高斯过程回归模型在河流水温模拟中的应用

通过收集密苏里河三个站点的多年实测水温、气温数据,建立了水温-气温的高斯过程回归模型.和传统的水温回归模型(线性、非线性及随机回归模型)相比,高斯过程回归模型的精度较高,各研究站点的相关系数值均较高(0.966 4~0.989 7),均方根误差值相对较小(1.978 4~1.495 0).高斯过程回归作为一种较为先进的机器学习方法,和其他机器学习方法相比,其突出的优点在于结合了许多机器学习任务,包括模型训练、不确定性分析及超参数估计等,该方法可以有效地应用于天然河流站点水温的预测.     

基坑位移时间序列预测的高斯过程方法

应用高斯过程理论,采用机器学习的方法,针对基坑工程中常规分析方法的预测结果与实测值出入较大的问题,提出一种基于高斯过程的基坑非线性位移时间序列预测的新方法.工程实例应用结果表明,该方法科学可行,具有很强的自学习、非线性动态处理的能力,预测精度高.     

圆弧破坏型岩质边坡安全系数快速估计的高斯过程模型

高斯过程是新近发展起来的一种新的机器学习方法,对处理复杂非线性问题具有良好的适应性.针对边坡非线性系统的复杂性,为实现边坡安全快速设计和稳定性评价的工程实践要求,在高斯过程回归模型的基础上,提出了一种圆弧破坏型岩质边坡安全系数估计的高斯过程模型.该模型不必建立复杂的力学计算模型,而是利用高斯过程的自学习功能,通过对工程实例先验知识进行学习,建立圆弧破坏型岩质边坡安全系数与其各种影响因素之间的非线性映射关系,然后利用贝叶斯推理规则估计边坡安全系数.工程实例研究的结果表明,该模型是可行的,可以快速准确地给出具有概率意义的圆弧破坏型岩质边坡安全系数.     

岩溶塌陷预测的高斯过程机器学习模型

为研究在多种复杂影响因素下岩溶塌陷如何准确预测,针对现有方法的局限性,建立了一种基于高斯过程机器学习的岩溶塌陷预测模型.该模型通过对少量学习样本的学习,就可以建立岩溶塌陷与其影响因素之间的复杂非线性映射关系.将模型应用于工程实例,研究结果表明,岩溶塌陷预测的高斯过程机器学习模型是科学可行的,具有预测精度高、适用性强、参...     

支持向量机的研究与发展

支持向量机是一种新型机器学习方法。是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析。已成为国际机器学习界的研究热点。笔者主要对其基本原理与研究发展情况进行了探讨和研究。     

多输出支持向量回归算法

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,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于机器学习的建筑能耗模型适用性研究

为进一步分析不同机器学习方法用于建筑能耗模型的适用性,重点比较了6种常用机器学习方法用于预测办公建筑能耗时的准确性,包括线性回归、高斯过程、多元自适应回归样条法、自助多元自适应回归样条法、随机森林和支持向量机.结果表明:多元自适应回归样条法、自助多元自适应回归样条法和随机森林法适用于取暖能耗的模型建立;对于制冷能耗预测,自助多元自适应回归样条法的计算精度最高.同时发现制冷能耗与取暖能耗相比,由于存在更加复杂的非线性关系,其预测难度更大.研究结果不仅可用于在建筑节能分析中确定最佳机器学习方法,而且所得机器学习方法可用于城市建筑能耗模型的建立.     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

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.     

基于支持向量回归的国际贸易发展趋势的预测研究

支持向量机是V．Vapnik在统计学习理论（SLT）的基础上发展起来的一种新兴的用以解决小样本的机器学习方法。文采用支持向量回归（SVR）的方法分别对人工构造的仿真函数和中日国际贸易发展进行了回归和预测，仿真结果展示了SVR有限样本的情形下仍然具有较好的拟合和预测能力。     

基于支持向量回归和高斯过程回归的水文时间序列特征提取方法

水文时间序列受多种环境因素影响,表现出明显的综合性,传统的利用单一神经网络进行特征提取解释性不足。提出一种基于支持向量回归和高斯过程回归的水文时间序列特征提取方法。首先,罗列水文时间序列候选特征,将特征组合等价于0-1规划,并将各特征组合分别进行支持向量回归与高斯过程回归建模;其次,利用遗传算法演化求解一组最优特征组合,使得支持向量回归和高斯过程回归输出误差同时最小;最后,为了证明所提方法的高效性与准确性,以屯溪流域水文时间序列数据为对象进行验证。实验结果表明,基于支持向量回归和高斯过程回归特征提取方法的水文时间序列预测结果优于传统神经网络特征提取方法。     

