基于支持向量机的出水TP软测量

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法,本文根据活性污泥法工艺中反应出水水质的重要参数TP(总磷)难于在线测量的情况,采用SVM方法建模,并采用粗糙集理论(RS)和主元分析法(PCA)进行数据的预处理。用某城市污水处理厂的实际水质参数数据,建立了出水TP基于SVM的软测量模型。和未经预处理的支持向量机进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,经粗糙集预处理数据后,不仅测量的误差值更小,而且大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

地采诱发建筑物损害识别的进化支持向量机模型

针对采动区建筑物损害程度的影响因素较多且各因素呈现非线性、多重共线性等特点,应用支持向量机理论并结合工程实际,提出基于支持向量机理论的地采诱发建筑物损害效应预测方法。综合考虑地质采矿方面和建筑物本身因素,选取10个影响砖混结构建筑物采动损害程度的因素作为模型的输入,将砖混结构建筑物的损害等级及建筑物的最大裂缝宽作为模型的输出,以32个建筑物采动损害的工程实例作为学习样本进行训练;采用RBF核函数,建立建筑物损害等级预测的支持向量机分类和最大裂缝宽回归模型;为提高预测模型的泛化能力和预测精度,应用遗传算法选择支持向量机的模型参数,并对6组待判样本进行判别。研究结果表明:建立的遗传算法优化支持向量机分类与回归模型对地采诱发建筑物损害效应预测效果良好,评估结果与实际结果相吻合。     

利用三维脑核磁共振图像与RBF核支持向量机检测人脑轻度认知障碍

为了及早检测轻度认知障碍(Mild Cognitive Impairment,MCI),降低阿尔茨海默病的患病率,文章提出一种基于径向基神经网络及核支持向量机(Radial Basis Function-kernel Support Vector Machine,RBF-kSVM)的MCI检测系统,该系统首先读取三维磁共振脑图像并预处理,然后通过主成分分析(Principal Component Analysis,PCA)降低特征维数,采用RBF核支持向量机作为分类模型,RBF的参数通过优化选择。实验数据采用OASIS公共数据库,选择50例正常对照组(Normal Control,NC)与50例MCI患者。十折交叉验证结果显示文中所提出方法的敏感度为84%、特异度为78%、准确度为81%,优于前向神经网络、决策树、支持向量机、齐次与非齐次核支持向量机方法。文中构建的RBF核支持向量机有效,可用于MCI检测。     

基于mRMR与因子分解机的分类模型研究

很多学者用“全球恐怖主义研究数据库”GTD数据集，采用博弈论、K近邻法和支持向量机等分析恐怖事件的聚集性，已经取得一些成果.但在前期研究中未有很好考虑数据的稀疏性以及高维度多冗余等会导致聚集分类准确率不高的问题.本文提出一种基于最小冗余最大相关与因子分解机结合的TFM分类模型，使用增量搜索方法寻找近似最优的特征解决高维度多冗余问题和FM方法解决数据稀疏问题，并对预处理后的恐怖袭击事件数据用TFM模型做量化分类.文中使用朴素贝叶斯NB、支持向量机SVM、逻辑回归LR与TFM等4个模型的“马修斯相关系数”MCC进行比较，结果显示TFM的MCC相对于其他三个模型NB、SVM、LR分别提高了49.9%,2.5%,2.3%，可见TFM模型有一定可行性.     

不同核函数SVM在居民出行方式预测模型中的应用

采用持向量机方法构建了居民出行方式选择模型,使用网格搜索方法选择支持向量参数,避免参数选择的随机性,分析不同核函数对模型构建的影响。研究表明,采用多项式核函数、RBF核函数构建的支持向量机模型对居民出行方式预测精度较高,所构建的模型可用于居民出行方式预测;在支持向量机核函数选择中,优先选择RBF核函数,其次为多项式核函...     

