支持向量回归机预测误差校正方法

针对传统的ε不敏感支持向量回归机(ε insensitive support vector regression, ε-SVR)未充分考虑局部支持向量对回归预测结果的影响,不利于提高回归预测精度的问题,提出了一种εSVR预测误差校正方法。该方法以期望预测值与εSVR回归预测值及局部支持向量间的欧氏距离和最小为目标函数,以ε不敏感损失带(εtube)宽度为约束条件,通过利用高维特征空间中εtube边界上和边界外的局部支持向量对εSVR的回归预测值进行误差校正。利用人工产生的不同分布数据集和UCI数据集进行的仿真结果表明,与传统的εSVR相比,该文方法具有更高的预测精度和更强的泛化能力。     

基于遗传算法优化支持向量回归机的区域物流需求预测

本文采用支持向量回归机对物流需求进行预测,研究SVR在物流需求预测中的可行性。为了建立有效的SVR模型,SVR参数需要精心设置,针对物流需求非线性的特点,本文首次提出用遗传算法(GA)优化支持向量回归(SVR)机进行预测,采用最优参数构造SVR模型。以1990-2015年广西货运量为时间序列数据,实验结果表明,以平均绝对误差(MAPE)和均方差比值(MSE)为精度检验标准,GA-SVR比ARIMA和灰色预测具有更优的预测效果。     

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。     

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)。     

基于支持向量回归机学习的机械臂视觉反馈模糊控制

针对于机器人无标定视觉伺服问题,提出一种基于支持向量回归机(Support Vector Regression, SVR)学习的模糊控制(Fuzzy Logic Control, FLC)方法。FLC直接用于构建图像特征与机器人关节运动之间的非线性映射关系。FLC的模糊基函数用作SVR的核函数,建立FLC与SVR的数学等价关系。SVR从数据中学习的支持向量构建FLC的规则。所有规则来自于数据,因此无需人工设计规则。本文所提出方法充分利用了SVR针对小数据量学习具有较好的泛化性能优势,实验结果表明该视觉伺服控制器在精度上及收敛上均具取得较好性能。     

SVR在传感器故障诊断中的仿真研究

利用回归型支持向量机(Support vector regression，SVR)，设计了一个传感器故障诊断系统。对SVR采用离线训练，在线应用的方法。使用训练好的SVR模拟系统的动态特性，并将输出结果和实际系统输出相比较，从而生成故障残差。仿真结果表明，SVR能够高精度的模拟系统的动态特性，进而生成较高精度的故障残差，有效地保证了传感器故障诊断的准确性。     

SVR在切削颤振状态趋势预测中的应用

针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。     

一种基于SVR的SAR图像自适应滤波算法

针对合成孔径雷达（synthetic aperture radar, SAR）图像相干斑噪声抑制问题,提出了一种基于支持向量回归（support vector regression, SVR）分析的空间域自适应滤波方法。将SAR图像看做连续二维函数,利用SVR方法对其进行逼近。基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法。为了保证精度,选择小波核函数构建支持向量回归机。实验结果表明了该方法的有效性和对经典方法的改进。     

销售量预测的支持向量机建模及参数选择研究

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，也是一种新的具有很好泛化性能的回归方法，针对企业销售量预测问题，利用支持向量机构建其预测模型，对预测模型进行了仿真及对比实验，证实了模型的有效性。并介绍了SVR理论，同时对于SVR模型参数的选择问题进行了研究。     

基于支持向量机的混沌时间序列非线性预测

提出一种新的应用支持向量机回归原理的混沌时间序列非线性预测方法,同时利用自适应的方法对支持向量机的参数进行优化.仿真结果显示支持向量机具有比传统的回归方法更好的泛化能力,预测方法具有很高的预测精度,同时还讨论了支持向量机中参数以及嵌入维数的变化对泛化误差的影响,得出的结论与统计学习理论中的VC维理论相一致.     

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.     

