Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

集成RS和SVR的电力系统短期负荷预测方法

基于粗糙集(RS)理论和支持向量回归(SVR)方法,提出一种电力系统短期负荷预测方法.采用粗糙集理论对影响负荷预测的各因素进行约简,将约简后得到的最小条件属性集,以此确定输入样本的维数并构造训练样本,作为支持向量回归机的输入进行训练预测.在此基础上,利用已知历史负荷数据构造训练样本群,作为SVR的输入进行训练,采用训练完毕后的SVR模型进行负荷预测.实验结果表明,与神经网络方法和标准SVR方法相比,集成粗糙集和支持向量回归的负荷预测方法,可以在缩短训练时间的前提下获得较高的预测精度.     

支持向量机法预测卤代苯和苯酚衍生物的毒性

应用支持向量回归算法（SVR）,以按非氢原子分类的分子电性距离矢量（H-MEDV）为参数,通过参数的优化,建立了几种更强的预测模型,预测了卤代苯和苯酚衍生物的毒性,并根据H-MEDV参数原理对预测结果进行了初步探讨.各预测模型的标准误差分别为0.305、0.267、0.275、0.228、0.362、0.238,均低于采用多元线性回归（MLR）和逐步回归（SMR）法的预测结果,说明支持向量回归算法在小样本、多变量的样本建模预报问题上具有一定的优势.     

基于小样本的GDI涡轮增压发动机性能预测方法比较分析

为了降低建立发动机性能预测模型消耗的实验成本，利用具有强大的非线性问题分析能力的机器学习算法：广义回归神经网络（general regression neural network，GRNN）和支持向量回归（support vector regression，SVR），预测GDI （gasoline direct injection）涡轮增压发动机性能。首先采用田口正交实验法和拉丁超立方算法确定训练数据和测试数据的操作点，然后基于仅包含25个样本的相同训练数据训练模型，使用100组相同的测试数据测试GRNN和SVR的预测性能并进行了对比研究。对比分析表明，在实验数据有限的情况下，GRNN有收敛到局部最小值的风险，而SVR可以找到最优的全局解，并具有良好的预测精度和泛化能力，因此SVR非常适合应用于GDI涡轮增压发动机性能预测，并将显著降低实验成本。     

SVR—CKNN预测用于HIV-1蛋白酶抑制剂QSAR建模

为提高药物定量构效关系（QSAR）模型预测精度,发展了一种新的QSAR建模方法SVR—CKNN。该法基于支持向量机回归（SVR）自动筛选化合物结构描述符,以k-最近邻建立多个子模型实施组合预测（CKNN）。应用于49种HIV-1蛋白酶抑制剂QSAR研究,留一法预测结果表明SVR—CKNN预测精度明显优于多元线性回归（MLR）、逐步回归（SLR）、偏最小二乘回归（PLS）和神经网络（BP—ANN）等传统模型。SVR—CKNN基于结构风险最小,具非线性、适于小样本、泛化推广能力强、稳定性好、不依赖操作者经验等诸多优点,在药物设计等研究中应用前景广泛。     

基于BP与SVR的非线性回归之比较

BP神经网络和用于回归的支持向量机(SVR)在非线性回归中表现出很好的学习和预测能力。本文对这两种方法的算法思想进行分析比较,并通过仿真实例对它们的回归性能加以比较,理论和实验结果表明SVR方法在稳定性和泛化性上优于BP网络方法。     

深度信任支持向量回归的耕地面积预测方法

针对目前浅层机器学习预测方法所需学习和训练的样本过大及拟合复杂数据能力弱等不足,提出一种基于深度学习思想的深度信任支持向量回归(support vector regression,SVR)的耕地面积预测方法.首先,搭建由1层高斯分布函数显层节点的RBM、多层隐层RBM和1层支持向量回归机构成的深度信任支持向量回归预测模型;其次,选取较为合适和易得的训练数据,通过样本训练和测试确定预测模型的具体结构参数;最后,通过实验将深度信任支持向量回归耕地面积预测方法与其他典型的耕地面积预测算法相比较.结果表明,提出的耕地面积预测方法可行、有效,在相同的数据和平台下,其预测精度高于其他具有代表性的耕地面积预测算法.     