基于支持向量机的曝气池SVI软测量研究

支持向量机(Support Vector Machines)是一种基于统计学习理论的新型建模方法。活性污泥法工艺中反应出水水质的重要参数(曝气池SVI)难于在线测量,为此用某城市污水处理厂的实际水质参数数据,采用粗糙集理论(RS)和主元分析(PCA)进行数据的预处理,建立了基于SVM的曝气池SVI软测量模型,并进行了比较。综合考虑后,选择RS-PCA-SVM模型。结果表明,经粗糙集和主元分析预处理数据后,大大降低了输入数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能。     

基于t分布随机邻域嵌入的阿尔茨海默症诊断模型

对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法引入到支持向量机模型.t分布随机邻域嵌入算法既能撷取原始高维数据的局部信息,也能揭示全局结构.t分布随机邻域嵌入算法先将这些非线性数据降维到低维空间,支持向量机算法再将这数据映射到新的高维空间,通过寻找最佳分类超平面的方法,使分类效果达到最佳水平.最后将集成学习算法AdaBoost的思想融入模型,可以使模型的分类准确率得到提升,而且变得鲁棒性更强.     

支持向量机在地层识别中的应用

以径向基函数RBF为核函数,根据测井数据建立支持向量机的地层识别模型(SVMM).通过对SVMM分类器中惩罚参数C的优选,结合生产工程需要引入判断函数,提高了SVMM分类器的分类正确率.试验表明:SVM分类器应用在地层识别中效果良好,而且具有广阔的应用前景.     

基于RBF核函数的集成分类AdaBoost算法研究

基于径向基函数的神经网络、支持向量机已被广泛应用于模式分类。为了进一步提高分类的精度,将径向基函数应用于集成的AdaBoost算法,即以RBF神经网络和以RBF核函数的支持向量机分别作为AdaBoost的弱分类器,集成更高精度的强分类。通过对标准数据集的分类实验性能对比,证明了其算法解决分类问题有效性。     

一种针对稀有类支持向量机的新算法

支持向量机方法是流行的数据分类方法,但支持向量机方法对稀有类的分类能力不强.针对稀有类数据的多超平面支持向量机是一种基于支持向量机方法的稀有点类分类方法,与支持向量机相似,使用超平面进行分类.与支持向量机不同的是,SVM_MH要求稀有类点在所有超平面正侧的交集中.SVM_MH对稀有类的分类要求更严格,而对非稀有类的条件相对宽松.支持向量机方法可以看作是一个特殊的SVM_MH.核函数在稀有类支持向量机中仍然适用.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

基于SenV-RBF的个人信用评分模型

将基于敏感性分析的RBF(radical basis function)网络应用于个人信用风险评估中,在训练中通过引入最大输出敏感度来度量隐藏神经元的数目及其径向基函数的中心,并构建了用于识别两类模式的基于SenV-RBF网络的个人信用评分模型.该模型对数据分布无任何要求,其在个人信用评分领域的运用,克服了统计等方法对假设较强的要求以及静态反映信用风险的缺点.经过比较分析,基于SenV-RBF网络的个人信用评分模型在分类的准确性和稳健性方面要优于传统的RBF,且精度可以达到支持向量机的水平.     

啤酒瓶检测中多分类支持向量机算法的选择

在提取啤酒瓶的缺陷特征后,如何选择合适的多分类支持向量机算法对提高分类准确率和分类速度具有重要的作用．本文通过一对一、一对多、决策有向无环图、二叉树、误差纠错码、一次性求解等多分类支持向量机算法在核函数为线性、多项式、径向基,神经网络的情况下,对多个基准样本进行了分类性能、分类速度、分类准确性的详细比较以及完整的理论分析,最终得出一对一多分类支持向量机在径向基核函数时性能优于其他算法．在啤酒瓶智能检测机器人上的实验,表明这种算法能够满足检测需要．     

