支持向量机的时间序列回归与预测

详细分析了支持向量机用于时间序列预测的理论基础。采用支持向量机、RBF和Elman神经网络模型,对仿真时序和工程滑坡变形时序进行了回归与外延预测。结果表明,在噪声水平较低时,SVR回归效果稍好,Elman与RBF网络的稳健性相对较差;随着噪声水平增大,两种神经网络的回归精度迅速下降。对于外延预测,两种神经网络仅限于短期的非线性模拟,而泛化性能更好的SVR在短期具有比较理想的效果,在较长的时间区间里也具有较高的预测精度(7步预测准确度控制在83.5%以上)。     

基于PSO的SVR参数优化选择方法研究

支持向量回归机(SVR)模型的拟合精度和泛化能力取决于其相关参数的选取,因此提出了基于粒子群(PSO)算法的SVR参数优化选择方法;并以不同噪声影响下的sinc函数和实际发酵过程产物浓度的SVR模型为对象,将提出的PSO优化参数方法与现有的交叉验证法、留一法进行比较。仿真结果表明:该PSO优化SVR参数方法可行、有效,由此得到的SVR模型具有更好的学习精度和推广能力。     

基于AGIMM的临近空间机动目标跟踪滤波算法

由于临近空间高超声速目标的机动形式复杂,单一模型很难满足高精度跟踪的需要。因此需要使用基于多种模型进行交叉耦合的交互式多模型算法,这种算法特点与临近空间目标高速、高机动特性相适应。提出了一种自适应网格交互多模型跟踪算法用于临近空间高超声速机动目标的跟踪问题。所提方法能够处理自适应时变模型集合,随时调整当前时刻使用的模型数量,相比于固定结构交互式多模型算法极大减少了计算量,计算效率和跟踪精度更高,数值仿真结果验证了所提算法的有效性。     

基于LWSVR的繁忙机场航班滑出时间预测

针对繁忙机场航班滑出时间预测准确率低的问题,结合局部回归和加权支持向量回归,提出基于局部加权支持向量回归的离港航班滑出时间预测模型。该模型采用K最近邻方法,减小训练样本集容量,并为每个预测样本构建一个预测模型。通过计算训练样本与预测样本间的马氏距离,来优化加权支持向量回归中高斯核加权函数的带宽参数,获得加权系数。结合某机场离港航班数据仿真分析,实验结果表明模型在误差允许范围内的预测准确率达到83.33%,模型更加稳定。     

支持向量机在车辆目标识别中的应用

提出了利用支持向量机对战场侦察雷达目标回波信号进行处理,以实现对卡车、坦克等在地面运动的车辆目标进行分类识别的一种新算法。首先对雷达接收到的目标回波信号作频域分析,从中提取待分类目标信号的特征向量,然后利用所建立的支持向量机模型对目标信号作训练和识别,最后与经典谱分析和神经网络的方法作比较,并采用实际数据验证这种识别方法的有效性。     

基于Adaboost的作战目标属性判定方法

传统作战目标属性判定主要采用指挥员现场判断的定性方法, 具有一定的主观性, 并且由于缺乏较为成熟固定的算法而难以纳入指挥平台中。针对此问题, 结合作战目标属性判定关键影响因素分析, 提出一种基于自适应提升(adaptive boosting, Adaboost)的作战目标属性判定方法。首先, 针对目标有效面积、目标配置区域面积等关键因素, 采用单层决策树算法构建弱分类器。然后, 利用Adaboost对弱分类器进行加权组合, 形成作战目标属性判定的强分类模型。最后, 进行了示例分析, 并与决策树、支持向量机和人工神经网络3种属性判定方法进行对比仿真实验, 证明了所提方法的正确性和优越性。     