基于遗传-支持向量机的分布式光纤监测矿压时序预测

为了有效的掌握岩层内部变形,准确预测开采过程中的矿压显现规律。采用分布式光纤监测覆岩内部变形并结合支持向量机计算方法,将光纤频移变化度作为主要特征参数,构建混沌矿压数据相空间,采用遗传算法（GA）对支持向量机回归（SVR）超参数寻优。开展相似材料模型试验,模拟工作面开采,并引入光纤频移变化度概念,建立GA-SVR时序预测模型。预测结果与传统回归模型（SVR）和BP神经网络模型（BPNN）进行比较。结果表明,BPNN容易发生过拟合,传统SVR模型依赖超参数选取,GA-SVR模型在超参数选取上更科学,不容易发生过拟合,预测精度高于上述两种算法,为矿压时序预测定量化提供科学依据。     

基于支持向量机SVR的黄河凌汛预报方法

黄河内蒙段每年都有不同程度的凌汛灾害发生。准确及时的凌汛预报能够为防汛工作提供决策支持．但至今尚无一种令人满意的预测模型,为此提出一种基于支持向量机回归（SVR）的凌汛预报模型．SVR是基于统计学习理论的一种机器学习（machine learning）方法,具有严格的理论基础,尤其是在小样本情况下．它能够利用有限的样本信息获得最好的学习效果和泛化能力．实例分析结果表明,基于SVR的凌汛预报方法具有训练速度快、泛化能力强的特点,对黄河内蒙段凌汛期封河历时预测比较准确,这对黄河凌汛防范和水资源的可持续发展具有重要意义．     

小波分析和SVR在供热负荷预测中的应用

采用热计量后供热系统将成为变流量系统，结合小波分析和支持向量回归（SVR）及时准确预测热负荷，使供热控制跟踪热量的变化,利用偏相关分析来选择模型输入参数，将小波分析应用于数据消噪处理，建立支持向量回归负荷预测模型。研究结果表明，该方法提高了运算效率和预测精度。     

基于混合VNS-SVR模型的高校学生成绩预测

学生成绩是评价高校教学质量的重要因素，利用学习分析技术挖掘高校学生成绩的影响因素并对学生成绩进行预测，是教师优化教学方法的关键。首先利用所采集高校学生的基本信息、兴趣表现、课堂表现及课外表现的学习行为特征，使用支持向量回归（SVR）构建学习成绩预测模型。其次，设计了变邻域搜索算法（VNS）对支持向量回归的参数进行优化。最后，将变邻域搜索算法-支持向量回归（VNS-SVR）模型应用于某高校学生数学成绩数据，并与SVR、GS-SVR、GA-SVR和FA-SVR等模型进行对比，验证了所提模型的有效性。     

基于SVR-RFE的作战方案评估指标选择方法

针对作战方案评价指标权值确定过程存在不确定和主观性的问题,本文提出了基于支持向量回归机的线性和非线性递归特征消除法(SVR-RFE)。该方法利用权值向量和函数值作为SVR-RFE的特征选择标准,采用支持向量回归机(SVR)对特征选择前后的回归能力进行了分析比较。在某作战方案样本集上的仿真实验表明,线性和非线性SVR-RFE在作战方案数据集上的特征选择效果是一致的,在特征维度为50%左右时,SVR算法达到最优泛化性能。     

基于改进支持向量回归机的煤炭物流成本预测

煤炭物流成本控制的必要条件就是对其成本进行预测,这样才能对煤炭物流成本进行科学合理地控制。本文提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR煤炭物流成本预测模型。模型利用CSO算法对SVR进行参数优化,优化后的支持向量回归机模型进行煤炭物流成本预测。通过CSOSVR模型对已有煤炭物流成本数据预测仿真。模拟结果显示,从煤炭物流成本预测精度角度出发,CSO-SVR模型预测结果优于GA-SVR、SVR、BPNN等算法。     

