基于支持向量机的石油需求预测

支持向量机是基于结构风险最小化原理的一种学习技术,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.利用支持向量回归机对我国石油需求量进行预测,并通过实验与神经网络的预测结果进行比较,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。     

基于灰色关联支持向量机的混凝土抗压强度预测

混凝土抗压强度预测是一个动态的系统工程,其精度受到多种高维非线性、随机性因素的影响.为有效提高混凝土抗压强度的预测精度,在分析支持向量机的基础上,构建了基于灰色关联支持向量机的混凝土抗压强度预测模型.该模型基于灰色关联分析确定混凝土抗压强度的主导因素,然后通过支持向量机建立其与变量之间的非线性映射关系,同时利用网格搜索算法对支持向量机进行参数寻优.仿真结果表明:与单纯支持向量机和BP神经网络模型预测结果相比,基于灰色关联支持向量机的预测模型更为有效可靠,为提高混凝土抗压强度预测精度提供了新的途径.     

基于ABC-SVM的软基沉降预测研究

沉降预测一直是地基工程的一个重点研究项目.软土具有天然含水量高、塑性指数大、黏粒含量高等特殊的工程特性,因此,建立在软土上的地基沉降难以预测,对于工程建设有一定的隐患.支持向量机在解决样本数量小、非线性问题上有其特有的优势.利用人工蜂群算法对支持向量机的参数进行优化后建立SVM模型,对木兰溪防洪工程的沉降问题进行预测,将其预测结果与传统的支持向量机模型以及曲线拟合预测方法结果进行对比.最终证明了ABC-SVM模型在软基沉降预测上的可用性.     

基于进化支持向量机的滑坡地下水位动态预测

地下水位动态预测对滑坡稳定性评价具有关键作用.滑坡地下水位演化过程是一个受水文地质条件控制,并受降雨、库水和气温等多种影响因素综合作用而发展演化的非线性动力系统,地下水位与其影响因素之间存在非线性响应关系.以三峡库区白家包滑坡地下水位监测数据为例,在深入分析滑坡地下水位变化特征及其与影响因素响应关系的基础上,利用非线性智能遗传算法和支持向量机建立进化支持向量机耦合模型,并对地下水位进行预测,其预测结果的均方差和相关系数的平方分别为0.013和0.929,说明预测结果与实测值较吻合.选择神经网络模型进行对比,耦合模型的均方差小154％,而相关系数的平方大10％.综合表明进化支持向量机耦合模型具有较好的拟合和泛化能力,是一种行之有效的滑坡地下水位预测方法.     

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。     

基于灰色关联支持向量机的地表沉降预测

基于隧道地表沉降是一个非常复杂的系统工程,受到多种高维非线性、随机性和有限样本等因素的影响,提出隧道地表沉降预测的灰色关联支持向量机分析方法.该方法基于灰色关联分析确定影响沉降量的主要因子,利用学习样本构建数值模型,并通过支持向量机学习建立沉降与随机变量之间的非线性映射关系.为避免人为选择参数的盲目性,采用模拟退火算法搜索支持向量机核函数和参数,进而对未来的变形进行预测.通过对工程实例样本进行学习和预测,并将误差结果与单一的支持向量机模型进行对比.研究结果表明:该方法科学可靠;可用于含有大量随机变量的隧道沉降分析.     

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.     

泥化夹层残余强度的支持向量机预测

基于夹于互层内的泥化夹层残余强度关系的复杂性和非线性等特点,利用支持向量机的结构简单,学习性能出色和有较强的推广性等优点,采用支持向量机方法进行预测,通过对已有实例样本的学习,建立了泥化夹层残余强度与其各影响因素之间的高度非线性映射关系,然后用样本学到的新关系预测新的泥化夹层残余强度.结果表明:与传统的方法相比,支持向量机方法精度较高,相对误差小,为预测泥化夹层残余强度提供了一条新途径.     

基于人工蜂群算法优化SVM的鱼类毒性预测模型

定量构效关系(QSAR)是预测鱼类急性毒性的常用手段,其中多维构效关系为非线性回归问题,在处理这种非线性问题时往往存在一定的局限性.为了更加准确地预测鱼类急性毒性,本文利用了在非线性情况下表现良好的支持向量机(SVM)进行预测,提出了一种基于人工蜂群算法(ABC)优化支持向量机的鱼类毒性LC50预测模型,并与SVM、G...