基于支持向量机分类算法的多煤种煤 自燃危险性预测

为了高效地防治煤矿井下煤自燃,在分析现有的煤自燃预测方法的基础上,针对性地开展了基于支持向量机分类算法的煤自燃危险性预测研究.选取指标气体(氢气、一氧化碳、二氧化碳、甲烷、乙烯、乙烷)、气体浓度比值(烯烷比、Graham系数)和煤炭种类(褐煤、长焰煤、气煤、肥煤、焦煤、贫煤、无烟煤)作为特征指标,危险等级作为样本标签,建立了多煤种支持向量机煤自燃危险性预测模型.使用K-CV(K折交叉验证)法和网格搜索法、遗传算法、粒子群算法相结合的方式进行参数寻优,得出由网格搜索法确定的参数的模型分类准确率最高.将测试集带入模型进行检验,得出模型分类准确率为98.26%.最后将多煤种支持向量机模型与单煤种支持向量机模型和神经网络进行对比,得出多煤种支持向量机性能最优,能够很好地适用于现场煤自燃预测.     

SVM与DTW结合实现语音分类识别

提出一个将支持向量机(SVM)与动态时间归正算法(DTW)相结合的方法,即将DTW内嵌入SVM常用的径向基内积核函数(RBF)中,由此得到一个RBF/DTW混合结构内积核函数,从而实现支持向量机对语音的分类识别.     

爆破振动对边坡稳定性影响的FA-IGA-LSSVM模型

为对矿山开采爆破过程中边坡的稳定性进行预测,将因子分析、免疫算法及最小二乘支持向量机相结合,共提取爆破振幅、主频率、主频率持续时间、岩石重度、粘聚力、边坡角、边坡高度7个影响指标.通过因子分析对样本数据进行降维,提取出一个公共因子.利用实际测量的29组样本数据对模型进行训练,构建基于因子分析和IGA-LSSVM的边坡稳定性预测模型;采用回代估计法对模型进行检验,误判率为3/29.使用其他5组样本检验模型的泛化能力,同时与基本最小二乘支持向量机进行对比,结果表明:所得模型的预测精度高于基本最小二乘支持向量机,预测结果的误判率为0.     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

基于支持向量机的空气降尘预测

支持向量机(Support VectorMachine,SVM)是近年来受到广泛关注的一种学习机器.将支持向量机引入环境时序预测中,有效地求解了空气中降尘的预测问题.实验结果表明,支持向量机不仅具有较强的理论背景,而且具有更强的预测预报能力.     

基于支持向量机的车型分类的设计

基于支持向量机的车型分类的设计思路是通过视频采集获得车辆图像,对车辆图像进行图像预处理和特征提取后,得到分类器所需数据特征,而后采用支持向量机和二元决策树对车型分类。采用三个支持向量机的分类器和二元决策树相结合对特征数据进行分类识别,最终实现了车型分类。通过利用Libsvm(SVM模式识别与回归的软件)进行实验,取得了较好的分类效果。     

基于粗糙集和支持向量机的采空区煤自燃火灾预报

考虑到采用标志气体分析法对煤自燃火灾预报时特征维数较高、特征之间存在冗余且样本有限,文中提出基于粗糙集和支持向量机的采空区煤自燃火灾预报方法。该方法首先采用粗糙集对原始样本去除冗余和特征维数约简得到多组候选特征子集,然后对获得的多组候选特征子集利用支持向量机进行分类和性能评价,选取分类性能最好的一组特征子集用于设计支持向量机分类器,并对采空区遗煤自燃状态进行预测分析。实验选择大同矿区煤样自然发火实验数据,与4种典型分类预测算法的进行比较分析,实验结果表明文中算法预测准确率更高,训练速度更快。粗糙集为煤自燃火灾预报中标志气体选择提供了一个理论依据和新的思路,而支持向量机则提高了煤自燃火灾预测的精度。     

SVM与DTM结合实现语音分类识别

提出一个将支持向量机（SVM）与动态时间归正算法（DTW）相结合的方法，即将DTW内嵌入SVM常用的径向基内积核函数（RBF）中，由此得到一个RBF／DTW混合结构内积核函数，从而实现支持向量机对语音的分类识别。     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

多项式与SVM预测模型的理论分析及应用比较

标准支持向量机(SVM)及其改进形式的最小二乘支持向量机(LS-SVM)基于结构风险最小化,成功解决了多项式模型在预测方面所面临的问题;文章首先从理论上分析了SVM模型比多项式回归模型在预测方面更具有优越性;具体实验结果表明,SVM模型预测精度高,抗干扰能力强,更适合在预测方面的应用.     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