组合聚类与最优核v-SVR融合方法在能源系统应用

针对能源复杂系统样本数量有限、变量维数高、偶合关系复杂等问题,提出了一种组合聚类算法和最优核v-支持向量回归机SVR融合的方法。该方法采用SOM自组织映射神经网络和K-means组合的聚类算法对初始样本集合进行聚类,构成不同核函数的子支持向量回归机SVR模型,再用均方误差标准（MSE）和小误差概率对其各核函数进行优选,得到最优核函数的v-支持向量回归机SVR模型。仿真结果表明,采用这种方法进行能源供需预测是有效的,其精度优于常规的支持向量回归建模方法。

Abstract：

A method of fusion strategy with Optimal Kernel v-SVR （Support Vector Regression） and assembled clustering algorithm was proposed,facing the issues of complex energy system like limited samples,high dimension,complex coupling.The assembled clustering algorithm was used to cluster the initial samples related to energy data to form sub-SVR models based on different Kernel functions,combining Self-Organizing Map （SOM） neural network with K-means algorithm.The Mean Square Error criterion （MSE） and small error probability were used to evaluate the Kernel functions to obtain the optimal Kernel v-SVR model.The simulation results demonstrate that the proposed method is valid for predicting energy supply/demand and its accuracy is superior to the conventional SVR method.     

基于人工蜂群优化的支持向量回归预测方法

针对支持向量回归（support vector regression, SVR）预测方法的参数选择影响其预测效果的问题,提出了一种基于人工蜂群算法的SVR预测模型的参数优化方法,实验结果表明,与传统的粒子群优化算法相比,人工蜂群优化的SVR预测方法能够更有效地克服局部最优解,具有更高的预测精度。将该方法应用于故障状态下飞行器动力装置的滑油金属元素含量时间序列分析,成功地预测出磨损故障的发生。     

基于v-支持向量回归机的盲均衡算法

盲均衡可以看作模式分类问题,每一类由信源字符表的可能输出定义.由于支持向量回归机具有优良的泛化性能,提出了一种基于v-支持向量回归机的盲均衡算法,并且利用加权最小二乘方法求解v-支持向量回归机.计算机仿真结果表明提出的盲均衡算法具有计算复杂度低、适于实际应用的特点.     

基于Matlab支持向量回归机的能源需求预测模型

分析了支持向量回归机在能源需求预测中的优势, 确定了输入向量集合和输出向量集合, 建立了基于Matlab技术的SVR能源需求预测模型. 对我国1985-2008年能源需求相关数据进行模拟与仿真, 并对中国2010年和2020年能源需求量进行预测. 研究结果表明: 一是中国未来对能源的需求量逐渐增加, 从2010年的330400万吨标准煤上升到2020年418320万吨标准煤, 年均增长率为2.39%; 二是在解决我国能源系统小样本. 非线性及高维模式识别问题中SVR比BP神经网络等方法有更高的预测精度.     

一种连续无创血压预测的改进向量机学习方法

因不同人体生理特征的差异性,影响了基于光电容积脉搏波（PPG）和心电信号（ECG）的连续无创血压测量精度,提出一种基于优化的支持向量机模型预测血压的方法。该方法将PPG、ECG及人体特征进行处理并组成特征矩阵,通过水银血压计测得实时血压值,运用主成分分析法和遗传算法改进的支持向量机学习模型对特征矩阵和实时血压值进行回归训练,从而建立最优血压预测模型。实验证明,优化改进支持向量回归血压预测方法比传统支持向量机学习法准确度提升了10%~15%。     

基于遗传算法的支持向量回归机参数选取

针对支持向量回归机(support vector regression,SVR)的参数选择问题,提出了基于遗传算法的SVR参数自动确定方法。分析了SVR各参数对其性能的影响,根据已有的样本集确定遗传算法的搜索区间,然后在该区间内对搜索的参数进行最优选取。为了减少所选参数对训练样本的依赖性,借鉴交叉验证的方法,把训练集分为估计子集,用来选择模型;确认子集选择参数,以推广能力最好的一组参数作为最终参数。将所提出的方法应用于受噪声影响的标准函数,实验结果表明,由该方法所得参数确定的SVR具有较优的预测性能。     

改进的渐进直推式支持向量机算法

针对半监督学习中渐进直推支持向量机(Progressive Transductive Support Vector Machines, PTSVM)算法存在训练速度慢, 回溯式学习多,学习性能不稳定的问题,提出一种改进的渐进直推支持向量机算法---IPTSVM.该算法利用支持向量的信息选择新标注的无标签的样本点,结合增量支持向量机的迭代更新算法, 继承渐进直推支持向量机渐进赋值和动态调整的规则, 与PTSVM相比,不仅在一般情况下提高了分类的精度,而且大大提高了算法的速度.在人工模拟数据和真实数据上的实验结果表明了该算法的有效性.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。