基于小波变换域的SVM股市时间序列预测算法

研究利用小波变换技术提高基于SVM的股市时间序列预测算法的效果.采用结构相同的若干SVM同步预测股市时间序列数据在不同尺度下的小波变换系数,通过对各预测值进行加权组合预测股市变化趋势.其中所有SVM的核参数采用遗传算法同时自动进化调整.通过实证分析,以及同基于SVM的股市时间序列预测算法进行对比,结果证明结合小波变换技术能够更深入揭示股市规律.     

自适应参数的AOSVR算法及其在股票预测中应用

以股票预测为背景,在一种在线SVR算法AOSVR中,引入Cherkassky参数选择策略,形成自适应参数的AOSVR算法.根据时间序列的变化,通过在线调整SVR参数达到更好的预测精度和泛化能力.另外,针对股票市场特性,利用AOSVR的"忘记"阈值丢掉早期数据来集中刻画近期的股市特点.将自适应参数的AOSVR算法应用到上证综合指数构成的时间序列上,取得了良好的预测效果.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

基于SVM的瓦斯体积分数混沌时间序列预测

文章针对瓦斯体积分数时间序列的非线性和不确定性特征,提出了一种基于SVM的混沌时间序列预测方法.该方法采用改进的最大Lyapunov指数法识别时间序列的混沌特性,通过多次试验选取合适的参数构造SVM预测模型,最后使用优化的预测模型对φ瓦斯的变化趋势进行预测.仿真结果表明,该模型能够较好地解决φ瓦斯时间序列的预测问题,与RBF神经网络模型相比,具有较高的预测精度.     

混沌时间序列的自适应正交小波神经网络预测

针对非线性混沌时间序列预测问题,提出一种基于正交小波神经网络的自适应预测算法.根据来自非线性序列模型的期望输入输出数据,利用小波框架理论建立初始的小波神经网络.采用正交化逐步选择方法对于初始小波神经网络进行结构优化,从而建立最精简的网络模型.同时引入在线学习算法在线修改网络权值和小波神经元的参数,从而提高模型的自适应能力和泛化能力.通过对时滞Mackey-Glass超时间序列和时变Lorenz混沌序列的预测,证明了算法的有效性.     

基于压力时间序列的输油管道在线泄漏故障诊断算法

针对输油管道中的泄漏问题提出一种基于混沌特性的输油管道压力时间序列在线故障诊断算法.该算法通过重构时间序列的相空间,求得输油管道压力序列的嵌入维为5维,嵌入延迟为4.以5维重构向量作为神经网络模型的输入,先离线训练网络,得到初始参数,然后在线训练神经网络模型,实现网络模型权值在线调整,从而实现实时对故障信号的检测.通过对实测数据的仿真表明本算法可以检测压力故障,证明了本算法在实际中的有效性.     

基于CS-SVM的网络热点话题变化趋势预测

为了提高网络热点话题变化趋势的预测精度,提出一种布谷鸟搜索(CS)算法优化支持向量机(SVM)参数的热点话题变化趋势预测模型(CS-SVM).首先获取热点话题的时间序列,然后将SVM参数作为一个鸟巢位置,通过CS算法模拟布谷鸟种群寄生繁衍机制找到最优参数,最后根据最优SVM参数建立热点话题变化趋势预测模型,并采用仿真实验对模型性能进行测试.结果表明,相对于对比预测模型,CS-SVM提高了热点话题变化趋势预测精度,可以准确刻画热点话题变化趋势,是一种理想的复杂、多变热点话题变化趋势预测工具.     

基于CEEMDAN和CS算法优化SVM的混合风速预测

基于自适应噪声完备集合经验模态分解(CEEMDAN)、布谷鸟算法(CS)和支持向量机(SVM)构建了CEEMDAN-CS-SVM混合风速预测模型，实现了黄土高原陇东区风电场月平均风速的准确预测.首先，采用CEEMDAN算法对收集到的风速时间序列进行去噪，以避免直接采用收集到的风速数据进行预测将导致较大误差的缺陷；其次，采用布谷鸟算法对SVM的惩罚系数和核函数半径进行优化，以克服SVM参数选择敏感的缺陷；最后，用构建的CEEMDAN-CS-SVM混合风速预测模型实现了黄土高原陇东区风电场月平均风速的预测.数值结果表明混合风速预测模型CEEMDAN-CS-SVM能够实现研究区域短期风速的准确预测，预测精度比混合模型DWT-SVM、EEMD-SVM、CEEMDAN-SVM、CS-SVM、DWT-CS-SVM、EEMD-CS-SVM及SVM的预测精度高.     