基于不变矩和支持向量机理论的船舰目标识别

基于支持向量机(Support Vector Machine,SVM)理论和不变矩(Invariant Moments)理论,提出一种船舰目标识别方法。首先,对图像进行预处理,将彩色图像转化为灰度图像;然后利用Hu不变矩来提取图像的七个不变矩特征;最后,选用支持向量机作为分类器,并将计算出的图像的七个矩特征作为支持向量机的输入对支持向量机进行训练和测试。实验证明,将不变矩特征提取方法与SVM相结合用于模式识别,可以得到很高的分类效率和准确率。     

基于核PCA与SVM相结合的电子鼻模式识别算法研究

将核主元分析(PCA)与支持向量机(SVM)相结合并将其应用到电子鼻模式识别单元中,实现了数据降维和改善分类器性能。实验结果表明与单纯的应用支持向量机方法进行分类相比,此方法具有更高的识别率。     

逐步RVM-Markov模型在大坝变形预测中的应用

相关向量机(RVM)模型具有结构稀疏化、核函数选择范围广等特点,应用到大坝变形预测中比支持向量机(SVM)模型更具优势.同时考虑到残差对预测精度的影响,引入Markov链用于预测数据修正,从而得到一种高精度的逐步RVM-Markov组合模型.在实际应用中,RVM模型的泛化能力与SVM相当,向量数量却远小于SVM模型,计算过程得到简化,Mrakov链对残差进行修正后又提高了预测精度.将上述组合模型用于大坝变形实例分析,获得了较好的回归预测效果.     

基于一致性预测支持向量机的多分类算法

针对一致性预测支持向量机的多分类问题,提出了两种多分类算法,分别是基于一致性预测一对多支持向量机算法(One-Vs-Rest Support Vector Machine Algorithm Via Conformal Predictors, OVR SVM CP)和基于一致性预测一对一支持向量机算法(One-Vs-One Support Vector Machine Algorithm Via Conformal Predictors, OVO SVM CP)。首先,将多分类问题转化为二分类问题,利用决策函数定义奇异值函数。然后,对这两种算法进行数值模拟实验,并与OVO SVM、OVO LSSVM、OVO TWSVM、HSVM算法相比较。最后,将两种算法应用于6组真实数据集测试其分类预测效果。仿真实验和真实数据应用结果表明,提出的两种算法预测效果较好,相比于其他3种的支持向量机算法有更高的预测准确率。     

基于支持向量机的不锈钢冷轧薄板力学性能的预测模型

介绍了支持向量机(SVM)技术中的支持向量机回归模型原理,建立了不锈钢冷轧薄板力学性能预测模型.结果表明,随着训练样本的增加,模型的预测精度也得到提高.证明应用支持向量机构建不锈钢冷轧薄板力学性能预测的数学模型,能较好地解决小样本和模型预测精度间的矛盾,具有较强的泛化能力.     

煤与瓦斯突出强度的IGA-LSSVM预测模型

针对煤矿开采中煤与瓦斯突出强度的预测问题,利用免疫遗传算法和最小二乘支持向量机相结合的方法,选取最大主应力、瓦斯压力、瓦斯含量、顶板岩性、距断裂距离、煤层厚度、开采垂直深度、绝对瓦斯涌出量、相对瓦斯涌出量等9个主要影响因素.对相关程度较高的因素进行因子分析,提取公共因子作为IGA-LSSVM模型的输入,建立基于因子分析和IGA-LSSVM的煤与瓦斯突出强度的预测模型.利用实测的14组数据作为学习样本,训练预测模型.另外5组数据作为测试样本,使用所得模型进行预测.研究结果表明:经过免疫遗传算法优化最小二乘支持向量机的参数后,所得模型可有效预测煤与瓦斯突出的强度,检验结果的误判率为0.     

基于人工蜂群算法优化SVM的鱼类毒性预测模型

定量构效关系(QSAR)是预测鱼类急性毒性的常用手段,其中多维构效关系为非线性回归问题,在处理这种非线性问题时往往存在一定的局限性.为了更加准确地预测鱼类急性毒性,本文利用了在非线性情况下表现良好的支持向量机(SVM)进行预测,提出了一种基于人工蜂群算法(ABC)优化支持向量机的鱼类毒性LC50预测模型,并与SVM、G...