一种免疫优化的LS-SVR集成算法及其故障预报应用

针对支持向量机集成问题,将最小二乘支持向量回归机作为子回归机,定义子回归机的结构差异度概念,提出一种基于免疫算法优化的多回归机集成方法.该方法首先对各子回归机参数免疫优化,从而减小训练误差;在此基础上选择满足固定差异度的子回归机进行集成,并对集成权值再次优化选择,提高最小二乘支持向量回归机集成的泛化性能.将该方法应用于噪声污染的非线性时间序列的故障预报,利用预测误差反映的故障信息可以实现微小未知故障的快速预报.仿真结果证明了方法的有效性.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

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.     

基于支持向量机的混沌时间序列预测

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术,是一种具有很好泛化性能的回归方法.针对混沌时间序列特点,提出混沌时间序列预测的支持向量机建模的思路、特点及关键参数的选取.对模型进行了实例研究,结果表明该模型能较好地处理混沌时间序列,具有较高的泛化能力和很好的预测精度.     

Boosting集成支持向量回归机的滑坡位移预测

支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者.     

金融时间序列预测中的GA-SVR方法

针对支持向量机方法在金融时间序列预测的过程中,模型参数选取不当的导致预测精度较低等问题,利用遗传算法优化选取支持向量机模型参数,建立了一种基于遗传算法优化支持向量机参数的金融时间序列预测模型。并将该方法应用于我国上证指数时间序列预测中。实验结果表明基于遗传算法优化的支持向量机方法能较好的反映金融时间序列预测规律,并且提高了模型预测精度。     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机(SVM)混沌时间序列预测精度的方法.对于模型参数估计,引入混沌粒子群优化算法(CPSO)实现全局寻优,利用支持向量回归实现非线性系统的建模和预测.对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测.     

基于粒子群优化的SVR算法与BP网络的比较研究

在回归问题上对比研究了基于粒子群算法优化选参的支持向量回归机模型和采用粒子群算法进行训练的后向传播网络的预测性能.     

PSO-SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机(SVR)的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数γ三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明:基于PSOSVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

基于遗传算法优化支持向量回归机的网格负载预测模型

提出一种基于遗传算法优化支持向量回归机的模型进行网格负载预测,使用遗传算法和交叉验证技术解决了支持向量回归机参数难以确定的问题.标准数据集仿真实验结果表明,该模型与试验法定参的支持向量回归机和BP神经网络相比具有更优的预测性能.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

支持向量机与人工神经网络

支持向量机（Support Vector Machine,SVM）是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法;而人工神经网络（Artificial Neural Network, ANN）已经成功用于解决模式识别和任意非线性函数回归估计问题中. 介绍了支持向量机与人工神经网络的基本原理,并对二者进行了逼近方面的比较,结果表明,支持向量机作为一种新兴技术而具有的独特的优越性.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于动态神经网络支持向量机的FPGA实现

研究了一种基于动态神经网络支持向量机(SVM)的FPGA硬件实现方法.提出了基于动态神经网络的最小二乘支持向量机(LS-SVM)神经网络结构,完成了VHDL语言描述的基于动态神经网络的LS-SVM结构设计,并在XILINX SPANT3E系列FPGA中完成了LS-SVM的分类与回归实验.结果表明,该硬件实现方法很好地完成了SVM的分类与回归功能,与现有的软件仿真和模拟器件实现相比,该方法具有更快的收敛速度和更高的灵活性.     

支持向量机近似模型的参数选取及其在结构优化中的应用

针对非线性结构响应预测的支持向量机(SVM)近似模型的参数选取问题,提出了应用粒子群算法进行参数优化,建立了具有最优参数的SVM近似模型,并与以训练集数据建立常规的SVM、二阶响应面(RSM)和径向基神经网络(RBFNN)近似模型进行对比.结果表明:以优化参数建立的SVM近似模型比常规的SVM近似模型有更好的预测能力;可以避免RSM和RBFNN近似模型中的过拟合现象,具有更优的推广能力.最后,将最优参数的SVM近似模型用于船舶结构优化中,取得了具有良好工程实用性的优化结果.     

直线振荡电机支持向量机非参数建模

为了寻找反映直线振荡电机参数与性能输入输出传递关系的快速计算模型,利用有限元分析法,建立了直线振荡电机非参数建模的基本数据计算模型,根据基本数据计算模型,引入支持向量机（Support Vector Machines,SVM）非参数回归建模方法,建立了用于直线振荡电机参数与性能之间输入输出传递关系的SVM计算模型,为电机参数优化过程提供了方便快捷的在线计算方法。通过SVM模型和有限元模型输出推力的比较,验证了直线振荡电机支持向量机非参数建模的可行性。     

基于相空间重构的支持向量机方法在径流中长期预报中应用

水文中长期预报对于水资源规划管理、水库及水电站调度具有十分重要的意义.针对常规混沌预测方法的局限性,提出基于相空间重构的支持向量机(SVM)预报方法.该方法首先对径流时间序列进行混沌辨识,然后对其进行相空阃重构,采用基于结构风险最小化的SVM进行径流预报.对于SVM的参数优选问题.以径向基核函数作为核函数,采用混沌交尺度优化方法进行参数寻优.实例表明.该方法优于SVM和人工神经网络(ANN)预报方法.且具有良好的泛化推广能力.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

Parameter selection in time series prediction based on nu-support vector regression

The theory of nu-support vector regression (Nu-SVR) is employed in modeling time series variation for prediction. In order to avoid prediction performance degradation caused by improper parameters, the method of parallel multidimensional step search (PMSS) is proposed for users to select best parameters in training support vector machine to get a prediction model. A series of tests are performed to evaluate the modeling mechanism and prediction results indicate that Nu-SVR models can reflect the variation tendency of time series with low prediction error on both familiar and unfamiliar data. Statistical analysis is also employed to verify the optimization performance of PMSS algorithm and comparative results indicate that training error can take the minimum over the interval around planar data point corresponding to selected parameters. Moreover, the introduction of parallelization can remarkably speed up the optimizing procedure.     

基于AFSA-SVM算法的电力系统控制方法研究

电力控制系统是一个非线性、时变系统,常规控制方法难以获得较好的控制效果,提出一种融合人工鱼群算法和支持向量机的电力系统优化控制方法(AFSA-SVMCA)。采用非线性学习能力强的支持向量机对控制器参数进行离散化处理,得到控制规律,将系统超调量引入到控制对象的优化目标函数中,同时采用人工鱼群算法对支持向量机处理后的参数进行在线优化,进一步提高了系统控制性能。仿真结果表明,相对于传统算法,AFSA-SVMCA算法不仅加快控制系统的控制精度,而且超调量小、抗扰动能力强,可以获得高品质的电力系统控制效果。