基于支持向量机的煤岩界面识别方法

在煤岩识别的研究中采用了基于结构风险最小化的支持向量机,介绍了支持向量机的煤岩界面识别原理,提出一种基于支持向量机的煤岩界面识别方法。     

基于多特征融合预测蛋白质相互作用界面

为高效准确地预测蛋白质相互作用界面,提取了传统特征,并采用多种方法改进进化信息特征,利用特征选择构建了一个14维的预测模型.通过5折交叉验证和独立测试,预测结果表明:该预测模型不仅显著降低特征维度,而且选择的特征组合具有较好的预测能力和较强的泛化能力.     

一种基于支持向量机的蛋白质结构域边界预测方法

提出一种基于支持向量机学习蛋白质结构域的边界预测方法. 在分析多序列比对结果的基础上, 定义了几种能够直接或间接反映蛋白质结构属性及结构域信息的新方法. 结果表明, 蛋白质序列信息预测边界信号的正确识别率达85%以上, 具有较好的泛化能力.     

基于支持向量机方法预测神经毒素

神经毒素是一种应用非常广泛的毒素,因此有必要提出一种能够快速、准确预测神经毒素的算法.这里基于神经毒素蛋白质序列的n肽组分和序列的亲疏水性分布信息,提出了一种离散增量结合支持向量机的ID-SVM的算法,对神经毒素和细胞毒素进行了预测.为了将ID-SVM的预测算法和其它的预测算法进行比较,将ID-SVM算法应用到Saha和Raghava构建的神经毒素和非神经毒素的数据库上.预测结果显示,ID-SVM算法的预测结果高于Saha和Raghava所用的算法的预测结果.     

支持向量机程序SVMProt预测SArs病毒蛋白质的功能

对SARS冠状病毒蛋白质功能的有效识剐将有利于促进SARS传染病治疗药物的开发。应用基于支持向量机原理的SVMProt程序识别SARS冠状病毒蛋白质的功能,通过对SARS冠状病毒中2个已知功能的蛋白质功能的成功预测,说明SVMProt能够有效地应用于SARS冠状病毒蛋白质及其他种类蛋白质的功能预测。对SARS冠状病毒中至今仍未知其功能的蛋白质ORFl3的功能进行了预测,结果显示ORFl3是一种可能与DNA结合的核蛋白并兼有病毒体内结构蛋白的功能。     

基于支持向量机的矿井排水量预测

支持向量机是基于结构风险最小化原理的一种学习技术,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.矿井排水量受降雨、河流、含水层等自然因素和煤矿开拓面积的扩大、水平的延伸等人为因素的影响,同时矿井水年排水量是非线性的时间序列.利用支持向量回归机对矿井排水量进行预测,并通过实验与文献[1]利用神经网络预测的结果进行比较,表明支持向量机具有更高的预测精度.     

基于支持向量机的软件可靠性早期预测

文章将支持向量机理论引入到软件可靠性早期预测领域中来,提出了基于支持向量机的软件可靠性早期预测模型;通过对比仿真实验,证实了该模型同传统模型相比,具有预测精度高、泛化能力强及对样本数量的依赖程度低的特点。     

基于支持向量机的需水预测研究

以山西省11年实际用水量为例,17个影响需水预测的因子作为支持向量机模型的输入,需水量作为模型的输出,建立了基于支持向量机理论的非线性需水预测模型;根据预测精度,确定了损失系数ε,惩罚因子C及径向基核函数的宽度σ.采用11年用水量资料,前8年用水量作为训练样本,后3年用水量作为检验样本,3个检验样本的需水总量的相对误差分别为0.91%、1.86%和0.93%.结果表明,在训练样本较少的情况下,支持向量机需水预测模型具有较高的预测精度和较强的泛化能力.     

基于支持向量机的大学生考研预测

目前国内对大学生考研的定性研究居多,很少运用定量的方法建立分析预测模型.本文在参考其它预测体系的基础上,提出了大学生考研预测指标体系.并用三种支持向量机技术对该问题进行了预测,通过具体实例分析获得了较高的预测准确率,得到了不同核下针对该问题的最优预测模型.     

