共查询到17条相似文献,搜索用时 343 毫秒
1.
2.
用于回归估计的支持向量机方法 总被引:58,自引:4,他引:58
用于回归估计的支持向量机方法以可控制的精度逼近非线性函数,具有全局最优、良好泛化能力等优越性能,得到广泛的研究。描述了该方法的基本思想,着重讨论了V-SVM、最小二乘SVM、加权SVM、线性SVM等支持向量机的新方法,降低训练时间和减少计算复杂性的分解法、SMO及增量学习算法。在非线性系统参数辨识、预测预报、建模与控制研究中,支持向量机是很有发展前途的研究方法。 相似文献
3.
针对非线性系统模型预测控制中预测模型容易失配且目标函数难以求解的问题,本文提出一种基于在线支持向量机建模和遗传算法滚动优化的模型预测控制方法。该方法利用在线支持向量机建立被控对象的非线性模型,在线支持向量机是一种迭代学习的支持向量机训练算法,可以进行在线训练,从而实现模型在线自校正;并且通过遗传算法求解目标函数的最优控制量,完成滚动优化。对非线性系统的仿真研究结果表明,该方法有效且具有良好的自适性。 相似文献
4.
在许多工业过程控制系统中,软测量技术由于解决了输出变量难以测量的问题而被广泛应用。软测量技术的核心问题是建立优良的软测量数学模型,支持向量机(SVM)以其优良的泛化特性而被应用到建立软测量模型中。基于多个模型的组合可以提高模型精度和鲁棒性的思想,提出多支持向量机(MSVM)组合模型的软测量建模方法.该建模方法通过减聚类方法将输入空间划分为一些小的局部空间.在每个局部空间中用最小二乘支持向量机(LS-SVM)建立子模型.为解决子模型相互之间的严重相关问题,提高模型的精度和鲁棒性,各个子模型的预测输出通过主元递归(PCR)方法连接.仿真研究表明,采用该建模方法能够达到较好的建模效果。 相似文献
5.
基于核主元分析和最小二乘支持向量机的软测量建模 总被引:2,自引:1,他引:2
软测量技术是工业过程控制和分析的有力工具,它的核心问题是如何建立学习速度快且泛化性能优良的软测量模型。提出了一种基于棱主元分析(KPCA)和最小二乘支持向量机(LSSVM)的软测量建模方法,利用核主元分析提取软测量输入数据空间中的非线性主元,然后用最小二乘支持向量机进行建模,不但降低模型复杂性,而且提高了模型泛化能力。最后将上述方法用于PTA结晶过程的软测量建模,仿真结果表明:与SVM、PCA-SVM建模方法相比,该KPCA-LSSVM方法具有学习速度快、跟踪性能好、泛化能力强等优点,是一种有效的软测量建模方法。 相似文献
6.
7.
基于最小二乘支持向量机的软测量建模 总被引:61,自引:6,他引:55
软测量技术在工业过程控制中得到了广泛的应用,对保证产品质量和安全生产有很重要的作用。软测量技术的核心问题是建立优良的软测量数学模型。支持向量机是近几年发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。本文研究了基于最小二乘支持向量机的软测量建模方法,并用交叉验证的方法进行支持向量机参数选择。将基于最小二乘支持向量机的软测量模型应用于轻柴油凝固点的预估。结果表明最小二乘支持向量机是软测量建模的一种非常有效的方法。 相似文献
8.
9.
10.
11.
12.
谭超 《系统工程与电子技术》2006,28(5):761-763
针对人工神经网络等传统方法在解决虚拟仪器系统方面的不足,提出了解决虚拟仪器系统非线性校正的支持向量机方法。该算法是在接受客观非线性事实的基础上,通过采用支持向量机来建立起虚拟仪器的传递特性,从而实现非线性校正。将该校正模型应用于一压力测量虚拟仪器,取得了满意的效果。 相似文献
13.
High-frequency stock trend prediction using machine learners has raised substantial interest in literature. Nevertheless, there is no gold standard to select the inputs for the learners. This paper investigates the approach of adaptive input selection(AIS) for the trend prediction of high-frequency stock index price and compares it with the commonly used deterministic input setting(DIS) approach.The DIS approach is implemented through computation of technical indicator values on deterministic period parameters. The AIS approach selects the most suitable indicators and their parameters for the time-varying dataset using feature selection methods. Two state-of-the-art machine learners, support vector machine(SVM) and artificial neural network(ANN), are adopted as learning models. Accuracy and F-measure of SVM and ANN models with both the approaches are computed based on the high-frequency data of CSI 300 index. The results suggest that the AIS approach using t-statistics,information gain and ROC methods can achieve better prediction performance than the DIS approach.Also, the investment performance evaluation shows that the AIS approach with the same three feature selection methods provides significantly higher returns than the DIS approach. 相似文献
14.
基于PCA和最小二乘支持向量机的软测量建模 总被引:16,自引:3,他引:16
软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。 相似文献
15.
Suppliers' selection in supply chain management (SCM) has attracted considerable research interests in recent years. Recent literatures show that neural networks achieve better performance than traditional statistical methods. However, neural networks have inherent drawbacks, such as local optimization solution, lack generalization, and uncontrolled convergence. A relatively new machine learning technique, support vector machine (SVM), which overcomes the drawbacks of neural networks, is introduced to provide a model with better explanatory power to select ideal supplier partners. Meanwhile, in practice, the suppliers' samples are very insufficient. SVMs are adaptive to deal with small samples' training and testing. The prediction accuracies for BPNN and SVM methods are compared to choose the appreciating suppliers. The actual examples illustrate that SVM methods are superior to BPNN. 相似文献
16.
基于支持向量机的高分辨距离像分类法 总被引:5,自引:0,他引:5
支持向量机 (supportvectormachine ,SVM)是新一代学习机 ,具有良好的泛化性能。高分辨距离像(HRRP)分类是雷达复杂目标分类的重要方法。采用SVM作为分类器 ,研究了飞机目标HRRP分类法。设计了相应的预处理算法 ,并提出了结合VapnikChervonenkis维法和留一 (LOO)交叉验证法的参数选择算法。基于 5种飞机缩比模型的HRRP数据 ,比较了SVM分类法和最大相关分类法的性能 ,研究了噪声、训练用方位角采样数和训练样本集的大小对识别性能的影响。实验结果表明 ,SVM在HRRP分类上具有良好的应用前景。 相似文献
17.
提出了一种采用支持向量机(support vector machine, SVM)建立模型实现来波方向估计的新方法。提取已知方向来波信号在天线阵元间感应的相位差作为模型的输入,利用支持向量回归机对复杂函数的逼近能力构建方向估计模型。充分利用了SVM的结构风险最小原则和泛化能力,使得模型对低信噪比和通道误差具有较强的适应能力。通过正弦和余弦函数变换的方法,有效解决了360°~0°转换不连续性引起的逼近误差,提高了估计精度,并给出了算法的具体实现步骤。实验结果验证了该方法的优越性和可行性。 相似文献