基于模糊信息粒化软测量建模方法研究

提出了一种模糊信息粒化方法和支持向量机相结合的软测量建模方法.利用模糊信息粒化方法对样本数据进行特征提取,降低样本的维数;利用提取的特征作为支持向量机的输入进行建模.用该方法建立柴油凝点的软测量模型,结果表明,该模型具有很好的预测精度和泛化性能,是一种有效的数据建模方法.     

基于模糊信息粒化和支持向量机的股票价格回归预测

对股票进行投资时,由于股票数据具有较大的不稳定性,往往大多数时候无法对其进行精确的预测,而对其变化趋势和变化空间进行预测尤为重要,当利用支持向量机对股票数据进行回归预测时,只能得到具体点的预测值,不能预测股票数据短期的变化趋势,因此本文将模糊信息粒化和支持向量机相结合,对股票数据未来5天的变化趋势进行了预测研究,实验表明该方法具有理想的效果.     

基于FIG和GWO-SVM的灌浆功率时序预测

为更好地预测灌浆功率时序,建立基于模糊信息粒化(FIG)和灰狼优化支持向量机(GWO-SVM)的灌浆功率时序预测模型。首先,引入信息粒计算方法,将原始详尽的时间序列数值点分解为一系列信息粒,以减少模型的数据输入总量;其次,基于模糊集理论,采用模糊集算子对每个信息粒进行模糊计算,使得到的模糊信息粒可以合理地表示原始数值点集;最后,以支持向量机作为预测工具,并采用灰狼优化算法进行参数寻优,对产生的模糊信息粒进行快速准确的预测。结合实际工程,应用该预测模型对灌浆功率的波动范围和变化趋势进行预测研究,经过性能评价和对比分析,验证了模型的有效性和优越性。     

基于模糊信息粒化的支持向量机在犯罪时序预测中的应用

犯罪时间序列一般具有随机性和波动性强的特点。传统的时间序列建模方法利用犯罪时序数据之间的相关性建立预测模型;但对细颗粒度下的信息利用不足。相比之下,基于模糊信息粒化的支持向量机能够在对时间序列的细颗粒度数据进行粒化预处理的基础上建立拟合回归模型,实现粗颗粒度下的时序预测。利用基于模糊信息粒化的支持向量机方法对S市的侵财类案件数据进行分析预测,并与ARIMA模型进行了比较。结果表明该方法在预测精度上要显著优于时间序列预测模型。对公安部门的警务指挥与情报研判具有较高的实用性。     

模糊信息粒化和GWO-SVM算法结合的短期风速范围预测

为了实现对风速范围区间的准确预测,提出一种基于模糊信息粒化和灰狼优化-支持向量机(GWO-SVM)算法的风速预测模型.该模型首先利用模糊信息粒子,从一段连续时间的风速值提取出最大值、最小值及大致的平均水平值;然后,采用时间序列风速输入模型,构建输入支持向量机模型的标签向量与特征矩阵;最后,通过灰狼算法进行支持向量机预测模型的参数寻优,实现对风速范围区间的准确预测.在实例验证阶段,将风速历史数据进行模糊粒化,采取4种不同的参数寻优方式对支持向量机预测模型进行参数寻优.结果表明:GWO-SVM算法可以有效地提高风速范围预测的精确度.     

信息粒化的SVR组合模型在季度GDP中的应用

针对GDP未来一段时间的变化范围及走势进行预测,提出了信息粒化算法与支持向量回归机算法相结合的时间序列组合预测模型;以1994年第1季度到2013第4季度GDP值模糊粒化处理,对3个模糊参数Low、R、Up,通过交叉实验训练寻找支持向量回归机的最优参数,并进行回归预测,得出GDP在2014年各季度的变化范围与走势,与实际比较相吻合,说明算法具有良好的泛化性,能够作为时序数据的预测模型。     

