动态公交车辆运行时间预测模型

准确预测公交车运行时间是先进的出行者信息系统(ATIS)的核心.本文应用支持向量机(SVM)进行公交车辆的运行时间预测,其目的是要验证SVM在运行时间预测领域的可行性.为了调整不同阶段历史数据对预测结果的影响引入了衰减因子,并应用一种自适应算法采动态调整预测误差.然后以大连市23路公交车对该模型进行来了检验.结果显示,带有衰减因子和自适应算法的支持向量机算法具有很好的预测精度和动态性能.     

用于回归估计的支持向量机方法

用于回归估计的支持向量机方法以可控制的精度逼近非线性函数，具有全局最优、良好泛化能力等优越性能，得到广泛的研究。描述了该方法的基本思想，着重讨论了V-SVM、最小二乘SVM、加权SVM、线性SVM等支持向量机的新方法，降低训练时间和减少计算复杂性的分解法、SMO及增量学习算法。在非线性系统参数辨识、预测预报、建模与控制研究中，支持向量机是很有发展前途的研究方法。     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit,APU)性能参数预测的精度,针对支持向量机(support vector machine,SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm opti-mization,PSO)算法实现对SVM惩罚参数和核参数...     

支持向量机的新分类器算法研究

提出了基于支持向量机(SVM)和决策树(DT)的几种新分类器算法.首先对支持向量机和模糊支持向量机(FSVM)处理多类分类问题的传统算法进行介绍,然后在DT-FSVM和最近邻分类器的基础之上,提出基于样本区域分析(SRA)的混合分类器算法(SRA-DT-FSVM),该算法中样本区域分析的概念被提出.在线性鉴别分析(LDA)的人脸特征空间中,分别对算法FSVM,DT-FSVM,SRA-DT-FSVM以及Binary-DT-SVM进行了全面的性能比较.通过在ORL人脸库上的实验结果表明,提出的新方法是有效的.此外,基于DT的SVM的分类速度获得了较大提高.     

基于重复训练提高SVM识别率的算法

持向量机 (supportvectormachine ,SVM)作为一种新的模式识别算法 ,在许多模式识别问题上表现出了良好的识别性能和推广能力。和其它模式识别方法一样 ,如何进一步提高识别率一直是研究的热点。通过分析SVM的分类机理 ,提出了一种基于重复训练的SVM算法。该算法以较小的训练代价 ,通过提高支持向量在样本中的比例 ,提高了SVM的识别性能。基于重复训练的SVM算法为提高识别率提供了一种新的思路 ,也为SVM算法的自学习奠定了基础。     

基于最小二乘支持向量机的交通安全预测模型

分析了最小二乘支持向量机(LS-SVM)在交通安全预测中的优势,确定输入向量集合和输出向量集合,利用LS-SVM建立交通安全预测模型.将1953～2006年全国交通安全相关数据分为训练集和测试集,利用Matlab 7.0进行仿真测试.通过训练LS-SVM得到模型具体参数值,然后对测试集数据进行预测,计算预测误差,并与神经网络模型、SVM模型预测结果进行对比.仿真结果表明,基于LS-SVM建立的交通安全预测模型比神经网络预测模型、SVM模型具有更高的运算速度和预测精确度.     

区间型时间序列数据的点预测方法研究

区间型时间序列数据大量存在,但在时序数据的预测方法中,对这种类型的数据进行点预测没有相关研究。借助支持向量机(SVM),在区间时间序列数据回归算法的基础上,通过区间数据相空间重构,建立了时间序列的支持向量区间预测SVIP方法。在实验仿真环节中,通过两个仿真实例验证了该方法的良好性能,同时与采用Elman神经网络方法的预测结果进行了分析比较,说明了SVIP方法的优点。     

基于优化SVM的反渗透脱盐水故障诊断

针对反渗透脱盐水系统中的反渗透膜故障问题,提出了一种基于支持向量机(SVM)的故障诊断方法.为了解决SVM的参数优化问题,采用一种基于改进的混沌粒子群优化算法的支持向量机参数选择方法.将混沌理论引入粒子群优化算法中,提高种群的多样性和粒子搜索的遍历性,有效地提高了粒子群算法的收敛速度和精度,得到了优化的SVM模型.并将此模型应用于反渗透脱盐水系统的故障诊断中.仿真结果表明,改进的SVM分类器能有效地诊断出反渗透膜故障,并且取得了较高的准确率和诊断效率.     

基于小波核支持向量机的均衡器研究

针对通信系统实时性处理要求,提出了一种快速收敛的支持向量机(support vector machine,SVM)均衡器。该方法以支持向量机为框架,利用判决反馈信号构造SVM的训练样本数据,采用小波核函数,并自适应调整核函数中的伸缩因子,得到具有跟踪能力的自适应SVM均衡器。通过仿真实验,并与采用高斯核函数的支持向量机均衡器进行比较,结果证明该方法提高了收敛速度。     

基于启发式算法的支持向量机选股模型

发行流通股的上市公司财务数据是高维、复杂的,在利用财务指标对股票进行投资选择时往往难以全面考虑。为了从样本股的大量财务指标中提取出低维、有效的特征信息来构成支持向量机(SVM)的训练集,提出了一种启发式算法(HA)对原始财务数据进行预处理,在保存原始数据特征信息的同时提高了训练精度和训练效率。实证结果中,基于该启发式算法的支持向量机选股模型(HA-SVM)最终构造的股票组合的年收益显著高于同期基准组合的年收益。另外,进一步将被广泛使用于降维和数据特征提取的主成分分析法(PCA)与该启发式算法进行对比分析,结果表明,HA-SVM模型的训练准确率、预测准确率以及所选股票组合的年收益情况均显著高于PCA-SVM模型。     

基于支持向量机的个人信用评估模型及最优参数选择研究

运用基于支持向量机理论试图建立一个新的个人信用评估预测方法,以期取得更好的预测分类能力.为了达到这个目标及保证可靠性,研究中使用网格5-折交叉确认来寻找不同核函数的最优参数.为了进一步评价SVM分类准确性,我们在本文最后对SVM方法与线性判别分析,Logistic回归分析,最近邻,分类回归树及神经网络进行了比较,结果表明,SVM有很好的预测效果.     