基于SVM的Internet网络时延分析及预测

针对基于Internet的网络控制系统,采用Socket通信方式构建了网络控制系统的通信平台,在此平台上对网络延时进行了测试.基于时间序列分析方法,对Internet网络延时特性以及延时时间序列的自相关性进行了统计分析;进而提出了基于支持向量机(SVM)的网络延时预测方法.仿真结果证明,和线性预测算法相比,采用支持向量机预测网络延时具有较高的正确率.     

单向时延测量的实时时钟同步算法

对已有分段聚类算法进行改进,使用软件方法对单向时延序列进行分析,在线检测时钟调整位置.采用变宽度的滑动窗方法对单向时延数据进行过滤,减少时间序列大小,同时保证时钟调整位置信息不丢失.使用自底向上算法对时间序列进行线性分段,检测时钟调整或时钟频率跳变点,算法的时间复杂度大大降低.针对在线时钟同步的要求,为了消除滑动窗不具有离线算法的全局寻优缺点,提出使用基于滑动窗自底向上算法的实时单向时延时钟同步算法.实际测试实验表明:该算法大大降低了时间复杂度并提高了分段精度.     

基于蚁群优化支持向量机模型的公路客运量预测

针对公路客运量预测难以建立精确预测模型的问题,文章引入基于蚁群优化的支持向量机算法对公路客运量进行预测。由于支持向量机的预测精度很大程度上取决于参数的选取,因此利用蚁群算法来优化其训练参数的选择,以得到优化的支持向量机预测模型,利用其对小样本及非线性数据优越的预测性能进行公路客运量的预测。以北京市的数据作为应用算例,并与BP神经网络及传统SVM的预测结果进行对比分析。实验结果表明,基于蚁群的支持向量机模型的预测精度更高,误差更小,可以更有效地对公路客运量进行预测;也说明利用蚁群算法进行支持向量机参数优选的方法是可行有效的。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

基于蚁群算法的支持向量机室内蓝牙标定定位

针对不同型号的智能手机之间存在硬件差异,导致在使用不同的智能手机进行室内定位时,采集同一蓝牙信号强度观测值存在偏差而影响定位精度的问题,提出了一种基于蚁群算法的支持向量机室内定位蓝牙标定方法.由于支持向量机参数的选取对其预测精度影响较大,因此利用蚁群算法避免人为盲目地选择支持向量机的参数,优化模型并提高预测精度.实验结果表明:基于蚁群算法的支持向量机室内定位蓝牙标定方法相比标定前的精度提高了37.3%,可以有效地进行室内定位.     

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PSO-SVM的多阶段产品质量预测控制方法研究

本文以钢铁产品为例,在分析多工序多阶段产品质量预测控制特点的基础上,建立了多控制点递阶SVM预测控制模型,在模型的求解过程中,提出了基于粗集理论和主成分分析法的数据预处理与模型简化,并利用带约束的PSO算法分别优化了SVM的核超参数和相关影响因素的决策范围,实现了多阶段产品质量预测和相关过程参数的全局优化,为生产过程的质量改进提供了科学的决策依据。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

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PSOGWO-SVM的网络入侵检测方法

针对SVM算法的核函数及参数选择不科学会导致检测的准确率比较差的问题,提出了一种融合粒子群搜索的灰狼优化算法,利用PSOGWO算法优化SVM的参数,确定SVM分类器的最优检测模型,并基于NSL KDD数据集进行对比实验。结果表明：基于PSOGWO SVM的入侵检测方法实现了SVM的参数最优化,而且在检测率、收敛速度、模型平衡性等方面有明显提升,该方法在网络入侵检测方面具有更好的性能。     

一种高精度的概率积分法参数预计方法

为使概率积分法参数预计具备更高的精度,在充分分析概率积分法参数与地质采矿条件间关系的前提下,整合遗传算法和BP神经网络的功能特性构建了一种新的网络模型,即NA(new approach)模型。该模型利用遗传算法的寻优能力获得网络最优输入自变量组合,并优化模型的权值和阈值。以中国45个典型的地表移动观测站数据作为训练和测试集,分别建立NA、BP网络和SVM模型,并将模型预测结果与实测数据做了对比分析。结果表明:对不同的概率积分法参数预计时,NA模型的预测精度都优于BP网络和SVM模型;且误差波动范围小、稳定性高。随预计参数的不同,BP网络和SVM模型预测精度各占优势,但两者预测效果相差甚微。     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。