基于支持向量机的空气降尘预测

支持向量机(Support VectorMachine,SVM)是近年来受到广泛关注的一种学习机器.将支持向量机引入环境时序预测中,有效地求解了空气中降尘的预测问题.实验结果表明,支持向量机不仅具有较强的理论背景,而且具有更强的预测预报能力.     

支持向量机在股市预测中的应用

介绍了回归问题与支持向量机及其股市预测的研究现状,提出了采用支持向量机的股票预测方法,通过实验证明了该方法的有效性.     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

支持向量机在电信话务量预测中的应用分析

电信话务量预测是移动通信运营分析的一个很重要的问题,通过话务量预测,运营商可以方便地做出有针对性的决策。支持向量机（support Vector Machine或SVM）是vapnik等人在统计学习理论（statistical Learning Theory或SLT）基础上提出的一种新的通用学习方法。这种方法改变了传统的经验风险最小化原则,是针对结构风险最小化原则提出的。将支持向量机应用于电信话务量预测,在非线性回归分析中显示了良好的性能,有效地实现了有限样本数据的分析预测,保证了较好的精确性和推广性,体现了很好的泛化能力。     

灰色支持向量机在机场吞吐量预测中的应用

在分析传统预测方法不足的基础上,利用灰色支持向量机组合分析模型,以实际值与灰色模型预测值的比值序列作为支持向量机模型的输入,选取径向基函数为核函数,并通过交叉验证法选取最优参数,利用支持向量机模型分析预测比值序列,最后通过灰色模型还原为货邮吞吐量的预测值.以上海机场货邮吞吐量为例,对灰色支持向量机模型进行了实证分析,并与灰色模型、支持向量机模型进行了对比.     

支持向量机在地下工程位移预测中的应用

介绍了支持向量机回归算法,运用MATLAB编写了相应程序,并对两个地下工程实例进行了预测.通过与灰色预测和人工神经网络预测结果的对比,可以看出支持向量机方法不论是在学习过程还是预测过程,都具有更高的优越性,可以应用于实际工程.     

实时灰色最小二乘支持向量机模型在蒸汽预测中的应用

针对锅炉蒸汽产量预测的非线性和灰色性,提出将实时灰色最小二乘支持向量机模型应用于蒸汽预测,预测结果与实时 模型的预测结果进行对比,证明该模型具有更高的预测精度,可为蒸汽生产和调度提供决策依据。     

基于支持向量机的机翼载荷模型研究

在利用多元线性回归理论确定飞机机翼标定试验的载荷-应变关系时,对试验数据的精度和容量要求较高,针对这一问题,提出了一种基于支持向量机的机翼载荷确定方法。采用某型飞机机翼地面标定试验数据和飞行实测数据进行实例验证,结果显示两种载荷模型获得的载荷-时间历程整体上较为一致,支持向量机载荷模型的校验误差小于多元线性回归模型,表明支持向量机可作为获取机翼载荷的一个更加有效的手段。     

支持向量机在地震预测中的应用

利用支持向量机分析了发生在美国加州中部的2次6级以上地震的震前大地脉动.通过对离地震最近的3个地震台站的地震数据进行震前大地脉动分析,结果表明:支持向量机能有效地区分震前大地异常脉动和平静时期的大地脉动,并且随着地震的临近预报准确率逐渐增加;2次地震的震前大地异常脉动分别始于地震前48 h和12 h.分析了加州CI地震台网内的14个地震台站记录的2003年12月22日发生在加州中部的6.4级地震所观测的震前脉动数据,发现处在震中附近的12个地震台站均观测到震前大地的异常脉动,且距离震中附近的断层越近,监测到震前脉动异常的几率越大.对3个观测站进行连续监测,结果表明:监测到大地震(M≥5)所引发的震前脉动异常的概率大于小地震(M＜5).因此,该方法有望发展成为地震预报的一种有效手段.     

加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器．它使用结构风险最小化原则，给出了实际风险的上界，运用该技巧，较好地解决了学习问题．而神经网络则采用经验风险最小化原则，会出现过学习现象．根据证券指数等时间序列数据的特点即近期数据要比远期数据重要，重要数据点要求比较小的误差而提出了加权支持向量机算法，与径向基神经网络相比较，加权支持向量机在证券指数预测方面表现出了良好的泛化性能。     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

基于支持向量机处理圆度误差

提出一种基于支持向量机计算圆度误差的方法.支持向量机的理论基础是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.该方法采用支持向量机对圆度误差评价,克服了传统圆度最小二乘法评价的局部收敛问题.仿真实验结果表明介绍的方法可以有效、正确地评价圆度误差.     

基于LS-SVM的交通流组合预测模型

智能交通系统是目前世界上公认的解决城市交通拥堵问题的最佳措施,而实时准确地交通流量预测则是实现智能交通系统和智能交通诱导控制的重要依据.针对城市交通"智能运输系统"和交通流的特性,在多元线性回归、支持向量机和改进的BP神经网络等三种预测模型的基础上,提出了基于最小二乘支持向量机方法的交通流组合预测模型.实验预测结果表明该组合预测模型具有较高的预测精度,为交通流量提供了一个更好的预测模型.     

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.     

基于小波分解-卷积神经网络和支持向量回归的短期负荷预测

为了提高短期负荷预测精度,考虑到除历史负荷数据之外的其他因素对短期负荷预测的重要影响,提出了一种基于离散小波分解(wavelet decomposition, WD)、卷积神经网络(convolutional neural network, CNN)和支持向量回归(support vector regression, SVR)的负荷预测模型。首先,该方法通过小波分解算法对历史负荷数据进行分析与重构,得到长度相同的历史负荷数据,降低了原始序列中非平稳性对预测精度的影响;其次,对天气因素、日期类型进行特征构造,得到特征数据;最后,将处理后的负荷数据输入卷积神经网络支持向量回归机模型,将天气特征数据输入反向传播(back propagation, BP)神经网络支持向量回归模型,通过两个模型结果的叠加得到最终的预测值。实验结果表明,模型的预测精度和效率优于传统的CNN网络、SVR网络以及输入不进行划分的CNN-SVR模型,验证了其可行性。     

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.     

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.     

一类产品需求预测的支持向量机方法

 需求预测是企业生产运营决策的基础,预测精度影响着产品的安全库存量,关系到企业利润和市场竞争力.建立了一类产品（包含多个品牌）基于支持向量机(support vector machine, SVM)的需求预测模型.在该预测模型中考虑了诸如季节性和促销等不确定性因子对产品最终需求的影响.模型的训练数据和测评数据采用的是由该类产品需求函数生成的数据.测试阶段的评价则是通过与其他统计模型（回归预测方法(REG）、双因素指数平滑法(DES)、Winter模型预测方法(WIN)）和径向基神经网络模型(radial basis function neural network, RBFNN)的对比来实现的.实验结果表明,基于SVM的需求预测模型预测精度明显优于其他模型,有效地降低了产品安全库存量,提高了企业利润,为解决这类产品需求预测问题提供了一个有力的工具.