基于模糊信息粒化与支持向量机的上证50ETF量化择时研究

上证50ETF股指期权标的物为上证50ETF,对50ETF进行量化分析有助于指导50ETF以及50ETF期权等的投资,进而获得良好的收益,为此提出了基于模糊信息粒化与支持向量机(support vector machine,SVM)的上证50ETF量化择时策略.根据上证50ETF的历史日数据,对某一时间段的开盘价、收盘价、最高价等作为SVM的输入信息,将未来5天收盘价进行模糊信息粒化,以粒化结果的涨跌作为SVM的训练集标签,对系统进行标记训练;最后,应用已训练的系统对50ETF未来涨跌情形进行预测.实验结果表明,融合了SVM与模糊信息粒化的预测算法较SVM算法和融合了SVM的部分粒子化算法,局部行情下正确率提高了15%以上,全局行情下正确率提高了16%以上,提升了择时性能.本文的量化择时策略对50ETF和50ETF期权投资具有实际的指导性,具有一定的应用价值.     

模糊时序与支持向量机建模相结合的PM2.5质量浓度预测

为解决进行PM2.5质量浓度预测中多因素回归模型的不稳定、神经网络模型的过拟合及局部最小等问题,提出应用支持向量机和模糊粒化时间序列相结合的方法,对PM2.5质量浓度未来变化趋势和范围进行预测.根据PM2.5不同季节的日变化周期模式,确定以24 h为周期的粒化窗宽,利用三角型隶属函数对数据样本进行特征提取作为支持向量机的输入,并在k重交叉验证法下采用网格划分寻找出模型的最佳参数.以2013年3月—2014年2月北京市海淀区万柳监测点四个季节PM2.5的1 h质量浓度监测值为样本数据,应用该方法建立PM2.5质量浓度的时间序列预测模型,并在MATLAB平台下应用LIBSVM工具实现计算过程.结果表明,基于模糊粒化时间序列的预测模型,能较好解决PM2.5机理性建模方式下由于影响因素考虑不全而造成的预测结果不稳定,对模糊粒子拟合效果较好.     

基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于模糊信息粒化和支持向量机的Brent原油期货价格预测

随着原油市场环境的日益复杂,模型很难准确预测未来某段时间的原油价格.在保证预测精度的前提下为获得尽可能久的预测时长,采用模糊信息粒化方法简化计算复杂度,通过压缩样本点信息得到Up、Low和R三个模糊参数.针对原油价格时间序列周期性、非线性和长时记忆性的特点,基于支持向量机算法对模糊参数进行回归预测.研究表明,此法能够较...     

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.     

基于支持向量机的啤酒企业能源消耗预测模型

为提高啤酒企业包装车间生产耗电的预测精度, 提出了一种基于支持向量机和粒子群优化算法的预测模型构建方法。该方法将radial basis function函数作为支持向量机的核函数构建预测模型, 使用K-fold交叉验证方法, 利用粒子群算法(PSO: Particle Swarm Optimization)对惩罚参数c和g值寻优。以28天的生产耗水和生产耗电数据作为训练集, 以10天的生产耗水数据作为预测集, 分别构建基于radial basis function函数与polynomial函数的生产耗电支持向量机预测模型对生产耗电数据进行预测。实验结果表明, 以radial basis function函数作为核函数与以polynomial函数作为核函数相比, 该支持向量机预测模型对生产耗电的预测精度提高了51.495%,该方法具有一定的实用性。     

鲁棒最小二乘支持向量机及其在软测量中的应用

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时,稀疏化模型鲁棒性差的问题,提出了一种基于模糊C均值聚类和密度加权的稀疏化方法.首先通过模糊C均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度,依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度,继续从各个子集中增选支持向量,直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明,该方法能够兼顾模型在整体样本集和各工况子集上的性能,在实现模型稀疏化的同时,能够显著改善最小二乘支持向量机模型的鲁棒性.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

基于模糊训练数据的支持向量机与模糊线性回归

支持向量机作为1种机器学习方法已广泛应用于模式识别及函数拟合,但在支持向量机中,训练数据均为精确数据.针对训练数据的输入是模糊数的情况,研究基于模糊训练数据的分类型支持向量机,并给出其解法.然后应用基于模糊训练数据的支持向量机研究模糊线性回归问题.     