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）．     

基于ITAFSVM的微阵列数据特征选择和分类

支持向量机已经被成功应用于基因表达谱数据分析。但是,仍有开放问题需要解决:①支持向量机不能自动进行基因表达谱数据的特征选择;②支持向量机的参数优选没有简单有效的办法。一种新型具有良好特性的支持向量机——全间隔自适应模糊支持向量机(TAFSVM)被提出。并且提出一种新的遗传算法——智能遗传算法(IGA)来设计一个TAFSVM分类器,称为ITAFSVM,同时优化TAFSVM参数集和特征选择,并且结合10-fold交叉验证来确定其泛化能力。最后将ITAFSVM应用于四种基因表达谱数据集。通过与进化支持向量机(ESVM)方法、粗糙集与径向基神经网络组合(RBF-RBFNN)方法进行了比较,实验结果表明运用ITAFSVM不仅可以自动进行基因表达谱数据特征选择,而且分类精度和稳定性都较高,速度更快。     

基于遗传算法的最小二乘支持向量机预测凝析气藏露点压力

露点压力的准确预测对保障凝析气藏的高效开发至关重要。近年来,数据挖掘、人工智能等大数据技术逐渐成为研究热点,其对复杂的非线性回归与分类问题有良好的解决策略。基于优化算法和机器学习,提出了一种将遗传算法(GA)与最小二乘支持向量机(LSSVM)相结合的露点压力预测模型(GA-LSSVM模型),并利用误差反向传播(BP)和径向基函数(RBF)人工神经网络建立了相应的露点压力模型,然后进行模型精度对比。在皮尔逊关联性分析基础上,上述模型均选取气藏温度、(N_2+CO_2、C_1、C_2～C_6、C_(7+))摩尔分数、C_(7+)相对分子质量、C_(7+)相对密度和气油比作为自变量。采用公开发表的34个露点压力数据进行参数优化,得到了GA-LSSVM、BP和RBF模型的最优参数,并对15组实测露点压力数据进行预测。结果表明:GA-LSSVM模型预测精度明显高于BP、RBF神经网络模型,具有良好的预测能力,GA-LSSVM模型的平均绝对相对误差(AARD)仅为3.02%,其中最大绝对相对误差(ARD)为16.64%,最小ARD为0.05%,BP和RBF神经网络模型的AARD分别为6.46%、10.54%。最后,根据Leverage方法,进行了所有数据的异常点检测。研究为凝析气藏露点压力预测提供了一种有效方法。     

一种多核加权支持向量机的水质预测方法

提出一种基于多核加权支持向量机的水质预测方法.核函数及其参数选择与数据分布的情况密切相关,采用单一的核函数应对水资源质量评价指标的整个数据分布难以达到很好的预测结果.采用多核加权学习的核函数避免了核函数设计的盲目性和局部最优等非线性优化问题.实例表明,该方法的预测结果是合理可行的,且与以往同类预测方法相比,有着更为客观...     

基于SSA-RBF的灌区流量预测

水资源短缺问题日益严重,快速准确的灌区流量测量具有重要意义。现有流量测算模型一般采用传统的测流方法或简单的神经网络模型进行处理,采用上述方法将面临测量成本、测量精度等挑战。故将麻雀搜索算法(sparrow search algorithm, SSA)与径向基神经网络(radial basis function, RBF)相结合,以渠道水深、测点流速、测点位置为输入,灌区流量为输出,设计了一种新的SSA-RBF神经网络模型用于预测灌区流量。以都江堰人民渠渠首站点在27种不同水力条件下的实测数据为基础,对SSA-RBF模型和RBF模型以及极限学习机(extreme learning machines, ELM)模型进行评估和比较,实例结果表明SSA-RBF模型能够快速准确地预测出流量,其确定系数为0.975、均方根误差为6.186、平均绝对误差为4.324、残差质量系数为0.011 9,4种评价指标以及预测结果偏差均优于ELM模型以及RBF模型,为提升灌区流量测算精度提供了思路。     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

基于MATLAB实现的ANN方法在巢湖水质评价中的应用

MATLAB6. 5工具箱提供了径向基网络的实现函数,该算法具有自适应确定网络结构和无需人为确定网络初始权值的特点。将其应用于巢湖水质评价,并尝试利用MATLAB的PRES TD函数进行原始数据预处理、利用RAND函数在水质评价标准等级间内插构造足够数量的训练样本、检测样本及其目标输出、确立水质评价等级界限,取得良好的评价结果,对提高水质评价的精度与客观性具有积极意义。