基于粒子群最小二乘支持向量机的瓦斯含量预测

针对经验模型与确定性模型在应用中受到限制问题,采用基于统计学习理论的支持向量机对经验数据进行学习,建立瓦斯含量与其影响因素之间的映射模型,从而实现煤层瓦斯含量预测.支持向量机的惩罚因子和核参数取值不同将会明显影响其预测的精度,支持向量机本身也没给出解决的办法,引入粒子群算法自动搜索支持向量机参数.该方法克服了神经网络过学习问题和支持向量机人为选取参数的盲目性问题.通过对某矿区样本的学习预测研究,表明该方法可取得良好的预测效果,具有较好的适应性.     

基于pinball损失的一对一加权孪生支持向量机

孪生支持向量机通过求解2个较小二次规划问题得到一对非平行超平面,从时间和准确率方面提高了分类器的性能.由于此方法使用Hinge损失函数,造成孪生支持向量机对噪声较为敏感以及重采样的不稳定.为此,针对多分类问题,将pinball损失函数与样本权重引入到孪生支持向量机中,采用一对一方法组合二分类器,提出了基于pinball损失的一对一加权孪生支持向量机,较好地解决了孪生支持向量机对噪声的敏感性以及重采样的不稳定性.另外,对于样本的不同影响,给出了多种求取样本权重的方法.实验中选取标准数据集和人工合成数据集对提出的算法进行了验证,并与一对一孪生支持向量机(OVO-TWSVM)、一对多孪生支持向量机(OVA-TWSVM)以及基于pinball损失的一对一加权孪生支持向量机(Pin-OVO-TWSVM)进行了比较,表明了提出方法的有效性.     

基于支持向量机的结构损伤识别研究

支持向量机(SVM)是一种针对分类和回归问题的统计学习理论,能有效地解决模式识别中的分类问题.该文提出了基于支持向量机的结构损伤识别方法:以归一的频率变化比(NFCR)和归一的损伤指标(NDSI)作为特征参数,训练支持向量机进行损伤识别.用一个12层钢混框架有限元数值模型进行验证,同时分析了影响SVM模型性能的主要因素.结果表明,本文提出的方法具有较高的损伤识别能力,而核参数的选择对识别精度有较大影响.     

基于支持向量机的信息安全风险评估

针对信息安全风险评估中训练数据数目少、方法主观性大、求解最优值困难等问题,提出了基于支持向量机(SVM)的信息安全风险评估方法.与传统学习方法相比,SVM分类器对小样本测试环境的适应能力强,具有较好的分类准确率,能有效防止过学习.通过分析影响信息系统安全的主要因素,结合支持向量机思想,设计并实现了基于支持向量机的信息安全风险评估模型,通过多类核函数构造出不同的分类面以及分类函数,然后对样本数据进行测试,最终得到问题的最优分类解.     

SVM与BP神经网络在石煤提钒行业清洁生产评价中的对比研究

为比较 BP 神经网络(ANN) 和支持向量机方法(SVM) 两种机器学习方法对清洁生产的评价能力， 以理论原理为基础，比较了两种机器学习算法在应用原理方面的差异．并以石煤提钒生产工艺中水浸工艺为对象， 对 BP 神经网络和支持向量机在清洁生产水平评价上进行了对比研究．结果表明: 支持向量机方法分类精度为 100%; BP神经网络为 90%但易陷入局部最优，因此支持向量机方法在解决小样本评价问题时具有较高的实用价值.     

计算机学习的SVM方法与应用软件平台CMSVM

1支持向量机方法的基本思想 V N.Vapnik等人提出的统计学习理论是一种小样本学习理论,基于这一理论近年提出的支持向量机(Support Vector Machines简称SVM)方法,为解决基于数据的非线性建模问题提供了一个新思路.     

基于粒子群优化支持向量回归机的黄金价格预测模型

为了克服神经网络存在的收敛速度慢、容易陷入局部极值等缺点,提出基于粒子群优化支持向量机(PSO-SVM)的黄金价格预测方法,以影响黄金价格的美元走势、世界黄金储备、石油价格等因素为输入,黄金价格为输出.用粒子群优化算法选择合适的支持向量机参数,对支持向量回归机进行训练.应用训练完成的支持向量回归机预测下一年的黄金价格.结果证明,PSO-SVM的预测精度高于BP神经网络,PSO-SVM适用于黄金价格预测.     

北京市社区居住老年人社会支持度量及其影响因素研究

社会支持指老年人在所处的社会网络之中能够获得的一切物质及精神支持的总和.本研究的目的为探讨老龄人口社会支持资源的度量及其影响因素.基于2013年对居住在北京市城六区老年人进行的374份有效问卷的调查数据,采用修订的社会支持评定量表对老年人社会支持评分,采用二元逻辑回归方法对老年人社会支持资源及其影响效果进行分析.研究结果发现北京市老年人社会支持总分为22.09±3.78(总分值48分,得分率46.02%).Logistic回归分析结果显示,自评心理健康状况较差,居家养老满意度更高且有配偶的男性社区居住老年人更有可能获得较高的社会支持资源.从社会支持的客观支持、主观支持和利用度三维度来看:同住人数越多,居住在城市功能核心区,对子女看望满意度越高的、有配偶的男性老年人更有可能获得较高的客观社会支持;不具有工具性日常生活能力、自评心理健康较差的男性社区居住老年人更有可能获得较高的主观社会支持;收入较高的社区居住老年人对社会支持的利用度更高.影响社区居住老年人的因素主要分为人口社会学因素、健康状况因素和生活满意度因素,这3类因素对社会支持资源(包括主观支持、客观支持、利用度)的影响各有侧重.均衡老年人社会支持资源的性别差异、关注心理健康、维护良好的婚姻状况、提升居家养老满意度可以有效提升社会支持.     

