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.     

基于支持向量机的糖尿病预测模型研究

糖尿病是一种严重危害人类身体健康的疾病,早发现、早诊断、早治疗才能降低其并发症的可能性和致死率.数学预测模型可有效解决上述问题,为临床提供帮助性信息,进行更快速、有效、准确的疾病诊断.据此,提出一种基于支持向量机的糖尿病预测模型.该模型采用径向基核函数解决非线性数据在高维特征空间中线性可分的问题,利用交叉验证和网格参数寻优法确定模型的最优惩罚参数(C)和核参数(g).针对Pima Indians Diabetes数据集,构建的支持向量机预测模型最终的测试集分类准确率为78.39%,模型敏感度和特异度分别为50%和93.6%.实验结果表明,该模型的分类准确率得到了提升,模型性能良好.     

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。     

基于支持向量机的客户流失预测模型

客户流失预测是不确定的、非线性的复杂系统,传统方法往往难以准确描述这种非线形特性,而支持向量机能够解决线性及非线性分类问题并且具有全局收敛性和良好的推广能力.因此,本文采用支持向量机的智能化新技术建立客户流失预测系统模型.实证表明该模型具有良好的预测能力和较强的实用性.     

基于遗传优化支持向量机的软件缺陷预测模型

有效的软件缺陷预测能够显著提高软件安全测试的效率,确保软件质量,支持向量机(support vector machine,SVM)具有非线性运算能力,是建立软件缺陷预测模型的较好方法,但其缺少统一有效的参数寻优方法。本文针对该问题提出一种基于遗传优化支持向量机的软件缺陷预测模型,将支持向量机作为软件缺陷预测的分类器,利用遗传算法进行最优度量属性的选择和支持向量机最优参数的计算。实验结果表明,基于遗传优化支持向量机的软件缺陷预测模型具有较高的预测准确度。     

基于遗传算法与支持向量机的水质预测模型

水质预测是众多水务相关问题的重要内容之一,通过水质预测,可以发现水质恶化的预兆,方便决策者提前采取措施.依据常见的水质数据,使用基于遗传算法与支持向量机的水质预测模型在实际应用环境下自行适配污染物权重,提高预测准确率.本模型首先使用遗传算法,训练当前数据的特征权重向量,使得权重适配当前预测问题,然后使用该特征权重向量应用于SVM模型训练.在以重庆某污水处理厂数据为对象进行实验后,验证了该模型在实际应用中的可行性,为水质预测提供了一种新思路.     

基于支持向量回归机的中国碳排放预测模型

选取人口、城镇化率、人均GDP、服务业增加值比重、单位GDP能耗、煤炭消费比例等6项影响因素作为自变量,运用支持向量回归机方法构建中国碳排放预测模型。以1980—2009年碳排放及影响因素数据为样本,通过训练、测试得到具有良好学习与推广能力的支持向量回归机模型。结合"十二五"规划,设置不同情境下影响因素预测值,对2010—2015年中国碳排放进行预测。预测结果表明,中国可适当降低GDP增速,不断优化能源结构,以确保碳减排目标的有效实现。     

基于支持向量机岩溶塌陷的智能预测模型

在综合分析了各种岩溶塌陷预测方法和介绍支持向量机的基础上,提出基于支持向量机的岩溶塌陷预测方法,运用Matlab语言编程,建立了相应的岩溶塌陷预测模型.以已有的岩溶地面塌陷实例为学习样本,进行学习测试,得到训练效果较佳的预测模型,并用此模型对某市岩溶塌陷进行预测.结果表明,支持向量机预测模型具有较高精度,在岩溶塌陷预测研究中具有广阔的应用前景.     

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。     

基于支持向量机的海南气温预测模型研究

依据CMSVM2.0函数估计和交叉验证1等方法,利用1970~2014年海南省各市县月平均气温资料,建立气温的SVM回归方法预报模型,并进行了模拟实验.实验结果表明支持向量机算法在气温短期预测中具有良好的预报能力,其中交叉验证1的预测效果略高于业务预报,尤其在冬季、夏季和秋季均有较好的预报能力.此外,SVM对海南省北部、西部、南部市县的预报效果较好,而对中东部市县的预报效果相对较差.     

