点的距离相等:针对非线性可分情况,研究表明线性软间隔分类机的对偶问题与缩小的凸壳问题(推广的平分最近点法)是等价的,线性软间隔分类机的最大间隔与缩小的凸壳问题的2个最近点的距离相等.对支持向量机分类问题给出了直观解释.     

基于离散余弦变换和支持向量机的人脸识别算法

提出了一种基于DCT提取人脸特征技术和支持向量机分类模型的人脸识别方法。利用离散余弦变换可提取人脸可识别的大部分信息,而支持向量机作为分类器,在处理小样本、高维数等方面具有独特的优势,且泛化能力很强,无需先验知识。从ORT人脸库上的实验结果可以看出,DCT特征提取是很有效的,且SVM的分类性能优于最近邻分类器,同时提高了整个系统的运算速度。     

基于半监督支持向量机的数据分类

为解决支持向量机在分类识别前需要利用已知训练集进行训练的问题，本文提出了一种基于k均值的对无标识数据进行分类的支持向量机分类算法。首先利用k均值算法将未知数据划分成某个数量的子集，然后对新数据进行支持向量机训练得到决策边界与支持矢量，最后对无标识数据进行分类。模拟结果表明：训练时消耗的CHU时间为1．8280秒，支持向量个数为60时，分类错误率小于2％。