支持向量机下机器学习模型的分析

首先概述了支持向量机的发展与应用,指出其在机器学习领域有较大的发展前景.分析了支持向量机的基本算法,进而阐述了基于支持向量机的机器学习模型构造思路.给出了其应用于机器学习模型的核函数和训练算法,最后给出了学习模型的具体分类效果.     

基于随机森林与时空聚类的共享单车站点需求量预测

为方便准确地预测出城市共享单车站点的需求量,根据站点需求量的随机性和时变性,提出了一种基于随机森林和时空聚类的共享单车站点需求量预测模型;该模型研究了时间因子、气象因子以及关联站点对需求量的影响;应用分层聚类对站点进行了时空分析;结合对数优化后的随机森林作为预测器。面向湾区共享单车出行数据进行需求量预测。结果表明:该模型相比极限学习机、支持向量机与随机森林等经典机器学习算法在需求量预测方面有较好的预测结果,可为实际车辆调度提供参考依据。     

基于随机森林算法的城区土地覆盖分类研究

随机森林算法是一种高度灵活且易于使用的机器学习算法,目前在遥感影像分类中应用广泛。为了验证其在城市土地覆盖分类中的效果,本文对河南省洛阳市局部城区进行了土地覆盖分类实验,将Landsat 8(OLI)遥感影像的光谱波段、光谱指数和纹理特征相结合,构成多种特征组合进行随机森林算法分类比较,选择分类效果最佳方案,并与支持向量机方法进行比较。后利用随机森林算法对该组合特征变量高维数据进行降维处理,得到优化特征方案。实验结果表明:采用多源特征组合的随机森林算法的土地利用分类效果最佳,总体精度为90.54%,Kappa系数为0.890,比支持向量机方法的分类精度提高了3.1%;降维处理后的特征方案与随机森林结合在保证分类结果拥有高准确度的同时,减少了运算时间,实现了土地覆被类型信息的高效获取。表明随机森林算法在城区土地覆盖分类上有很好的适用性与稳定性。     

SVM与BP神经网络在石煤提钒行业清洁生产评价中的对比研究

为比较 BP 神经网络(ANN) 和支持向量机方法(SVM) 两种机器学习方法对清洁生产的评价能力， 以理论原理为基础，比较了两种机器学习算法在应用原理方面的差异．并以石煤提钒生产工艺中水浸工艺为对象， 对 BP 神经网络和支持向量机在清洁生产水平评价上进行了对比研究．结果表明: 支持向量机方法分类精度为 100%; BP神经网络为 90%但易陷入局部最优，因此支持向量机方法在解决小样本评价问题时具有较高的实用价值.     

支持向量机及其训练算法

支持向量机是一种新型通用的机器学习方法,已成为数据挖掘的一种强有力的工具．通过研究线性和非线性支持向量机的模型,给出若干常用的训练算法．     

基于自然驾驶数据的危险事件识别方法

利用阈值法从自然驾驶数据中识别可能的危险事件,再采用随机森林模型和支持向量机模型深度筛选,克服了阈值法误报率过高的缺陷。基于上海自然驾驶数据,建立提取危险事件的阈值标准,从原始数据中识别出3 623起可能的危险事件;利用随机森林模型筛选出重要特征作为输入变量,训练机器学习模型,对测试集进行预测。结果表明,起到关键作用的变量有:纵向加速度的最小值和均值、与前车距离的最小值以及车速的标准差。相比随机森林模型,支持向量机模型预测效果更优,在控制漏报率的同时,可过滤85.9%的无效事件。     

基于机器学习的油气水层随钻识别模型优选

为了解决基于测井数据对油气水层的实时识别这一技术难题,利用计算机科学与现代数学,结合随钻测井技术与机器学习算法进行油气水层的随钻识别。首先,对训练集数据进行相关性分析,剔除弱相关或冗余数据;其次,选择一对多支持向量机、一对一支持向量机以及随机森林算法分别建立油气水层分类识别模型,并使用网格搜索方法及10折交叉验证法对3种分类识别模型参数进行优选;最后,运用参数优选后的各分类识别模型,对随钻测井数据进行油气水层的识别。研究结果表明,3种分类识别模型对研究区块油气水层随钻识别的准确率均达到75%以上。在训练样本较少的情况下,优先选用一对一支持向量机分类识别模型进行油气水层的随钻识别。     

基于机器学习模型的多层土壤湿度反演

为了获取深层土壤湿度缺测值,采用支持向量机、BP神经网络和随机森林3种机器学习算法,在表层至深层土壤中利用主成分分析法选择与土壤湿度相关性显著的气象因子作为输入数据,建立多层土壤湿度反演模型反演了不同深度的土壤湿度。结果表明:随机森林模型模拟结果更加稳定,反演效果更佳;受气象因子驱动的影响,3种机器学习模型对地表0~10.cm深度内土壤湿度的反演效果更佳,对深层土壤湿度的反演效果随着深度增加而变差;增加表层土壤湿度及不同深度土壤温度作为驱动因子可以有效提高机器学习模型对深层土壤湿度的反演能力。     

支持向量机增广拉格朗日方法的探究

支持向量机是机器学习中一种非常重要的分类方法,它在文本分类、语音识别、图像分析、信息安全等诸多领域均有重要的应用.提出了基于支持向量机对偶问题的一种非精确增广拉格朗日算法,讨论了所提算法的收敛性结果,并利用支持向量机模型的稀疏特性,结合矩阵不完全Cholesky分解以及Sherman-Morrison-Woodbury公式等程序实现技巧,极大地减少了所提算法的时间与空间复杂度.数值结果验证了提出算法的可行性和高效性.     