Application of wavelet support vector regression on SAR data de-noising

A new filtering method for SAR data de-noising using wavelet support vector regression (WSVR) is developed.On the basis of the grey scale distribution character of SAR imagery,the logarithmic SAR image as a noise polluted signal is taken and the noise model assumption in logarithmic domain with Gaussian noise and impact noise is proposed.Based on the better performance of support vector regression (SVR) for complex signal approximation and the wavelet for signal detail expression,the wavelet kernel function is chosen as support vector kernel function.Then the logarithmic SAR image is regressed with WSVR.Furthermore the regression distance is used as a judgment index of the noise type.According to the judgment of noise type every pixel can be adaptively de-noised with different filters.Through an approximation experiment for a one-dimensional complex signal,the feasibility of SAR data regression based on WSVR is confirmed.Afterward the SAR image is treated as a two-dimensional continuous signal and filtered by an SVR with wavelet kernel function.The results show that the method proposed here reduces the radar speckle noise effectively while maintaining edge features and details well.     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

基于深度学习的弹道目标智能分类

针对弹道目标微动分类前需平动补偿及典型雷达散射截面积(radar cross-section, RCS)序列分类需构造人工特征的问题,提出利用弹道目标微动特性和RCS相结合的弹道目标智能分类算法。首先,建立弹道目标运动模型并分析得到方位角和俯仰角,从而获取RCS序列,在此基础上利用小波变换得到时频图并构建数据集;然后,通过卷积神经网络(convolutional neural network, CNN)提取时频图像特征序列并与RCS序列融合成高维特征;最后,利用具有容错能力的双向长短期记忆网络充分学习序列之间的相关性以实现目标分类。仿真结果表明,该算法比卷积神经网络和支持向量机的分类精度分别提高5%和2%以上,分类速度比卷积神经网络和双向长短期记忆网络分别提高1.5倍和2.5倍,实现了更高精度的快速智能分类。     

基于OS-LSSVMR内模控制的温室环境控制方法的研究

由于温室环境的复杂性,传统的控制方法很难对其进行有效的控制。基于OS-LSSVMR内模控制具有模型简单、鲁棒性好等特点,将其应用于温室环境的控制具有重要的意义。温室环境的OS-LSSVMR内模制控制方法,针对温室环境不易精确建模和不确定性的特点,构造温室环境输入输出的样本数据,采用OS-LSSVMR建立温室环境的正逆模型,用逆模型作为控制器,正模型预测输出,将预测误差作为控制的反馈,在模型偏离实际系统的情况下在线进行调整。通过三种SVM温室环境内模控制的仿真,说明了温室环境的OS-LSSVMR内模制控制效果较好,适合进一步在温室环境控制中推广应用。     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

基于奇异谱分析的我国航空客运量集成预测模型

针对时间序列包含噪声以及单一模型可能存在预测表现不稳定的问题,本文提出了一个基于奇异谱分析(SSA)的集成预测模型,并将其运用于我国年度航空客运量的预测中.首先,采用SSA方法对原始时间序列进行分解和重构,得到一个剔除噪声的时间序列,然后将其作为单整自回归移动平均模型(ARIMA)、支持向量回归模型(SVR)、Holt-Winters方法(HW)等单一模型的输入并进行预测,接着再采用加权平均集成预测方法(WA)将三种单一模型的预测结果进行综合集成.通过与各单一模型、基于经验模态分解方法(EMD)的模型以及简单平均集成预测方法(SA)的预测结果进行对比发现,本文所建模型具有较高的预测精度和较稳定的预测表现.最后,采用本文的模型对我国2014-2016年年度航空客运量进行了预测.     

