基于小波核LS-SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义.支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题.介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力.通过对实测网络流量数据的学习,对未来网络流量进行预测.实验结果表明,取得了较好的预测效果.     

基于小波核LS—SVM的网络流量预测

网络流量预测对大规模网络管理、规划、设计具有重要意义。支持向量机方法是近年来发展起来的新型机器学习算法,用于解决高度非线性分类及回归问题。介绍了基于小波核最小二乘支持向量机的网络流量预测方法,利用小波核函数的多分辨特性提高了支持向量机的非线性建模能力。通过对实测网络流量数据的学习,对未来网络流量进行预测。实验结果表明,取得了较好的预测效果。     

基于PSR-LSSVM的网络流量预测

为了提高网络流量预测精度,利用相空间重构和预测模型参数间的相互联系,提出一种遗传优化最小二乘支持向量机的网络流量预测方法。首先将相空间重构和最小二乘支持向量机参数作为遗传算法的个体,将模型预测精度作为个体适应度函数,然后通过遗传操作获得模型全局最优参数,最后通过网络流量仿真实验进行性能测试。结果表明,相对于传统预测方法,遗传优化最小二乘支持向量机提高了网络流量的预测精度,为网络流量预测提供了一种新的研究思路。     

基于自适应遗传算法LS-SVM的网络流量预测

网络流量受众多因素的影响并且具有复杂的非线性特点,因此网络流量的预测和分析是一个很复杂的问题,最小二乘支持向量机能够成功地解决非线性问题并应用于网络流量的预测和分析.提出一种最小二乘支持向量机模型,将自适应遗传算法用于最小二乘支持向量机参数寻优,并将该模型用于网络流量的预测和分析.对比实验表明,基于最小二乘支持向量机的网络预测模型具有更强的预测能力,在网络流量预测中有一定的实用价值.经实例验证,该模型预测精度高.     

一种新型的多元分类支持向量机

最小二乘支持向量机采用最小二乘线性系统代替传统的支持向量机采用二次规划方法解决模式识别问题。该文详细推理和分析了二元分类最小二乘支持向量机算法，构建了多元分类最小二乘支持向量机，并通过典型样本进行测试，结果表明采用多元分类最小二乘支持向量机进行模式识别是有效、可行的。     

网络流量预测的组合方法研究

网络流量是一种典型的时间序列数据,具有很强的滞后性和后效性。针对当前滞后阶数确定方法存在局部最优,耗时长等缺陷,提出一种网络流量组合预测方法(GS-GA-LSSVM)。首先采用地统计学(GS)快速确定网络流量的最优滞后阶数,然后根据滞后阶数对网络流量进行重构,最后采用遗传算法(GA)优化最小二乘支持向量机LSSVM(least square support vector machine)对网络流量进行建模预测。仿真结果表明,GS-GA-LSSVM对网络流量的预测精度优于参比模型,更能反映网络流量复杂的动态变化规律。     

基于ACO-LSSVM的网络流量预测

为了提高了网络流量的预测精度,提出一种蚁群算法（ACO）优化最小二乘支持向量机（LSSVM）参数的网络流量预测算法（ACO-LSSVM）。将LSSVM算法参数作为蚂蚁的位置向量,采用动态随机抽取的方法来确定目标个体引导蚁群进行全局搜索,并在最优蚂蚁邻域内进行小步长局部搜索,找到算法的最优参数,建立了基于ACO-LSSVM的网络流量预测模型。仿真结果表明,相对其他网络流量预测算法,ACO-LSSVM算法提高了网络流量预测精度,更能准确地描述网络流量变化规律。     

基于PSO-LSSVM的网络流量预测模型

为了提高网络流量的预测精度,考虑到网络流量的长相关、非线性等特性,提出一种粒子群算法优化最小二乘支持向量机参数的网络流量预测模型（PSO-LSSVM）．首先将最小二乘支持向量机参数作为粒子的位置向量,然后利用粒子群算法找到模型的最优参数,最后采用最优参数最小二乘支持向量机建立网络流量预测模型．仿真结果表明,相对于参比模型,PSO-LSSVM能够获得更高的网络流量预测精度,更能准确描述网络流量变化规律．     

基于ELM-LSSVM的网络流量预测

为了对网络流量进行准确预测,针对传统极限学习机的“过拟合”不足,提出一种极限学习机和最小二乘支持向量机相融合的网络流量预测模型（ELM-LSSVM）。该模型通过相空间重构获得网络流量的学习样本,引入最小二乘支持向量机对极限学习进行改进,并对网络流量训练集进行学习,采用仿真实验对模型性能进行测试。结果表明,ELM-LSSVM提高了网络流量的预测精度,实现了网络流量准确预测,并具有较强的实际应用价值。     

基于最小二乘支持向量机的桥梁应变丢失数据重构

针对桥梁工程结构健康监测系统中,测量信号的物理量类型不同,提出了一种新型的信号关联度计算方法,用来分析与传感器丢失数据相关联的信号,由最小二乘支持向量机分别对丢失信号数据实现同类型变量和不同类变量重构,以恢复丢失数据。桥梁监测数据的试验仿真分析表明,所提出的关联度计算法和重构方法是正确、有效的,且在实际监测系统中具有很强的参考和应用价值。     

交通流异常数据检测研究及实证

针对道路交通系统实时交通流数据普遍存在的异常现象,提出一种基于最小二乘支持向量机的交通异常数据检测方法。运用相空间重构技术,将时间序列数据转换为矢量数据。运用训练数据构建基于最小二乘支持向量机的回归估计模型,通过计算实际值与预测值之间的残差来判别异常数据。以成都市一环路北二段进行实证研究,并与传统检测方法比较分析,结果证实该检测方法的有效性。     