基于支持向量机的ESP系统传感器故障诊断方法

应用支持向量机(SVMs)回归估计方法建立ESP系统的传感器预测模型；将支持向量机模式分类方法应用于传感器的故障分离，用DAGSVM作为残差分类器获得故障结果。研究结果表明将支持向量机应用于ESP系统的传感器故障诊断是有效可行的。     

基于决策树的快速SVM分类方法

为提高支持向量机（support vector machine, SVM)算法对大规模数据的适应能力,加快SVM算法的分类速度,提出一种基于决策树的快速SVM分类方法。该方法的重点在于构建一棵决策树,将大规模问题分解为相对简单的子问题,树中节点由线性支持向量机组成,每个节点包含一个决策超平面,分类过程取决于节点的数量。此方法在分类复杂样本时避免了使用非线性核函数。并且由于使用线性核函数,则不用进行模型选择,进一步加快了样本的分类速度。实验表明,针对大规模多特征数据的非线性分类问题,该方法比传统方法具有更高的速度。     

Comparison on neural networks and support vector machines in suppliers' selection

Suppliers＇ selection in supply chain management （SCM） has attracted considerable research interests in recent years. Recent literatures show that neural networks achieve better performance than traditional statistical methods. However, neural networks have inherent drawbacks, such as local optimization solution, lack generalization, and uncontrolled convergence. A relatively new machine learning technique, support vector machine （SVM）, which overcomes the drawbacks of neural networks, is introduced to provide a model with better explanatory power to select ideal supplier partners. Meanwhile, in practice, the suppliers＇ samples are very insufficient. SVMs are adaptive to deal with small samples＇ training and testing. The prediction accuracies for BPNN and SVM methods are compared to choose the appreciating suppliers. The actual examples illustrate that SVM methods are superior to BPNN.     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

Solving large-scale multiclass learning problems via an efficient support vector classifier

1. INTRODUCTION In recent years, a new type of classifier, support vector machines[1~2], is receiving adoption increasingly as a state-of-the-art tool to solve knowledge discovery pro- blems. SVMs are based on the statistical learning the- ory of Vapnik[1] and quadratic programming optimiz- ation. Support vector machines (SVMs) are initially designed for binary classification problem. How to effectively extend them for multiclass classification is still an ongoing research topic. Curr…     

一种噪声背景下的雷达目标识别方法

雷达高分辨距离像(high resolution range profile, HRRP)包含了丰富的目标结构信息,在雷达目标识别领域有良好的应用前景。针对传统的HRRP识别方法对噪声环境适应性差的问题,选用具有时移不变性的紧支撑小波自相关作为支持向量机(support vector machine, SVM)分类器的核函数,研究了幂次变换(power transform, PT)参数的选取对识别效果的影响,给出了参数选取经验公式,结合信噪比实时估算自适应地进行数据预处理以增强算法的抗噪性能。仿真表明,所提出的方法与传统的高斯径向基核SVM相比,提高了目标识别率,并且具有较好的噪声稳健性。     

一种基于QBC的SVM主动学习算法

针对支持向量机(souport vector machine,SVM)训练学习过程中样本分布不均衡、难以获得大量带有类标注样本的问题,提出一种基于委员会投票选择(query by committee,QBC)的SVM主动学习算法QBC-ASVM,将改进的QBC主动学习方法与加权SVM方法有机地结合应用于SVM训练学习中,通过改进的QBC主动学习,主动选择那些对当前SVM分类器最有价值的样本进行标注,在SVM主动学习中应用改进的加权SVM,减少了样本分布不均衡对SVM主动学习性能的影响,实验结果表明在保证不影响分类精度的情况下,所提出的算法需要标记的样本数量大大少于随机采样法需要标记的样本数量,降低了学习的样本标记代价,提高了SVM泛化性能而且训练速度同样有所提高。     

SVR在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。将支持向量回归算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，支持向量回归方法具有很好的泛化能力和一定的噪声容忍能力。     

利用声波和地震波识别军事车辆类型

声波和地震波是军事车辆类型识别的重要信息源,针对军事车辆运动时产生的声波和地震波,采用短时傅里叶变换提取其波形数据的频谱特征向量,提出基于能量频谱密度进行二次特征选择,构造声波和地震波频谱特征向量子空间,从而降低了特征向量的维数.应用支持向量机(SVM)和最近邻分类法(KNN)分别对声波和地震波数据来进行军事车辆分类,结果表明:基于能量频谱密度的二次特征选择方法能有效地构造出声波和地震波的特征子空间,由此得到的分类准确率高于传统的特征选择方法.通过比较SVM和KNN的分类结果可以得出SVM的分类效果优于KNN.