基于SOM和SVM的遥感图像目标识别

提出了一种基于自组织特征映射 (SOM)神经网络和支撑矢量机 (SVM)相结合的遥感图像目标识别方法。该方法首先利用SOM对目标进行聚类 ,然后应用SVM方法对其进行分类识别。最后将该方法应用于二值遥感图像的目标识别 ,与仅用支撑矢量机方法的识别结果进行了比较 ,结果表明 ,这一方法对二值遥感图像目标具有很好的分类识别效果 ,且训练时间大幅度缩短。     

基于灰色相关向量机的故障预测模型

针对样本数据量较小条件下的故障预测问题,提出了一种灰色相关向量机（relevance vector machine, RVM）故障预测模型。在模型的训练阶段,根据特征数据序列建立其离散灰色模型（discrete grey model, DGM）,以DGM的预测值作为输入、原始数据序列作为输出,训练得到RVM回归预测模型;在模型的预测阶段,由建立的DGM和RVM回归预测模型组合得到灰色RVM故障预测模型,并通过引入新陈代谢过程,不断更新数据中的信息。实验结果表明,模型的预测性能优于传统的灰色预测模型。     

v支持向量回归用于退化轨迹建模

针对小样本情形下的退化轨迹建模问题,为解决用ε-支持向量回归(ε-support vector regression,ε-SVR)建模时不敏感参数ε不易选择的难题,提出一种基于v支持向量回归(v-support vector regression,v-SVR)的退化轨迹建模方法,并用遗传算法优化模型参数以提高建模精度。参数v-与支持向量和错误样本点的个数有关,根据这一性质确定v的取值范围,并实现对支持向量或错误样本点个数的控制。对疲劳裂纹增长数据的实例分析表明,所提方法不仅便于确定参数,而且相对于以往文献的方法有更高的建模精度。     

基于模糊机会约束SVDD的故障诊断方法

针对使用不确定性数据进行多故障模式诊断问题,以模糊事件的可能性测度为基础,提出一种基于模糊机会约束支持向量数据描述的诊断方法。为有效地求解故障分类模型,提出模糊机会约束规划的对偶规划,根据贯序最小算法 (sequential minimal optimization,SMO)思想提出快速训练算法,利用支持向量数据描述使用一类数据求解分类面的优势,构建多类分类器。数值试验表明,本方法可以有效处理基于不确定数据的故障诊断问题,在故障类别较多的情况,速度有较大提高,具有一定实践意义。     

合成孔径声纳三维数据仿真研究

提出了一种基于声线追踪技术的合成孔径声纳三维数据仿真模型。此仿真模型包括四个部分,即三维运动轨迹下点目标回波模型、基于三角面元的声线追踪和目标阴影区域计算模型、基于棱锥的波束照射区域计算模型、发射和接收波束指向性及目标散射特性等其它因素对合成孔径声纳回波数据的影响模型。点目标和体目标数据仿真结果表明此仿真模型可行,尤其是体目标仿真结果的阴影特征逼真,可以为合成孔径声纳信号处理、图像判读和目标自动识别研究的提供有力支持。     

基于D-S融合证据的决策新方法

针对现有基于D-S融合信息进行决策存在的问题,提出一种基于不确定融合证据的决策方法.该方法结合基元属性和非基元属性进行决策.首先给出了对候选决策集进行精简的原则,建立了焦元属性对目标决策属性的属性层面支持度以及证据层面支持度计算模型;然后对决策属性的决策向量、决策矩阵、理想状态向量进行定义,给出决策属性总体支持度的计算方法;最后对多源目标识别融合结果进行决策分析.结果证明了该方法的合理性与有效性,它同时具有对高冲突证据融合结果与低冲突证据融合结果的决策能力.     

基于压缩感知的多核稀疏最小二乘支持向量机

为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。     

基于支持向量机的低空飞行目标声识别

目标识别是战场低空飞行目标声预警技术的核心内容之一。为了满足声预警系统的要求,建立的识别器必须高效、具有较好的推广能力。采用了一种新的分类器一支持向量机对目标进行了分类识别。首先简要描述了直升机、巡航导弹的声信号特性,说明了支持向量机的原理。以自回归模型参数为特征向量对3种直升机、一种巡航导弹共4类目标进行了识别,并同一种前向反馈神经网络进行了识别比较。支持向量机和该神经网络得到的识别率分别为88.1%和84.1%,结果表明此方法的有效性。最后分析了两种分类器识别错误的原因,给出了提高识别率的建议。