量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

K聚类加权最小二乘支持向量机在分类中的应用

数据分类作为模式识别、故障诊断技术的基础,在实际应用中常常由于系统的非线性、噪声性以及样本的不平衡采集,使得常规的分类算法存在一定的局限性。将最小二乘加权支持向量机用于分类问题,利用K聚类算法分析样本间内在关系从而确定权值系数,可以很好地减小噪声影响,补偿不同类样本数目上的不平衡,减少训练时间,提高分类正确率。通过一个图像识别过程中多类别分类实例,证明了算法在分类问题中的有效性。该方法可以成为现有方法的有效补充分析工具。     

基于粗糙集理论与最小二乘法支持向量机的绝缘子等值附盐密度预测

气象因素和绝缘子的污闪过程存在密切的关系,由于气象因子对绝缘子的等值附盐密度影响复杂,难以建立精确的数学模型,本文提出了一种结合粗糙集理论的最小二乘支持向量机的等值附盐密度的预测模型,首先对多种气象因子进行属性约简,去除了冗余因素,将对等值附盐密度影响最大的因子找出来,并作为模型的输入。实例表明该方法法建模速度快,预测精度高,是一种新型的有效算法。     

基于VAR模型的中国居民消费与经济增长的关系

为研究我国城镇、农村居民消费与经济增长之间的关系,采用我国1978—2008年的经济数据,在构建稳定的VAR模型基础上,通过建立协整方程,运用Granger因果检验方法、脉冲响应函数和方差分解方法,对其进行分析.结果表明:短期内农村居民消费对我国经济增长的拉动明显,长期内城镇居民消费对经济增长有较强的促进作用;城镇居民消费和农村居民消费都是经济增长的强Granger原因,农村居民消费的冲击会影响城镇居民消费,间接地对经济增长的波动产生较大影响.     

新特征选择方法在路面使用性能衰变研究中的应用

为从小样本数据集中获得简单、容易理解的回归函数,并找出影响路面弯沉的因素及其规律,利用基于多项式空间的特征选择方法对路面使用性能衰变进行研究.结果表明:交通流量和降雨量共同影响路面弯沉值,交通流量越大,路面弯沉增加越快,降雨量对路面弯沉的影响较明显;前一年的路面弯沉值对其自身也有影响,可用来反映路段当前的服务状态.     

基于高维空间映射失配补偿方法的说话人确认

针对电话手机语音的文本无关说话人确认中,训练集语音和测试集语音来自不同信道所产生失配而导致系统性能下降的问题,采用一种基于高维空间映射的方法对系统进行补偿.在分析了已有的说话人确认系统的基础上,提出了一种基于特征参数映射支持向量机模型(PSVM)的说话人确认系统.首先用大量已知信道类型的语音训练出信道空间及映射矩阵,然后训练语音和测试语音都通过映射,消除因信道不同而导致的失配影响.在NIST数据库上的实验结果表明,这种方法弥补了训练语音和测试语音的失配,说话人确认系统的性能有了明显的提高.     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于互补型集成经验模态分解和遗传最小二乘支持向量机的交通流量预测模型

交通流是智能交通系统中的关键组成部分,也是交通规划的重要依据。为了提高道路交通流量预测的精确性,提出一种基于互补型集成经验模态分解(complete ensemble empirical mode decomposition,CEEMD)后,采用遗传算法(genetic algorithm,GA)优化参数的最小二乘支持向量机(least square support vector machine,LSSVM)的交通流量预测模型。该模型使用互补型集成经验模态分解原始数据,将分解后的本征模态函数(intrinsic mode function,IMF)分量分别用遗传算法优化参数后的最小二乘支持向量机进行预测,叠加全部IMF分量值作为模型最终的预测结果。通过对美国加利福利亚州某高速公路一个月的交通流量数据进行训练预测,结果表明,该模型平均相对误差仅为6.51%,相较于其他模型拥有更好的预测效果,可为交通流的预测提供一定的参考。     

基于GA-SVM算法永磁同步直线电机变载荷进给位置误差预测

针对永磁同步直线电机精密进给过程中,受到齿槽效应、端部效应及摩擦力扰动等非线性因素的影响,位置误差难以预测问题,提出了一种基于遗传算法(GA)优化支持向量机(SVM)算法永磁直线电机变载荷位置误差预测模型的方法。通过测量各种情况下永磁直线电机在运动过程中的位置变化情况,利用遗传算法优化支持向量机算法建立预测模型。该模型采用实验台运行的正弦轨迹数据为训练样本,三角波轨迹数据为测试样本。选取各种情形的正弦波轨迹数据和三角波轨迹数据进行仿真预测和验证。以各种情况的正弦波信号的指令位置、指令速度和电流作为模型的输入,以三角波信号的位置误差作为输出。结果表明,经过遗传算法优化支持向量机建立的位置误差预测模型,在拟合和预测精度上要优于未经过算法优化的位置误差预测模型。     

曲面上曲线的测地曲率向量的注记

指出测地曲率向量的几何来源意义,给出测地曲率计算公式和刘维尔公式的直接推导.