选择性集成学习模型在岩性-孔隙度预测中的应用

储层是油藏地质建模的主要对象,储层属性参数的预测是建模的重要基础和主要难点之一。利用机器学习方法建立预测模型是目前研究的一个热点。针对单一机器学习方法在孔隙度预测方面存在的容错率低、过拟合等缺点,提出了融合岩性分类进行选择性集成学习建立预测模型的方法。该方法首先使用支持向量机进行岩性分类,并将岩性分类结果作为孔隙度选择性集成预测模型的输入。然后在研究分析典型机器学习方法的基础上,通过主成分方法分析法从支持向量回归、径向基(radial basis function,RBF)神经网络、随机森林、岭回归和K近邻回归等经典模型中选择出一组表现优异的个体学习模型组成集成学习模型,个体在集成模型中的权重由"主成分权重平均"法获得,最终采用加权平均法得到集成学习模型的输出。该方法考虑了岩性对孔隙度的影响,克服了单一模型存在的不足,模型的泛化能力强。研究结果表明,该方法的预测精度明显优于其他单一机器学习方法,适应性好。     

基于高斯过程的点匹配方法

针对点匹配问题,在已知两个点集对应关系的情况下,通过高斯过程回归计算两个点集的空间几何变换模型.首先,给定高斯过程的协方差函数,通过对训练样本的学习计算协方差函数中的未知参数,得到后验的高斯过程.然后,根据后验的高斯过程预测测试样本的目标值,完成函数映射.该方法在空间几何变换模型的非线性映射能力与问题求解复杂度之间折衷,是一个基于训练样本的自动学习过程.仿真结果表明:该方法具有较好的非线性映射能力,并且只需较少的运算时间.     

混合高斯过程回归模型在铁水硅含量预报中的应用

为了提高基于高斯过程回归的软测量模型的预测精度,提出了一种混合高斯过程回归模型。该模型将高斯过程回归模型预测输出值的方差及其分布作为主要考虑因素,对多个高斯过程回归模型的输出值进行组合输出,获得了比单个高斯过程回归模型更高的预测精度和更强的模型鲁棒性。将该模型实用于高炉铁水硅含量预报模型的建模,获得了比使用单个高斯过程回归模型建模时更好的应用效果。     

基于局部结构保持的自适应有序回归学习

有序回归学习是一种在训练模型过程中保持数据间序关系的机器学习方法,在图像分类等领域有着广泛的应用.现有的有序回归模型通过先验知识获得了更优的性能,但是它们没有考虑数据内的局部结构信息.本文在有序回归学习的同时保持局部结构信息,并嵌入图像空间距离度量信息,提出了一种基于局部结构保持的自适应有序回归方法(SaLSP-LDLOR).通过对局部保持矩阵进行模糊自适应处理,获得了更好的鲁棒性.实验结果表明,SaLSP-LDLOR在有序图像分类的场景下具有更优的性能和良好的鲁棒性.     

小样本机器学习理论：统计学习理论

统计学习理论是由Vapnik等人提出的一种有限样本统计理论,是模式识别邻域新近发展的一种新理论,着重研究在小样本情况下的统计规律及学习方法性质,它为小样本机器学习问题建立了一个较好的理论框架,也发展了一种的通用学习算法－－支持向量机,较好地解决了小样本机器学习问题。该文旨在介绍统计学习理论的基本思想、特点、研究现状和一些思考。     

一种机器学习与相变之间的新型映射（英文）

相变是一个重要的物理概念,它代表着从一个热力学状态到另一个热力学状态的转变.它在凝聚态物理、粒子物理、天体物理等物理领域有着广泛的应用.机器学习是研究通过经验自动改进的计算机算法.近年来,随着深入学习的成功,它也是一个非常活跃的研究领域.于是从视觉上证明了监督学习的训练过程与阶段过渡过程十分相似,有可能确定相变理论的核心概念,如对称性断裂或机器学习中的临界点.以MNIST数据集的伊辛模型和自动编码器为例,说明了机器学习训练过程中的"相变".这种介于机器学习和相变之间的新映射,为理解机器学习带来了新的方法,并使从物理角度解决机器学习问题成为可能.     

基于抗白噪声理论的支持向量机

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

股票收益预测模型的比较与选择

计算金融是一门将机器学习的有关理论应用于金融研究的新兴学科.而股票收益预测则是金融研究的一个重要课题,在规避风险与投资决策中起着举足轻重的作用.作者基于统计学习的基本理论与计算金融的研究方法,将支持向量回归机这一新型神经网络应用于收益序列预测的回归分析,力求在克服数据过拟合现象的基础上寻找问题的全局最优解.通过交叉验证选择学习参数,实验表明基于二次规划与核函数理论的支持向量回归机能准确捕捉动态股票收益序列的波形特征,其预测性能与多层感知器以及广义回归神经网络进行比较.具有较为明显的优势.图4,表3,参12.