基于非平稳序列的主机负载预测及合成技术

提出一种新的主机负载表征指标--并发连接数,分析基于并发连接数的主机负载的自相似性和非平稳性,构建基于小波和支持向量回归的负载预测及合成算法.将主机负载序列进行多层小波分解与单支重构,低频信号采用AR模型预测,最小尺度高频信号采用加权移动平均方法预测,其它分支采用支持向量回归(SVR)预测;各信号预测值基于SVR方法加以合成,获得最终预测值.实验结果表明,将小波与支持向量回归应用于Web服务器负载预测的效果明显好于传统方法.     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

一种新的支持向量回归预测模型

运用支持向量机（SVM）理论，建立了一种新的支持向量回归（SVR）预测模型.模型的求解可转化为二次规划问题，并能实现模型参数的自动选择.用此模型对我国粮食产量增长率的预测表明，模型具有较好的概化能力.     

基于DeST仿真和GS-SVR算法对严寒气候区近零能耗公共建筑逐时负荷预测

目的 为使空调系统能够及时对近零能耗建筑室内负荷变化做出反应,提出基于DeST仿真与支持向量机回归算法(SVR)的预测方法.方法 以位于沈阳建筑大学校内的近零能耗示范建筑为例,通过DeST仿真得到模型需要的原始数据,利用网格搜索算法(GS)对支持向量机算法中的参数进行优化,采取优化后的支持向量机回归算法(GS-SVR)...     

独立成分分析-支持向量机回归模型及其在近红外光谱分析中的应用

首先采用独立成分分析(ICA)提取近红外光谱数据矩阵的独立成分和相应的混合矩阵,然后用支持向量机回归(SVR)对混合矩阵和实测浓度矩阵进行建模,建立了独立成分分析-支持向量机回归(ICA SVR)的近红外分析建模方法.结果表明,ICA SVR模型的预测结果明显优于SVR和偏最小二乘法(PLS)方法,方法用于肉样品中水分、脂肪和蛋白质的同时测定,获得了满意的结果.     

基于互信息的主成分分析结合支持向量回归的滚动轴承剩余寿命预测研究

滚动轴承作为旋转机械设备中的关键部件,影响着设备的可靠性运行。为了智能开展设备维护工作,提高设备的运转效率,提出一种基于互信息（mutual information,MI）的主成分分析（principal component analysis,PCA）（MI-PCA）结合支持向量回归（support vector regression,SVR）的滚动轴承剩余寿命预测方法。首先利用小波包降噪算法剔除原始振动信号中的异常数据点和噪声,并基于降噪数据提取其时域、频域和时频域特征;然后结合特征与剩余寿命的互信息值进行特征筛选,再通过PCA降维算法获得可表征轴承退化状态的敏感特征,用于SVR的输入;最后构建并训练SVR剩余寿命预测模型,并将其应用于滚动轴承全寿命试验数据。试验结果表明与基于MI和基于PCA的SVR回归预测模型（MI-SVR模型、PCA-SVR模型）相比,基于MI-PCA的SVR模型具有更高的预测精度（预测精度可达97%）,能够实现滚动轴承剩余寿命的精准预测,为开展及时有效的设备维护工作提供了决策依据。     

基于运行状态信息的数控珩磨机液压系统可靠性预测方法

针对常规的可靠性预测方法无法实现对数控珩磨机液压系统可靠性进行有效预测的缺点,提出了一种基于运行状态信息及支持向量回归(SVR)的数控珩磨机液压系统可靠性预测方法.该方法主要包括状态特征指标的选取、瞬时可靠度的计算以及SVR预测模型的建立.为实现对SVR预测模型的有效解算,分别采用遗传算法(GA)、粒子群算法(PSO)和混合算法实现对SVR模型的核参数的寻优计算,并比较了3种方法下SVR模型的瞬时可靠度预测精度.实例仿真结果表明,与GA及混合算法相比,采用PSO算法来解算SVR预测模型能够得到更优的数控珩磨机液压系统的可靠性预测精度.