云计算环境的并行支持向量机

针对基于GPU和MPI并行的支持向量机（SVM）算法不适合于云计算环境,设计了一种基于多级SVM的并行支持向量机模型,实现了云计算环境下的序列最小优化（SMO）的并行算法。该算法通过MapReduce系统将大规模训练数据集划分为若干小训练集,再由这些小训练集开发多级的SVM,最后收集每一个SVM最优超平面附近的样本数据来训练另一个新的SVM。实验结果表明,该算法在时间消耗与分类正确率等综合方面比单机算法和传统并行算法获得更好的效果。     

基于改进型支持向量机的胶接强度预测模型

文章建立了有限元模型计算复合材料修复的含中心裂纹钢板的裂纹处应力强度因子(stress intensity factor,SIF),把仿真结果作为训练样本;提出通过支持向量机(support vector machine,SVM)对样本集进行训练和预测,建立基于复合材料补片尺寸参数的胶接强度预测模型,综合考虑补片的长度...     

基于最小二乘支持向量机的交通流量预测模型

城市交通流具有复杂性、时变性和随机性,实时准确的交通流量预测是实现智能交通诱导及控制的前提.综合分析交通流量影响因素的基础上,进行多路段的交通流量预测研究,提出了基于最小二乘支持向量机的交通流量预测改进模型,并应用平安大街的流量数据进行实例验证.结果表明,该模型具有学习速度快、跟踪性能好及泛化能力强等优点,在交通流预测中更具有实用性和推广性.     

基于灰色关联支持向量机的中国粮食产量预测模型

研究我国粮食生产系统的变动规律,做好粮食产量科学预测不仅是制定农业政策的重要依据,而且对于保证我国的粮食安全具有重要意义。鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后根据支持向量机回归原理,建立了基于灰色关联支持向量机的预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于粗糙集支持向量机的科技项目财务预测模型

引入粗糙集和支持向量机理论对企业的财务状况进行分析和预测,建立了财务预测模型,为决策者在科技项目立项前后的监督和管理提供支持.     

基于ν-支持向量机的时用水量预测模型

为解决BP神经网络结构较难确定以及过学习的问题,在对时用水量序列进行相关分析的基础上,建立了基于ν-支持向量机(ν-SVM)的时用水量预测模型.ν-sVM算法通过引入参数ν代替传统支持向量机算法的不敏感系数ε,有效地控制支持向量个数.实例分析结果表明,与基于BP网络的预测模型和基于传统SVM的预测模型相比,基于ν-SVM的时用水量预测模型建模速度更快,预测精度更高.     

基于支持向量机的烧结能耗及性能指标预测模型

针对烧结过程中能耗和性能指标预测方法精度不高、训练时间长的问题,首先,在总结当前预测建模方法的基础上,将回归型支持向量机(support vector machine for regression,SVR)引入烧结生产系统,分析了2种建模模式;然后,给出基于SVR预测建模一般流程;最后,以某大型钢铁企业为例进行验证,并与传统的多元线性回归、反向传播(back propagation,BP)神经网络、径向基函数(radical basis function,RBF)网络和极限学习机(extreme learning machine,ELM)等预测方法在相同模式内和不同模式间进行比较.结果表明,SVR方法可快速获得理想的预测结果,在预测精度和时间效率上具有优势.     

基于灰色关联支持向量机的中国粮食产量预测模型

研究我国粮食生产系统的变动规律,做好粮食产量科学预测不仅是制定农业政策的重要依据,而且对于保证我国的粮食安全具有重要意义。鉴于粮食生产系统的复杂性和信息不完全性,在对粮食生产系统灰色关联分析的基础上,确定出影响粮食产量的主要因子,然后根据支持向量机回归原理,建立了基于灰色关联支持向量机的预测模型。预测结果表明该模型具有较高的预测精度,为粮食产量预测提供了一条新的途径。     

基于支持向量机的泄爆压力峰值预测模型

在现有的气体爆炸泄爆实验及理论研究的基础上,归纳总结泄爆过程中影响容器内压力峰值的主要因素,将这些因素作为输入,对压力峰值与各因素之间的内在非线性关系进行模拟,提出一种基于支持向量机的容器内气体爆炸泄爆压力峰值预测方法。对模型的有效性及预测性能进行验证,表明模型预测的结果与实验值基本一致;将模型的预测性能与现有的经验、半经验公式以及泄爆设计准则进行对比,表明建立的模型具有较高的准确性,为容器泄爆设计提供了一种新的途径。     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。