连续小波变化-支持向量回归模型及其在谷物近红外光谱分析中的应用

近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析．支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力,在许多领域中的应用取得了成功．在这篇文章中,我们把连续小波变化技术结合支持向量机用于近红外光谱分析,结果显示,连续小波变化．支持向量机模型具有更好的预测精度．     

运用连续小波变化-支持向量回归模型预测肉制品的各成分含量

作为小波分析的一个应用方向,连续小波变换对于信号的变化非常灵敏.近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析.支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力.把连续小波变换-结合支持向量回归模型用于肉制品的成分测定,取得了令人满意的效果.     

基于支持向量机的经济效益综合评价

为了对企业经济效益做出客观准确的评价,本文提出支持向量机的经济效益综合评价。支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的评价工具。利用支持向量机对经济效益进行评价,以改善传统评价方法结果的不合理性。试验结果表明支持向量机的评价结果更符合实际,结果更加科学合理。并与人工神经网络结果进行比较,充分体现了该方法的优越性。     

基于支持向量机的油气管道安全监测信号识别方法

针对基于经验风险最小化原则的传统学习方法的不足,提出了一种基于支持向量机的油气管道安全识别方法通过基于Mach．Zehnder光纤干涉仪原理的分布式光纤振动信号传感器获取管道沿线振动信号,利用基于小波包分解的“能量-模式”方法提取振动信号的特征向量,并利用支持向量机根据振动信号的特征对其进行识别,判断管道沿线是否有异常事件发生．利用现场实验数据对该方法进行验证分析．结果表明,该方法识别正确率较高,实时性好．     

用于分类的支持向量机

支持向量机是20世纪90年代中期发展起来的机器学习技术,建立在结构风险最小化原理之上的支持向量机以其独有的优点吸引着广大研究者,该文着重于用于分类的支持向量机,对其基本原理与主要的训练算法进行介绍,并对其用途作了一定的探索．     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

基于支持向量机的煤岩界面识别方法

在煤岩识别的研究中采用了基于结构风险最小化的支持向量机,介绍了支持向量机的煤岩界面识别原理,提出一种基于支持向量机的煤岩界面识别方法。     

基于支持向量机的石油需求预测

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.利用支持向量回归机对我国石油需求量进行预测,并通过实验与神经网络的预测结果进行比较,表明支持向量机具有更高的预测精度.     

基于支持向量机的人口增长预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题。利用支持向量机对我国未来人口数量进行预测。仿真试验表明预测结果有较高的预测精度。     

线性规划支持向量机在非线性系统辨识中的应用

使用线性规划优化技术代替二次规划优化技术,通过最小化支持向量数来实现支持向量机算法.由于线性规划支持向量机的核函数不需要满足Mercer定理,因此,采用复高斯小波B样条小波作为支持向量机的核函数,建立了线性规划支持向量机模型,并将其用于非线性系统的辨识.仿真结果表明,线性规划支持向量机模型的辨识精度高于二次规划支持向量机模型.     

一种SVM增量学习算法

分析了SVM理论中SV（支持向量）集的特点，给出一种SVM增量学习算法，通过在增量学习中使用SV集与训练样本集的分类等价性，使得新的增量训练无需在整个训练样本空间进行，理论分析和实验结果表明，该算法能然保证分类精度的同时有效地提高训练速度。     

应用支持向量机的交通流状态预测方法研究

支持向量机（support vector machine,sVM）是近年来出现的立足于统计学习理论（statislical learning theory,SLT）的VC维理论和结构风险最小化原则基础上的机器学习方法,在数据挖掘及分类中具有特点和优越性．为了提高交通流状态预测的精度及效率,研究支持向量机应用于数据泛化及分类的方法,并建立模型,在实测数据的基础上进行交通流状态的判定及预测．实验结果表明该方法学习及预测速度快、效率高,并且误差可控,具有较高的精确度（本文中实例精度高于95％）,应用前景广泛．     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.     

SVM、PLS方法解析光度法多组分同时测定数据的比较研究

对分光光度同时测定润滑油中的Ca,Ba,原油中的Fe,Ni,V,润滑油中的Fe,Cu,Zn和铝合金中的Fe,Mn,Cu,Zn的光谱数据分别采用偏最小二乘（PLS）和ε-支持向量机（ε-SVM）两种方法进行解析,结果表明PLS和ε-SVM都能利用校正样建立有效的校正模型对合成样进行合理预测,但从预测结果的绝对误差和平均相对误差的比较看,ε-SVM的预测准确率要比PLS方法高,表明ε-SVM在紫外光谱数据解析方面有着比PLS更好的回归能力,适合用来处理多元校正问题．     

支持向量机技术及应用

基于统计学习理论的支持向量机是一种新型的机器学习方法。本文介绍了统计学习理论和支持向量机的原理,对一系列的训练算法进行了探讨和比较。由于SVM具有良好的泛化能力和全局最优性能,已经被应用于模式识别和回归估计等领域,有着良好的应用前景。     

基于支持向量机的数据建模在软测量建模中的应用

支持向量机是一种新的机器学习算法 ,它的基础是 Vapnik创建的统计学习理论。与传统学习方法相比 ,该理论采用了结构风险最小化准则 ,在最小化样本点误差的同时缩小模型泛化误差的上界 ,提高了模型的泛化能力。同时该理论把机器学习问题转化为一个二次规划问题 ,可以得到唯一的全局最优解。本文应用支持向量机技术进行数据建模研究 ,并用数据建模技术建立了加氢裂化装置分馏塔的航煤干点的软测量模型。     

支持向量机在城市用水量短期预测中的应用

为解决现有的城市用水量短期预测人工神经网络法的过学习与局部极小点等问题,通过对城市时用水量数据特征的分析,在统计学习理论和结构风险最小化准则的基础上,建立了基于支持向量机(SVM)理论的城市用水量短期预测数学模型.在算例分析中与误差逆传播(BP)神经网络预测法进行对比,发现该方法的平均预测精度提高了2%,且具有收敛速度快、泛化能力强等优点,在用水量短期预测中非常有效.     

支持向量机在银行客户信用评估中的应用

贷款业务是银行极为重要的资产业务,构建一个适用的客户信用评估模型十分重要。由于近年来在智能学习系统领域发展起来的新理论,并引入小样本学习的通用学习算法——支持向量机（Support Vector Machines,简称SVM）,建立银行客户信用评估模型。由于在统计学习理论中的结构风险最小化的SVM算法,克服了传统信用评估模型中的过拟合和局部最优的缺点。同时,通过在模型中采用核函数,有效地解决了线性不可分问题。因此,使得基于这种技术的评估模型具有较强的实用性。通过与神经网络模型的比较,证实了该方法用于风险评估的有效性及优越性。     

支持向量机及其在函数逼近中的应用

支持向量机是一种新的机器学习算法，它的理论基础是Vapnik创建的统计学习理论，它采用结构风险最小化准则，在最小化样本点误差的同时，缩小模型预测误差的上界，从而提高了模型的泛化能力，本文通过SVM在函数逼近中的应用，研究了SVM的小样本学习，泛化能力和抗噪声扰动能力。