基于支持向量机的数据建模在软测量建模中的应用

支持向量机是一种新的机器学习算法 ,它的基础是 Vapnik创建的统计学习理论。与传统学习方法相比 ,该理论采用了结构风险最小化准则 ,在最小化样本点误差的同时缩小模型泛化误差的上界 ,提高了模型的泛化能力。同时该理论把机器学习问题转化为一个二次规划问题 ,可以得到唯一的全局最优解。本文应用支持向量机技术进行数据建模研究 ,并用数据建模技术建立了加氢裂化装置分馏塔的航煤干点的软测量模型。     

基于支持向量机的图书馆受赠期刊曲线预测

新型的机器学习算法（支持向量机）首次应用到图书馆文献交换的时间序列预测中．针对文献交换的时间数据序列,采用支持向量机进行训练建立数学模型,通过模型预测交换数据随时间的变化趋势．实验表明,支持向量机在小样本下具备较高的拟合精度,采用支持向量机预测交换数据的变化趋势是可行的．     

基于集成学习的电商销量预测研究分析

针对电商销量数据的复杂性和现有预测模型的稳定性及泛化能力不足问题,本研究基于大样本多变量数据,应用随机森林和渐进梯度回归树等机器学习模型进行分析。研究结果表明,相比于广义线性回归、弹性网络、支持向量回归、KNN回归树、决策树、多层感知机、AdaBoost,随机森林和渐进梯度回归树对电商销售数据预测拟合更加精确。相比于广义线性回归、弹性网络等7种传统机器学习算法,随机森林和渐进梯度回归树这两种集成学习的方法对电商销量预测更加精确,且渐进梯度回归树算法拟合效果更好、均方根误差更小,是一种更加有效的电商销量预测方法。     

基于支持向量机的小样本数据概率分布模式自动识别

在装备可靠性工程领域,小样本数据概率分布模式识别是亟需解决的一个难题.统计学习理论是专门研究小样本情况下机器学习规律的理论,支持向量机是当前最新的、基于统计学习理论的机器学习算法.根据现代统计学原理提取了数据分布特征参数,采用支持向量机分类算法构建了小样本数据概率分布模式自动识别模型.测试结果表明,模型对小样本数据概率分布模式具有较强的识别能力.     

基于支持向量机的教学质量评价研究

支持向量机是一种新的机器学习算法,由于出色的学习性能,以及在小样本识别等许多方面有其独特的优势,现已应用在许多领域．目前,高校对教学质量越发重视,如何客观、准确、方便地评价教学质量是一个值得研究的课题．结合目前教学质最评价研究现状,提出了一个基于SVM的评价模型,经检验该模型能够获得较为理想的评价结果．     

3种机器学习方法预报风电功率的对比

根据甘肃省华家岭风力发电场的风场变化特征,利用风电场2017年8月-2018年7月的风电功率监测数据及同期欧洲中期天气预报中心的数值模式预报资料,用随机森林(RF)算法分析和筛选出主要的预报因子,分别选择RF、极限学习机和支持向量机3种机器学习方法建立预报模型,通过对比预报效果,得出适合的预报方法和模型.结果表明, RF算法的平均预报均方根误差为15.6%,预报效果优于极限学习机和支持向量机(预报均方根误差分别为16.8%和17.2%). RF算法在风电功率的短期预报方面取得了更好的效果,预报值与实际监测值更加接近;基于3种机器学习算法建立的风电功率预报模型的预报结果误差值都会随着风速的增大而增大,随着风速的减小而减小.     

机器学习辅助高熵合金相结构预测

高熵合金由于其形成独特显微组织的固溶体、金属间化合物和非晶相而具有更好的物理化学性能．因此,高熵合金中的相预测是合金设计的第一步．采用机器学习算法中的支持向量机、随机森林和决策树3种模型对高熵合金的相位分类进行预测,通过网格搜索方法优化模型,并对模型进行交叉验证和性能评估．结果表明:随机森林的预测能力最佳,达到0.93的预测精度,且该模型对高熵合金固溶体相的分类效果最好,最后采用随机森林模型预测Ti Zr Nb Mo系难熔高熵合金的生成相,其预测生成相与实验结果一致．由此可见,机器学习技术对未来高熵合金的设计有很大的帮助．     

基于支持向量回归的钢材力学性能模型及应用

根据化学成分准确预测钢材产品的力学性能并及时调整相关生产的控制策略,将有效地提高钢铁生产的最终产品质量.支持向量机是一种建立在统计学习理论基础上的机器学习方法,介绍了基于此算法基础上的一种ε-支持向量回归机算法及其推导过程,建立了基于ε-支持向量回归机的钢材力学性能模型,通过实际应用表明该模型比Excel回归预测具有更高的精度.     

基于RF和SVM模型的东川泥石流易发性评价研究

泥石流具有很大的破坏力,尤其是在山区,严重威胁着人民的生命财产安全,因此研究山区泥石流易发性评价对国土空间规划、防灾减灾及制定合理的泥石流防治措施等具有重要意义.以泥石流多发地东川区为例,采用随机森林(RF)、支持向量机(SVM)两种机器学习算法,以流域单元作为评价单元,在识别泥石流点的基础上,选取15个指标因子构建山...     

最小二乘支持向量机的研究与应用

支持向量机是近年来机器学习领域出现的新的分类方法。在介绍支持向量机的基本原理及基于最小二乘支持向量机算法的基础上,结合一个实例阐述了最小二乘支持向量机在预测方面的应用,通过MATLAB仿真实验,结果表明该方法是有效的。     

支持向量机训练算法概述

本文介绍了目前流行的机器学习方法——支持向量机,详细论述了目前主要的支持向量机的训练算法,分析了它们各自的优缺点。最后对支持向量机训练算法今后的研究提出一些设想。