一种基于SVM和规则消除组合型歧义的算法

歧义的处理是影响分词系统切分精度的重要因素,也是中文自动分词系统中较为困难的问题.提出一种基于支持向量机(SVM)和规则(Rules)相结合的算法(SR算法),对中文分词过程中的组合型歧义字段进行排歧.SR算法主要思想是利用支持向量机分类的原理,结合词性搭配的一些规则排除组合型歧义.实验表明,用此算法对几种不同的语料进行排歧测试,排除组合型歧义字段的切分正确率可达83%左右,为解决中文自动分词难题提供了一条新路径.     

基于启发式方法和支持向量机定量研究药物的血脑屏障通透性

构建55个药物分子与其血脑屏障通透性(logB)之间的定量结构-性质关系模型,探讨影响药物血脑屏障通透性的结构因素.应用CODESSA软件计算55个化合物的组成、拓扑、几何、静电和量子化学等结构参数,通过启发式方法筛选得到最佳的结构参数,并建立线性回归模型;用所选的4个结构参数作为支持向量机的输入,建立非线性的支持向量机回归模型.预测结果表明:支持向量机回归模型性能(R2=0.89,MSE=0.06)要优于启发式回归模型的性能(R2=0.82,MSE=0.11).描述符HASA2,NO,FPSA3和E(CH)都是影响logB的主要结构因素.支持向量机模型简单快速,在药物设计中可以用来预测候选药物的logB值.     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

基于数据依赖核支持向量机回归的风速预测模型

针对风速随机性大、影响因素多、预测准确度不高的情况,基于支持向量机与信息几何的统计学关联性,从信息几何学角度分析核函数的几何结构,构造数据依赖核函数,并与支持向量机回归相结合,形成数据依赖核支持向量机回归(Data Dependent Kernel-SVR,DDK-SVR)方法.将该方法用于风速预测中,建立DDK-SVR风速预测模型,并将预测结果与传统支持向量机、神经网络方法进行对比.结果表明,DDK-SVR方法具有更高的预测精度.     

基于类中心和密切度的L-2范数FSVM

支持向量机(SVM)是解决回归问题的一种有效的方法,但传统的支持向量机对样本中的噪声和孤立点非常敏感.为了克服这个问题,文中提出了一种基于类中心和密切度的L-2范数模糊支持向量机(L-2范数FSVM),即模糊隶属度的建立不仅根据样本到类中心的距离,而且根据样本点和其目标点之间的密切度.仿真实验结果显示了该方法有效地减少了噪声的影响,改进了回归的精度,增强了推广能力.     

基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

基于蛙跳算法的改进支持向量机预测方法及应用

针对支持向量机在中长期负荷预测中关键参数选择的问题,引入蛙跳算法(SFLA)以优化基于支持向量机的中长期负荷预测算法,解决支持向量机参数选择问题。以对中国能源消费总量预测为例,对本文提出的改进算法进行验证。以1979—1999年的能源消耗量作为样本,对2000—2009年能量消耗量进行检验。研究结果表明:引入蛙跳算法后,与用粒子群(PSO)算法改进的支持向量机以及普通支持向量机方法相比,改进支持向量机预测精度分别提高2.34%和3.21%,算法运行时间分别增加51 s和109 s。     

利用支持向量机方法预测储层产能

支持向量机方法(SVM)是基于结构风险最小化原理,采用核函数处理技术,较好的适应小样本、非线性和局部极小点等实际问题,克服了常规统计方法的局限性,避免了维数灾难。能够在有限的样本集基础上,兼顾模型的通用性和推广性,有效解决了学习性和延拓性的问题,预测精度更高。实际生产中影响储层产能因素众多,各因素间相互影响,在综合考虑地层因素的基础上,提取了测井产能预测参数,利用支持向量机方法对产能进行了预测,预测结果与实际一致,并将处理结果与多元回归及BP神经网络处理结果进行了对比分析。实践表明支持向量机方法优于后两种方法,是一种值得推广使用的方法。     

引入结构信息的模糊支持向量机

模糊支持向量机是在支持向量机的基础上,通过考虑不同样本对支持向量机的作用而提出的一种分类方法,然而,该方法却忽视了给定样本集的结构信息.为此,将样本集中的结构信息引入到模糊支持向量机中,给出了一种结构型模糊支持向量机模型,利用拉格朗日求解方法,将其转换为一个具有约束条件的优化问题,通过求解该对偶问题,获得了结构型模糊支持向量机分类器.实验中选取标准数据集,验证了提出方法的有效性.     

基于支持向量机的CSTR系统建模

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为CSTR系统建立模型,分析了模型参数对模型性能的影响,同时,通过两个参数在不同值之间两两组合比较所得的误差,最终得到误差最小的参数值,从而使模型能够自动调整参数到最优值。实验结果表明支持向量机方法是一种高效可行的化工过程建模方法,模型精确,泛化能力强,性能优良。     

基于样本权重的v-支持向量机

v-支持向量机克服了传统支持向量机选取参数的困难问题,然而,该方法并未考虑不同样本在训练中的作用,从而导致该方法对噪声或孤立点具有较强的敏感性,使得训练易出现过拟合现象.为了解决这些问题,针对不同样本的作用,通过引入样本的权重,获得了一种改进的v-支持向量机模型,使用Lagrange方法对该模型求解,获得了一种支持向量机分类器.实验中选取来自于UCI数据库的10个标准数据集,针对2种不同的确定样本权重的方法,验证了提出方法的有效性,并与C-SVM和v-SVM进行了性能比较.