基于深度学习和支持向量机的基因结合蛋白预测

针对传统的方法对蛋白质预测的精度低且需要人工提取环节等问题,提出一种基于深度学习和支持向量机的基因结合蛋白预测算法;该算法将卷积神经网络与门控循环单元结合,搜索蛋白质序列,保留蛋白质序列中氨基酸的位置依赖性,利用支持向量机代替神经网络的Softmax分类器对蛋白质的特征序列进行预测;将该模型分别在基准数据集DBP2858和PDB14189上进行对比实验。结果表明,该模型具有更好的脱氧核糖核酸结合蛋白预测能力,并且预测精度和效率均较高。     

基于二向注意力循环神经网络的PM2.5浓度预测

针对PM2.5浓度预测模型效果不稳定、泛化能力差的问题,以循环神经网络和注意力机制为基础,提出了二向注意力循环神经网络（TDA RNN）。首先,TDA-RNN模型通过注意力机制获取输入数据的时序注意力和类别注意力,并将其进行融合;然后通过特征编码器对融合后的数据进行编码,获得中间特征;最后将中间特征与PM2.5浓度的历史信息融合,并通过特征解码器获取预测值。对北京地区的PM2.5浓度进行了预测。结果表明,相比前向型神经网络、长短期记忆神经网络、门控循环单元模型和滑动平均模型,TDA-RNN模型预测精度更高;在抗干扰测试中,当输入数据存在无关因素时,TDA RNN模型的预测精度出现轻微下降,但仍高于其他模型。该二向注意力循环神经网络特征提取能力强,预测精度高,同时可适用于其他场景的多变量时间序列预测。     

PCA支持向量机回归集成股市预测应用

利用主成分分析（PCA）方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于支持向量机改进的克里金插值法—以汾渭平原PM2.5数据为例

克里金插值法根据待测点与已知点的空间位置关系以及研究区域内变量的空间相关性为已知点赋予不同权重,再通过加权求和的方式得到待测点的估计值,为待测点提供最佳的线性无偏估计。变异函数描述了区域化变量的空间变化信息,常用的理论变异函数包括球状模型、指数模型和高斯模型,然而以上模型形式较为固定且选择较为主观,可能无法准确反映数据波动趋势。基于此,提出引入支持向量机作为新的变异函数对克里金方法进行改进。使用汾渭平原PM2.5浓度数据对改进前后的克里金插值法进行效果对比,结果发现：①支持向量机能够拟合出变异函数的变化趋势,②改进后的克里金插值精度优于改进前的克里金插值精度,因此支持向量机改进的克里金插值法是一种可选的克里金方法。     

基于RSBRA离散化方法的支持向量机集成

提出一种新的基于离散化方法的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器,进一步提高了集成学习机的分类性能.实验结果表明,所提算法具有明显优于单一支持向量机的分类性能,并能取得比传统的集成学习算法Bagging和Adaboost更高的分类正确率.     

基于AdaBoost的集成支持向量机预测技术仿真

本文结合遗传算法参数优化方法,提出了基于AdaBoost集成支持向量机（SupportVectorMachine或SVM）算法,建立了基于AdaBoost集成SVM预测模型。通过Sinc函数仿真数据,分析了基于AdaBoost的集成支持向量机的预测性能。结果表明,基于Ada～Boost集成预测模型的预测相对平均误差达到1．31％,而SVM预测相对平均误差为279％,提升幅度达到53％,说明集成SVM预测模型具有很高的预测精度。通过对Sinc函数加入不同含量的噪声,发现与改进前的集成SVM算法相比,本文提出的算法具有更强的抗干扰能力。应用该算法,对轴承疲劳寿命实验中轴承振动信号特征量趋势进行预测,结果表明其14步预测的相对平均误差为027％,预测结果良好。     

基于迁移学习和支持向量机的白细胞分类

针对人工镜检分类白细胞准确率和效率低的问题,基于深度学习和机器学习算法,提出了一种基于迁移学习和支持向量机的白细胞分类方法.首先对迁移模型进行微调训练,其次用微调训练后的迁移模型进行特征提取,然后将特征输入至神经网络和支持向量机中进行训练,最后通过神经网络和支持向量机的组合分类器对白细胞进行分类.实验结果表明,白细胞分类准确率由最初微调训练的83.26％,随着迁移模型的优化提升为90.43％,最后通过组合分类器再次提升为93.52％,可以在临床实践中帮助医生提高诊断的准确率和效率.     

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.     