基于支持向量机的铁路客运量预测

提出了一种基于最小二乘支持向量机（LS—SVM）的铁路客运量预测的新方法。1985-2002年的铁路客运量组成整个数据集。前5年的客运量用来预测第6年的客运量,由1985-1999年的客运量建立LS-SVM客运量预测模型。运用建立该模型预测2000-2002年的铁路客运量。结果表明：提出的LS-SVM客运量预测方法是有效的。     

加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器．它使用结构风险最小化原则，给出了实际风险的上界，运用该技巧，较好地解决了学习问题．而神经网络则采用经验风险最小化原则，会出现过学习现象．根据证券指数等时间序列数据的特点即近期数据要比远期数据重要，重要数据点要求比较小的误差而提出了加权支持向量机算法，与径向基神经网络相比较，加权支持向量机在证券指数预测方面表现出了良好的泛化性能。     

GA优化支持向量机用于混沌时间序列预测

介绍了利用支持向量机与重构相空间理论预测混沌时间序列的方法，并以股价时间序列为样本，比较了几种常用核函数的预测能力，实验表明高斯核的预测能力明显好于其它核．使用遗传算法优化了高斯核支持向量机的参数，优化后其预测能力较经验定参方法有明显提高，且好于传统的预测方法．     

支持向量机在股票价格预测中的应用

综合在中国市场上流行的主要几种技术指标,应用支持向量机分类方法,对个股的价格涨跌进行预测分析.以当前几天的技术指标值为输入向量,若下一天的股价上涨则把该向量归为正类,若下跌则把它归为负类.先利用支持向量机对样本进行训练学习,建立一个分类模式,然后根据当天及前3天指标数据对明天股价进行预测,实证结果表明对个股的预测准确率都大于60%.     

支持向量机在地震预测中的应用

利用支持向量机分析了发生在美国加州中部的2次6级以上地震的震前大地脉动.通过对离地震最近的3个地震台站的地震数据进行震前大地脉动分析,结果表明:支持向量机能有效地区分震前大地异常脉动和平静时期的大地脉动,并且随着地震的临近预报准确率逐渐增加;2次地震的震前大地异常脉动分别始于地震前48 h和12 h.分析了加州CI地震台网内的14个地震台站记录的2003年12月22日发生在加州中部的6.4级地震所观测的震前脉动数据,发现处在震中附近的12个地震台站均观测到震前大地的异常脉动,且距离震中附近的断层越近,监测到震前脉动异常的几率越大.对3个观测站进行连续监测,结果表明:监测到大地震(M≥5)所引发的震前脉动异常的概率大于小地震(M＜5).因此,该方法有望发展成为地震预报的一种有效手段.     

基于支持向量机的图像语义提取研究

通过研究自然景观图案的语义分类,分析了不同的核函数和参数优化算法对图像语义分类性能的影响,并用自然景观图片进行了验证。实验结果表明:当核函数为RBF且参数采用网格搜索优化时,SVM的分类效果最优,可实现对自然景观图像的准确分类。此结论对SVM在图像语义分类中的推广应用具有指导意义。     

支持向量机的人脸识别方法

简要介绍了基于统计学习理论中结构风险最小化原则的支撑向量机(SVMs)技术的国内外研究现状,分析了该技术的优越性和存在的某些局限,并提出了该技术的一些改进思路.     

基于LS-SVM的无人机费用预测

无人机费用预测是在装备研制设计阶段就必须考虑的重要问题。针对无人机费用预测小样本、具有不确定性等特点,提出了基于最小二乘支持向量机(LS-SVM,Least Squares Support Vector Machines)的无人机费用预测模型,并应用于研制费用、维修保障费用预测。应用结果表明,LS-SVM具有较高的费用预测精度。     

Predicting and Classifying User Identification Code System Based on Support Vector Machines

In digital fingerprinting, preventing piracy of images by colluders is an important and tedious issue. Each image will be embedded with a unique User IDentification （UID） code that is the fingerprint for tracking the authorized user. The proposed hiding scheme makes use of a random number generator to scramble two copies of a UID, which will then be hidden in the randomly selected medium frequency coefficients of the host image. The linear support vector machine （SVM） will be used to train classifications by calculating the normalized correlation （NC） for the 2class UID codes. The trained classifications will be the models used for identifying unreadable UID codes. Experimental results showed that the success of predicting the unreadable UID codes can be increased by applying SVM. The proposed scheme can be used to provide protections to intellectual property rights of digital images aad to keep track of users to prevent collaborative piracies.