基于FCM-LSSVM网络流量预测模型

为了提高网络流量的预测准确性,针对训练样本选取问题,提出一种训练样本选择的最小二乘支持向量机网络流量预测模型（FCM-LSSVM）。采用模糊均值聚类算法对网络充量数据进行了聚类分析,消除其中的孤立样本点,构建最小二乘支持向量机的训练集,然后将训练集输入到最小二乘支持向量机进行了学习,并采用人工蜂群算法对模型参数进行了优化,最后建立建立网络流量预测模型,并采用仿真实验对模型性能测试。仿真结果表明,相对于其他网络流量预测模型,FCM-LSSVM不仅提高了网络流量的预测精度,而且建模速度得以提高,获得了更加理想的网强流量预测结果。     

基于支持向量机识别嗜热和常温蛋白的研究

采用支持向量机对嗜热和常温蛋白进行模式识别并和偏最小二乘回归比较。结果表明,当惩罚因子C为1,核函数选取线性函数,不敏感常数epsilon取0．01时,经320组数据训练,支持向量机预测的平均正确率为84．9％,后者为86．8％。经1720组数据训练,支持向量机对嗜热蛋白预测正确率达97．4％,对常温蛋白预测的正确率为84．2％,平均90．8％。建立了一种基于序列的识别嗜热和常温蛋白的新方法。     

基于大数据的配电网运行线损异常诊断模型构建

该文针对当前配电网运行线路损耗异常无法甄选异常候选集且诊断不精准的问题,构建配电网运行线损异常诊断模型。采用了一种新的自适应函数,获取最小碰集的线损电量。通过长短时记忆网络方法预处理线损电量数据,获取日线损序列。结合最小二乘支持向量机将序列转变为优化求解问题,通过求解参数构建线损异常诊断模型。计算测试结果与实际结果之间线损误差,确定线损严重程度。由算例仿真结果可知,该模型线损电量统计结果与实际数据存在最大为0.1 MW的误差,说明使用该模型诊断结果精准。     

离散数据拟合模型的研究与实现

最小二乘支持向量机引入到离散数据拟合中,代替传统的最小二乘法解决离散数据拟合问题。推导了用于函数估计的最小二乘支持向量机算法,构建了基于最小二乘支持向量机的离散数据拟合模型,并对电机数据拟合进行了研究。结果表明,最小二乘支持向量机拟合离散数据比最小二乘法精度更高、拟合效果更好。     

基于最小二乘支持向量机的油气判别技术

最小二乘支持向量机是支持向量机的一种变型,它用线性方程组来替代原始支持向量机的二次规划.本文将最小二乘支持向量机应用于油气勘探开发中的油气判别,提出了基于最小二乘支持向量机算法的油气判别技术.储集层油气横向预测和测井资料油气判别的试验结果证明了本文方法的有效性.     

最小二乘支持向量机算法研究

1 引言支持向量机(SVM,Support Vector Machines)是基于结构风险最小化的统计学习方法,它具有完备的统计学习理论基础和出色的学习性能,在模式识别和函数估计中得到了有效的应用(Vapnik,1995,1998)。支持向量机方法一方面通过把数据映射到高维空间,解决原始空间中数据线性不可分问题;另一方面,通过构造最优分类超平面进行数据分类。神经网络通过基于梯度迭代的方法进行数据学习,容易陷入局部最小值,支持向量机是通过解决一个二次规划问题,来获得     

基于IOWA的避雷器状态预测

本文首先对变电站避雷器的各参量数据进行采集和预处理,并采用主元分析实现数据的降维以及特征变量的提取,将这些特征变量分别作为最小二乘支持向量机与人工神经网络的模型的输入,然后采用诱导有序加权平均法(IOWA)将两个模型组成混合模型,该模型基于最优特征变量和最优组合来预测避雷器监测状态的变化趋势。通过实验表明,该混合模型解决了单一模型由于个别点产生预测误差大的问题,预测结果比单一模型预测精度有很大的改善,增强了模型的泛化能力。     

基于改进LS-TWIN-SVM的心律不齐异常辅助诊断

针对社区医疗技术限制问题,结合采集到的患者心电信息,提出了一种改进最小二乘双子支持向量机的信号诊断方法,并在MIT-BIH数据库中对算法性能和自动诊断识别进行仿真实验。结果表明,基于有向无环图的LS-TWIN-SVM分类算法的计算复杂度最低,且其分类及诊断正确率达到99.32%。说明该算法对深入研究生物信号心电信号识别,实现大数据辅助诊断心律不齐异常症状具有实际意义和应用价值。     

基于DPCA与LSSVM的飞机发动机异常状态识别

针对飞机发动机异常状态识别精度差、效率低和易误诊漏诊等问题,提出了一种基于动态主元分析 (Dynamic Principal Component Analysis, DPCA)和最小二乘支持向量机(Least Square Support Vector Machine, LSSVM)的飞机发动机润滑系统异常状态识别方法。首先对发动机润滑系统参数进行DPCA处理以及在线检测是否有故障发生,如果有故障发生,再采用LSSVM方法进行异常状态识别。以某型飞机发动机润滑系统为例,对文中所提方法的准确性进行试验验证,由试验结果得出文中方法能有效提高飞机发动机异常状态识别准确率。