基于PSO—SVR的电力负荷预测

电力系统负荷预测精度直接决定了预测模型的质量.为了降低预测模型输出结果的预测误差,提出了粒子群算法优化支持向量机回归这一智能预测方法.通过对环境温度、节假日、工作日、日期的采集与分析作为模型的输入,以日平均负荷作为模型的输出.最后,通过仿真,对引入粒子群算法的支持向量机回归模型的预测结果进行对比分析.结果表明:优化后的智能模型取得了更为理想的预测结果.     

基于互信息的Web文档聚类方法

由于网络信息的激增,如何充分利用大量的信息,并有效地为Web用户服务成为一个急需解决的问题。相关研究表明利用Web文档聚类的方法可以缩小信息检索的范围,提高查询准确率。通过分析Web文档的特征以及常用Web文档聚类方法的优缺点,提出了一种基于互信息理论的Web文档聚类的方法。在聚类的过程中,计算特征词之间的互信息值,根据阈值判断特征词是否属于同一类别。实验结果表明,该方法与K-Means聚类算法相比较,在准确率和召回率方面均有提高。     

基于隐马尔可夫模型人脸识别的研究

提出了基于HMM的人脸识别方法.根据人脸的特点建立HMM模型,然后采用奇异值分解抽取观察序列.通过对观察向量的仿真结果表明,这种方法在提高识别率和缩短计算时间方面都有很大进步.     

一种基于支持向量机的CFG桩复合地基承载力预测方法

提出一种基于SVM的CFG桩复合地基承载力预测方法并建立相应预测模型.为获得模型参数,对18组CFG桩复合地基试验资料进行训练,训练值与实测值符合较好.用建立的SVM模型对4组CFG桩复合地基试验数据进行预测,预测结果与实测值相差较小.理论分析和实例结果验证表明:基于SVM的CFG桩复合地基承载力预测方法具有较高的预测精度和可靠性.     

基于3种建模法的食源性 ACE抑制二肽 QSAR 研究

以自组建的食源性血管紧张素转化酶（angiotensin I‐converting enzyme ,ACE）抑制二肽为研究样本,采用氨基酸描述子VHSE（principal component score vector of hydrophilicity ,steric ,and electronic properties）对ACE抑制二肽进行表征后,比较偏最小二乘（partial least square regression ,PLS）、支持向量机（support vector machine ,SVM）及主成分分析（principal component analysis ,PCA）‐SVM相结合的3种建模方法对ACE抑制二肽的QSAR（quantitative structure‐activity relationship）建模。结果显示,对于食源性ACE抑制二肽,3个模型的拟合能力无明显差异,SVM模型的预测能力略强;对其进行权重投影分析发现,C末端氨基酸较N末端氨基酸对其活性的影响更为明显。     

具有整数伸缩因子的多变量向量值双正交多小波包

研究多变量向量值双正交多小波包的构造与性质.引进了向量值多分辨分析与多变量值双正交多重小波的概念.给出多变量多重向量值双正交小波包的定义及其迭代方法.运用积分变换与有限群理论,讨论了多变量多重向量值双正交小波包的性质,得到了多变量多重向量值双正交小波包的双正交公式,进而给出多变量向量值函数空间L2（Rs,Cn）的一个新的基底.     

基于PSO和SVM的矿区地表下沉系数预测

研究并建立矿区地表下沉系数的智能预测模型.将粒子群优化(PSO)和回归支持向量机(SVM)方法进行融合.采用PSO算法优化SVM回归估计参数,在简要分析影响地表下沉因素的基础上,建立了基于PSO优化参数的SVM(PSO-SVM)矿区地表下沉系数智能预测模型.以我国典型的地表移动观测站资料作为学习训练样本和测试样本,将计算结果与实际值进行了对比分析,并与改进BP神经网络算法的预测结果进行了比较.结果表明:PSO-SVM方法计算地表下沉系数是可行的,收敛速度更快,计算精度更高.为地表下沉系数的计算探索了一种可行的方法.     

基于判别分析—SVR的民航客运量预测模型研究及应用

为了提高预测民航客运量的能力,考虑到民航客运量与其影响因素之间存在关联, 并利用训练样本与测试样本间的马氏距离对惩罚因子进行加权,改进传统的ε支持向量回归机(SVR),构造了基于进化ε-SVR的“影响因素民航客运量”预测模型.在选择适当的参数和核函数的基础上,对中国民航客运量进行仿真实验,与标准的ε-SVR方法、BP人工神经网络和线性回归方法进行了对比,发现该方法能获得较小的训练相对误差和测试相对误差.     

尺度核函数在最小二乘支持向量机信号逼近中的应用

针对目前常采用高斯核的最小二乘支持向量机(LS-SVM)不能对信号多尺度逼近的问题,提出一种采用尺度核的LS-SVM.首先,在再生核希尔伯特空间的框架下构建了一种点积型的尺度核函数,它满足Mercer条件,并具备平移和扩张的特性,是尺度子空间的一组完备的基.然后,利用拉格朗日乘子法求解LS-SVM逼近的约束规划问题.在结构风险最小化逼近准则下获得了逼近系数.与传统核函数相比,采用尺度核的LS-SVM可以实现多尺度逼近任意信号,且应用时仅需对尺度参数调节选优,简便、实用.实验结果表明:所提算法的逼近性能与小波核性能相当;与传统的高斯核函数相比,其均方根误差提高8.4%.     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.