一种基于动态类中心模型选择的模糊支持向量机

模糊支持向量机的核心思想是赋予样本模糊隶属度,给每个样本以不同的权重,从而克服标准支持向量机对噪声和异常点敏感的问题.现有的模糊支持向量机算法通常以样本与类中心距离为基础,给每个样本赋予一个固定的隶属度,没有根据样本分布对隶属度做进一步修正.提出了一种新的动态方式赋予样本隶属度,利用萤火虫算法不断地更新样本中心的位置和隶属度函数,同时利用粒子群算法优化模糊支持向量机参数.在UCI数据集上的实验结果表明,该算法可以有效减少噪声和野点对超平面的影响,分类性能要优于几类常用的模糊支持向量机算法.     

道路网交通流状态变化趋势判别方法

根据城市快速路交通流参数实测数据所表征的交通流状态特性,结合基本图和三相交通流理论,将道路网交通流状态划分为自由流状态、拥挤流状态和阻塞流状态.在此基础上,采用模糊信息粒化的思想,以道路网检测断面数为窗口,设计三角形模糊隶属函数,将同时段的道路网交通流状态映射为含有低边界值L、中值R和高边界值U三参数的模糊信息粒.以模糊信息粒为输入,建立Elman网络模型预测交通流状态变化趋势.依据预测结果计算道路网交通流状态综合指数,判别未来时段道路网交通流状态,并以北京市某一区域路网为例进行实证性研究.研究结果表明:所提出的方法能够实现道路网交通流状态变化趋势判别,准确率为93.33%,同等条件下支持向量机模型判别准确率仅为86.67%.     

基于ARIMA与信息粒化SVR组合模型的交通事故时序预测

该文基于自回归滑动平均(ARIMA)模型和支持向量回归机(SVR)模型,构建时间序列组合预测模型,对道路交通事故相关指标进行趋势预测。通过ARIMA预测模型进行线性拟合;基于模糊信息粒化方法,将ARIMA预测模型残差季度变化趋势映射为包含最小值Low、中值R、最大值Up三个参数的模糊信息粒;并以其为输入构建SVR模型,对季度残差变化趋势进行预测;最后根据SVR残差预测值修正ARIMA模型预测值。实证研究结果表明:时间序列组合预测模型精度优于单一ARIMA模型,由模糊信息粒子确定的预测区间较好描述了实证数据的季度变化趋势。     

用于不平衡数据分类的模糊支持向量机算法

作为一种有效的机器学习技术,支持向量机已经被成功地应用于各个领域.然而当数据不平衡时,支持向量机会产生次优的分类模型;另一方面,支持向量机算法对数据集中的噪声点和野点非常敏感.为了克服以上不足,提出了一种新的用于不平衡数据分类的模糊支持向量机算法.该算法在设计样本的模糊隶属度函数时,不仅考虑训练样本到其类中心距离,而且考虑样本周围的紧密度.实验结果表明,所提模糊支持向量机算法可以有效地处理不平衡和噪声问题.     

基于模糊信息粒化和LSSVM真空玻璃保温性能预测研究

真空玻璃传热过程是非线性复杂的系统。为了研究真空玻璃的保温性能,提出一种基于模糊信息粒化和LSSVM真空玻璃保温性能预测研究的智能检测方法。根据工业现场采集数据,考虑真空玻璃传热过程的选择透过性,将采集的多元样本数据进行模糊粒化处理,提取各窗口有效的分量信息,建立基于最小二乘支持向量机的真空玻璃保温性能的预测模型,实现对真空玻璃非热源一侧温度平均值和波动范围的联合预测。利用自适应模糊粒子群算法进行迭代,获取更优的模型参数,提高模型的性能。研究结果表明:预测结果在0℃~0.5℃,在一定波动范围内,能够有效预测真空玻璃的保温性能。