GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

基于混沌粒子群的支持向量机参数优化

支持向量机的参数选择决定了其学习性能和泛化能力,由于在参数的选择范围内可选择的数量是无穷的,在多个参数中盲目搜索最优参数是需要极大的时间代价,并且很难逼近最优。基于此,提出一种基于混沌粒子群的支持向量机参数选择算法。混沌粒子群优化算法是一种全局搜索方法,在选取SVM参数时,不必考虑模型的复杂度和变量维数．仿真表明,混沌粒子群优化算法是选取SVM参数的有效方法,可以取得令人满意的效果。     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

混沌时间序列的最小二乘支持向量机预测

提出了最小二乘支持向量机混沌时间序列预测方法,并研究了三种混沌信号的预测性能。该方法在优化指标中采用了平方项,且只有等式约束,将传统支持向量机求解二次规划问题转化为求解线性方程组,因而简化了计算复杂性。仿真实验结果表明该方法预测模型参数选择容易、在较大范围内取值时对预测误差影响很小,而且即使在输入维数m小于Takens嵌入定理所确定的维数时,也具有很好的预测性能。     

支持向量机参数选择中加速混沌搜索策略及其应用

为解决支持向量机(SVM)参数选择问题,采用Cheby-shev映射、改变优化搜索公式和增加3次载波,提出一种改进的加速混沌优化算法(ISCOA).应用人工数据集和实际数据集进行论证,并与常规的交叉验证法(CV)进行比较.结果证明了该改进算法在支持向量机参数选择中的有效性和实用性.     

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题，讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理，提出了一种简化算法．针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足，简化算法不需计算梯度，而是利用固定的迭代步长来实现核函数一个参数的优化．依据简化算法实现了二分类故障分类器的参数优化，并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中．测试结果表明，通过参数优化可提高故障分类器的分类能力．     

基于遗传优化的支持向量机短期风电功率预测研究

风电具有波动性、间歇性、随机性等弊端,故而较为准确的预测风电功率是提高电力系统安全性与经济性的重要手段。利用遗传算法对支持向量机参数寻优,据此建立功率预测模型进行仿真,最后与标准支持向量机的预测结果进行对比,结果表明该预测方法在短期风电功率预测中准确性更高。     

基于GEP的支持向量机参数优化

支持向量机(SVM)具有优良的学习能力和推广能力,然而其性能依赖于参数的选取.本文对影响模型分类能力的相关参数(C、σ2)进行了研究,提出了一种基于基因表达式编程(Gene Expression Programming,GEP)的支持向量机参数选择算法,即根据参数在分类器中的作用,利用GEP优化参数的两种编码方案分别对C与σ2进行编码,期望改进支持向量机的分类精度和泛化能力.最后实验表明了本文算法的有效性.     

基于支持向量机的矿压监测数据预测研究

冲击矿压具有非常复杂的行为特征,矿压监测数据隐含着冲击矿压系统参与演化的全部变量的信息,可以利用矿压监测数据对冲击矿压预测。文章首先对矿压监测数据进行混沌分析,构建混沌矿压监测数据的相空间,利用支持向量机建立矿压监测数据的预测模型。经与神经网络预测模型进行比较,文章所提出的基于支持向量机的矿压监测数据预测模型更加准确有效。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

参数优化支持向量机的人参价格预测模型

为了对人参价格进行预测,分析了影响人参价格因素,通过K-fold交叉验证方法,利用粒子群算法对支持向量机的惩罚参数c和g_gamma值进行寻优,建立起2010年1月~2011
年12月林下参的价格预测模型。利用粒子群算法优化惩罚参数c为3.6974,利用radial basis function核函数的SVM（Support Vector Machine）对预测集1的预测相关系数为97.316%。     

混沌时间序列的LSSVM预测方法

结合相空间重构理论,提出运用最小二乘支持向量机(LSSVM)建立混沌时间序列的预测模型,并用粒子群优化(PSO)解决LSSVM参数寻优的问题.通过与RBF神经网络构建的预测模型相比较,计算预测模型的均方根误差来评价模型的性能.结果表明:采用PSO优化的LSSVM预测模型的预测精度更高.     

参数优化支持向量机的农业大棚温室温度预测模型

利用支持向量机核函数linear,polynomial,radial basis function和sigmoid,通过粒子群算法对惩罚参数c和gamma寻优,建立农业大棚温室温度预测模型.试验结果表明:通过粒子群算法设定惩罚参数c为14.392,gamma为0.01时,得到的P_RBF预测模型对由24个测试时间所测数据组成的训练集拟合程度达90.849%,对加入随机影响因子的由5个测试时间所测数据组成的预测集拟合程度达90.545%,显示该预测模型具备相当的鲁棒性;P_RBF模型对温室内温度预测具备相当的可靠性,可以准确预测温室内温度变化趋势,解决温室控制系统中温度难以预测的问题.     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

基于取样的潜在支持向量机序列最小优化算法

为了提高潜在支持向量机求解大规模问题的训练速度,提出了基于样本取样的潜在支持向量机序列最小优化算法,去掉了大部分非支持向量,把支持向量逐渐压缩到取样样本集中.此算法特别适合大样本数据且支持向量个数相对较少的情况.实验表明,改进的序列最小优化算法加速了潜在支持向量机分类器训练时间.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.