一种新的选择性支持向量机集成学习算法

针对支持向量机(SVM)在应用于集成学习中会失效的问题,提出一种选择性SVM集成学习算法(SE-SVM),利用ξα误差估计法估计个体SVM泛化性度量,并基于负相关学习理论引入差异性度量,通过递归删除法选择出一组泛化性能优良、相互间差异性大的SVM参与集成学习.基于UCI数据的仿真实验表明,SE-SVM能够平均提高SVM的分类正确率0.4%,比常规的Bag-ging集成学习方法和负相关集成学习方法的分类正确率分别提高了0.24%和0.16%.     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法．针对负荷预测建模，采用交叉验证的方法对参数进行选取，得到的最优参数对未来的峰荷进行预测，仿真结果表明了该方法的有效性．     

基于多机器学习模型的逐小时PM2.5浓度预测对比

【目的】比较分析XGBoost模型、LightGBM模型、随机森林模型(RF)、K最近邻模型(KNN)、长短期记忆神经网络(LSTM)、决策树模型(DT)共6个PM_2.5浓度预测模型,以准确、及时预测环境PM_2.5浓度。【方法】基于重庆市合川区2020年全年空气质量监测数据和气象数据,通过最大相关最小冗余算法(MRMR)进行数据降维选择最优特征子集,作为模型的输入,逐一进行PM_2.5浓度预测;考虑到不同季节PM_2.5浓度差异较大,故分季节预测了PM_2.5浓度;为了探究各模型预测性能,计算了各模型运行时间和内存占用,并基于PM_2.5与特征变量的相关性和特征变量的重要性探讨了模型预测性能季节性差异原因。【结果】模型总体预测精度从高到低排序为 XGBoost、RF、LightGBM、LSTM、KNN、DT模型;预测性能方面,6个模型均表现为秋冬季节预测精度高于春夏季节;LightGBM模型可在保证模型精度的情况下,大幅减少模型训练时间和内存占用;特征重要性显示PM₁₀浓度、气温和气压的重要性高,O₃浓度、风向和NO₂浓度重要性相对较弱。【结论】采取MRMR方法进行数据降维选取的最优特征子集能较好地预测PM_2.5浓度;相比较而言,XGBoost、RF、LightGBM、LSTM模型在PM_2.5浓度预测上具有较优性能,其中综合性能较好的为LightGBM模型。     

基于支持向量机的矿区开采沉降的预测

针对矿区开采沉降预测方法问题,在分析了矿区开采沉降因素的基础上,利用统计学习的新方法--支持向量机,结合最小二乘算法,提出了矿区沉降的预测模型,预测结果与神经元网络,多项式拟合结果进行比较,结果表明支持向量机在沉降预测方面准确性高,泛化能力强.     

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...     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机（SVM）进行井眼轨迹预测的新方法，它基于小样本统计学习理论，通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机，建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明，该方法估计精度高且易于现场推广使用。     

基于支撑向量机的井眼轨迹预测新方法

提出了一种利用支撑向量机(SVM)进行井眼轨迹预测的新方法,它基于小样本统计学习理论,通过对一口或几口已钻井的轨迹数据进行学习训练支撑向量机,建立井眼轨迹的支撑向量机预测模型。对多口井的实验结果分析表明,该方法估计精度高且易于现场推广使用。     

一种基于聚类的支持向量机增量学习算法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高.     

基于支持向量机的软件可靠性早期预测

文章将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型;通过对比仿真实验,证实了该模型同传统模型相比,具有预测精度高、泛化能力强及对样本数量的依赖程度低的特点。     

一种支持向量分类学习算法

分析样本与KKT条件之间的关系以及新增一个样本点对原支持向量分类学习结果的影响,并针对支持向量机在较多训练样本时需要较大的计算量和内存的问题,基于已有的算法提出了一种新的学习算法．实现了对样本集的有效压缩,有利于运算速度的改善．     

支持向量机的学习方法综述

支持向量机是一种基于统计学习理论的新型机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.详细总结了支持向量机的学习方法,其学习方法主要分为3大类:分解算法、多变量更新算法和序列算法,比较了它们的优缺点;最后指出了学习算法的研究方向.     

基于支持向量机回归的港口吞吐量非线性组合预测

提出了一种基于支持向量机回归算法的港口吞吐量非线性组合建模预测方法,并运用该方法进行了港口吞吐量预测,同时将该预测结果与其他方法的预测结果进行了比较．结果表明,该方法具有很强的学习及泛化能力,在处理具有一定程度的不确定性的非线性系统的组合建模预测问题时具有很好的应用价值．