基于混合核函数SVM水文时序模型及其应用

核函数的选取与构造是SVM应用的关键所在.传统SVM在水文时序分析方面的应用多是默认选取单一径向基核函数,而忽略了核函数的选择对模型精度和预测结果的影响.本文基于Mercer核理论,将多项式核与径向基核进行线性组合,构造出混合核函数,并植入SVM中,对水文时序建立自回归预测模型.基于武山站和南河川站的月径流预测结果表明,预测序列的相对误差及均方误差明显优于任一单一核函数.这是由于混合核函数能够更好地适应并处理复杂的水文时序变化,因此提高了预测精度.该研究为利用SVM解决复杂多变的非线性水文时序提供了新的探索模式.     

基于双正交小波混合核KPCA-SVM财务危机预警研究

目前基于核主成分分析方法(KPCA)以及支持向量机(SVM)的财务危机预警模型中,所使用的核函数基本都是单核函数。混合核函数能够充分利用不同核函数的特征映射能力,在处理非线性关系时较单核函数具有更优越的性能。基于双正交小波在非线性信号处理方面的良好性能,构造了一类新的双正交小波核函数并证明其满足正定核的容许性条件,在此基础上,构造了新的双正交小波混合核函数。提出了基于双正交小波混合核函数的KPCA-SVM财务危机预警模型,并以我国证券市场上市公司为对象进行实证研究。结果表明,所构造的双正交小波混合核函数能够有效改进KPCA的特征提取性能并提高SVM模型的预测精度,显著改善了财务危机预警精度。     

SOFC的支持向量机(SVM)辨识建模

为了便于固体氧化物燃料电池(SOFC)的性能预测和控制方案设计,提出一种基于支持向量机(SVM)的建模方法,用具有RBF核函数的SVM建立了SOFC电池堆的非线性模型.应用仿真对所建SVM模型的有效性和精度进行了检验,并与BPNN模型的辨识效果进行了比较.仿真结果证明与BPNN模型相比,SVM模型具有较高的建模精度.该SVM辨识模型的建立,对SOFC系统的控制策略研究具有一定的实用价值.     

基于四阶累积量与核Fisher判别分析的MPSK信号分类方法

提出了一种基于高阶累积量和核Fisher判别分析的MPSK信号自动调制识别方法。该算法选取信号的四阶累积量作为分类特征,利用核函数的思想把特征向量映射到一个高维空间,并在高维空间中采用线性Fisher判别分析实现了数字信号的分类。选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳健的多类核Fisher判别分析分类器。计算仿真结果表明,基于核Fisher判别分析的分类器具有良好的性能,它与支持向量机的分类精度相当,且训练时间较短。     

系统辨识中支持向量机核函数及其参数的研究

具有不同核函数和参数的支持向量机（SVM）的性能存在很大差异，核函数及其参数的选择是SVM应用和理论研究中的一个重要问题。在简要介绍非线性系统辨识的支持向量机方法后，重点对常用的核函数及其参数的选择进行了研究，并采用具有不同核函数的SVM进行非线性系境辩识。大量实验结果表明，采用SVM方法进行系统辨识时，径向基核函数（RBKF）比其它核函数的辨识效果好，且RBKF的参数选择较容易，当参数在有效范围内改变时，空间复杂度变化小，易于实现。因此，RBKF是系统辨识SVM的较好选择。     

考虑全过程优化的支持向量机预测方法

针对支持向量机（support vector machine, SVM）预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后，通过案例运算和分析,证明该文方法具有更高的预测精度。     

Kohonen自组织网络在混沌时间序列预测中的应用

研究Ｋｏｈｏｎｅｎ自组织神经网络在构造径向基函数预测模型时的应用，并通过例子研究了混沌时间序列的短期预测和长期预测问题.     

水文序列ARIMA模型应用中存在的问题与改进方式

经典的ARMIA模型应用是对水文过程年际月变化所形成的时序数据进行计算处理,而忽略了水文过程平稳性检验和月际年变化对时序预测结果的影响.本文在对这一问题讨论的基础上,基于聚类提取分类后月份的特征,利用回归分析建立特征量和月水文数据间的关系,通过差分对特征量时序做平稳性处理,使用ARIMA模型按类预测特征量,由此,提出了一种新的挖掘水文时序月际年变化信息的方法,建立了改进的ARIMA模型及预测方法.作者以兰州降水站为例进行了应用验证,研究结果表明,改进后的ARIMA模型的精度要明显高于季节ARIMA模型,其平均残差达到了9.41,预报精度提高了21%,效果十分明显.最后就改进后的ARIMA模型的应用给出了进一步的研究方向.     

Kohonen自组织网络在混沌时间序列预测中的应用(Ⅱ)

继续探讨 Kohonen自组织神经网络在构造径向基函数预测模型时的应用 ,研究了该模型对含有噪声的混沌时间序列的预测问题以及与嵌入维数的关系 .     

模式分类方法研究

分析了模糊K-近邻方法FKNN,研究了模糊最小最大神经网络FMMNN分类方法,然后深入分析了支持向量机SVM原理,并在此基础上给出了一种改进的径向基核函数。基于IRIS数据,进行了计算机仿真实验,结果表明,改进的SVM方法分类性能比模糊最小最大神经网络与模糊K-近邻算法的分类性能更好,且运算时间更短,更易于实时实现。     

基于修正核函数SVM的网络入侵检测

支持向量机分类方法在小样本、非线性情况下具有较好的泛化性能,在入侵检测系统中有着广泛的应用。针对入侵检测过程中可能出现的由两类样本不平衡造成的分离超平面偏移现象,以核函数所蕴含的黎曼几何为依据,引入一个伪一致性变换函数,对核函数进行修改,提高支持向量机的分类泛化能力,建立基于支持向量机的网络入侵检测系统,并对系统总体结构和运行机制进行了详细的描述。实验仿真表明,该系统可有效地提高入侵检测的准确率,改善由于数据集不平衡造成的支持向量机分类偏移的情况。     

Prediction and analysis of chaotic time series on the basis of support vector

Based on discussion on the theories of support vector machines （SVM）, an one-step prediction model for time series prediction is presented, wherein the chaos theory is incorporated. Chaotic character of the time series is taken into account in the prediction procedure; parameters of reconstruction-detay and embedding-dimension for phase-space reconstruction are calculated in light of mutual-information and false-nearest-neighbor method, respectively. Precision and functionality have been demonstrated by the experimental results on the basis of the prediction of Lorenz chaotic time series.     

支持向量机在导弹动力系统推力预测中的应用

应用改进型支持向量回归算法ν-SVR,研究了导弹动力系统推力预测问题,讨论了不同核函数和惩罚因子对推力预测的影响。发现选用多层感知器核函数和适当的惩罚因子时,得到的预测模型稳定性好,并且训练时间和预测误差相对较小;同时与BP神经网络模型进行了对比研究,仿真结果表明,支持向量机能够更好地预测发动机推力,是一种研究小样本情况下推力预测的有效方法。     

基于支持向量机的个人信用评估模型及最优参数选择研究

运用基于支持向量机理论试图建立一个新的个人信用评估预测方法,以期取得更好的预测分类能力.为了达到这个目标及保证可靠性,研究中使用网格5-折交叉确认来寻找不同核函数的最优参数.为了进一步评价SVM分类准确性,我们在本文最后对SVM方法与线性判别分析,Logistic回归分析,最近邻,分类回归树及神经网络进行了比较,结果表明,SVM有很好的预测效果.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

Modified L-P小波最小二乘支持向量机及在动态系统辩识中的应用

为了提高动态系统的辩识品质,提出了-种新的可调带宽多维支持向量小波核函数-modifiedL-P小波核函数.理论E证明了这种核函数是满足平移不变核定理的支持向量核函数.由于该核函数具有平移伸缩正交性,而且适用于信号的局部分析、信噪分离和突变信号的检测,从而提升了支持向量机的泛化性能.应用Modified L-P小波核作为最小二乘支持向量机的核函数,可以简化计算复杂性,提高学习效率.回归实验和动态系统辩识的仿真结果表明,Modified L-P小波核函数最小二乘支持向量机的建模和逼近能力优于基于L-P小波核函数或高斯核函数最小二乘支持向量机,更适合工程应用.     

基于自适应变异PSO-SVM的APU性能参数预测模型

为提高辅助动力装置(auxiliary power unit, APU)性能参数预测的精度,针对支持向量机(support vector machine, SVM)模型在实际使用中遇到的参数选择问题,采用自适应变异粒子群优化(particle swarm optimization, PSO)算法实现对SVM惩罚参数和核参数的优化选择,提出一种基于自适应变异PSO算法优化SVM的APU性能参数预测模型。进一步分析了预测模型不同预测步长对短期预测精度的影响。利用某型APU性能参数数据进行了验证,并与多种预测模型进行了对比实验。实验结果表明,对于排气温度(exhaust gas temperature, EGT)的预测,自适应变异PSO-SVM模型的平均绝对百分比误差(mean absolute percentage error, MAPE)比标准PSO-SVM模型低47%;对于滑油温度(oil temperrature, OT)的预测,自适应变异PSO-SVM模型的MAPE比标准PSO-SVM低29%,为短期APU性能变化趋势预测提供了一定的参考。     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.