基于主成分分析和支持向量机的区域降水预测应用研究

将主成分分析和支持向量机回归相结合, 以广西5、6月区域平均日降水量作为预报对象, 进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析, 得到主成分数据序列; 其次, 根据主成分数据序列建立训练集训练支持向量机, 并利用遗传算法优化参数; 最后, 输入支持向量机所需数据, 得到主成分预测结果, 建立广西日降水预报模型. 实例计算结果表明, 支持向量机回归模型比逐步回归模型有更好的预测能力.     

KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

基于PCA-SVM算法在岩性识别中的应用

针对岩性识别中传统方法识别率低且信息冗余的问题,建立PCA-SVM(主成分分析与支持向量机组合)岩性识别模型,即先利用主成分分析(PCA)进行参数处理,整合冗余,降低维数,后将处理得到的主成分作为支持向量机(SVM)测量模型输入的分类方法。在此过程中,优化主成分分析和支持向量机的参数,使模型具有较高的训练精度。结果表明,与传统的基于主成分分析的判别分析方法相比,预测结果与实际结果相比具有较好的一致性,识别准确率达100%。     

基于支持向量机的炭黑工艺建模

将支持向量用于炭黑工艺建模，并与主成分回归、反向传播人工神经网络以及径向基神经网络建模方法相比较．结果表明，炭黑生产过程具有比较强的非线性，不适合用主成分回归方法建立模型，支持向量机对炭黑吸碘值和吸油值的相对预测误差分别为1．62％和1．31％，所构建的模型的预测准确度明显优于反向传播人工神经网络(2．54％，1．64％)，稍优于径向基神经网络(1．85％，1．38％)。     

基于小波变换的支持向量机水文过程预测

针对支持向量机在水文过程应用分析中存在的问题,该文将小波变换和支持向量机相结合建立水文时序趋势分析模型。首先对水文序列通过小波变换进行预处理,把处理后序列分解成不同时间尺度下的子序列,然后用支持向量机对各子序列分别进行模拟和预测,将这些支持向量机的预测结果通过小波逆变换重构水文时间序列,建立基于小波变换的支持向量机水文过程趋势分析模型,以三门峡水文站天然月径流时序为例进行应用验证。研究结果表明:与传统的支持向量机、神经网络等预测模型相比,本文模型在预测精度和时间长度上均优于前二者。     

非线性Hammerstein-Wiener模型辨识预测控制

为解决工业过程控制领域中非线性系统的模型辨识与预测控制问题,提出一种基于BP神经网络模型的预测控制策略,采用一种分段最小二乘支持向量机辨识Hammerstein-Wiener模型系数的方法建立非线性预测控制器.利用BP神经网络训练预测控制输入序列和拟牛顿算法求解非线性预测控制律,从而实现了一种基于支持向量机Hammerstein-Wiener辨识模型的非线性预测控制算法.仿真实验验证了该算法的有效性和可行性.     

PCA-SVM模型在几丁质酶最适温度建模中的应用

采用主成分分析法(PCA)对样本数据集进行预处理,将得到的新样本数据集输入支持向量机(SVM),籍助均匀设计(UD),构建几丁质酶氨基酸组成和最适温度的数学模型.当径向基核函数的3个参数,惩罚系数C为10,ε为0.5,γ为5时,模型对温度拟合的平均绝对百分比误差为5.06%,预测的平均绝对误差为1.83 ℃,说明具有良好的预测效果且优于神经网络的预测结果.     

利用SVM-LSTM-DBN的短期光伏发电预测方法

为解决传统预测算法的不足,利用深度信念网络(DBN)耦合支持向量机(SVM)和长短期记忆神经网络(LSTM),提出一种新的光伏功率组合预测方法.分别构建以高斯径向基函数为核函数的支持向量机预测模型、4层长短期记忆神经网络为单项预测模型,通过深度信念网络组合,优化预测结果并输出.根据实际出力和预测结果的误差,利用DBN动态调整以获得最优值,进一步验证SVM-LSTM-DBN模型的有效性和准确性,并以新疆维吾尔自治区某光伏电站的实测数据进行仿真验证.结果表明:基于SVM-LSTM-DBN组合的光伏出力预测模型与单一模型相比,预测精度明显提高.     

受限玻尔兹曼机的步态特征提取及其识别

针对步态识别问题,研究了受限玻尔兹曼机的步态特征提取及其识别.主要基于行人图像序列,通过背景分割、归一化以及步态周期的计算,采用叠加方法生成步态能量图,以此作为步态的特征图像,利用受限玻尔兹曼机自动获取步态特征.选取中科院CASIA步态数据库以及支持向量机、孪生支持向量机、神经网络与K-近邻方法对使用受限玻尔兹曼机方法的特征提取进行了研究,同时与主成分分析PCA、线性判别分析LDA、卷积神经网络CNN特征提取与识别方法进行了比较.     

PCR-RBF-SVM预测模型在财政数据中的应用

通过使用支持向量机算法将主成分回归的线性预测结果和径向基神经网络的非线性预测结果相结合, 提出一种新的预测模型, 该模型提高了预测精
度, 解决了预测方式单一的问题. 将新预测模型应用于财政数据预测结果表明, 与传统主成分回归和径向基神经网络方法相比, 该模型预测效果更好.     

木聚糖酶特征序列与最适pH定量关系

研究G/11家族木聚糖酶特征序列与其最适pH的定量构效关系,建立逐步回归方程,模型的相关系数为0.975,显著水平p<0.000 1.利用该方程,计算各木聚糖酶的pH值,结果表明,仅有2个木聚糖酶的最适合pH计算值与实测值相差大于0.6,而有6个木聚糖酶最适pH计算值与测定值相差小于0.1,平均绝对百分比误差为5.91%,平均绝对误差为0.26个pH单位,所得结果优于用二肽进行逐步回归所得模型的结果.通过对计算结果和已知晶体结构的木聚糖酶的比较发现,在1YNA中,这6个氨基酸分别是Pro,Leu,Val,Val,Val和Tyr,前3个氨基酸残基位于第7个转角处,更适合作为突变的位点.     

贝塔一葡萄糖苷酶催化反应的最适pH值和最适温度的同时预测

利用氨基酸特征同时预测贝塔一葡萄糖苷酶反应的最适pH值和最适温度.首先,用不同的氨基酸特征对贝塔一葡萄糖苷酶进行量化作为输入,以最适pH值和最适温度作为输出;然后用20-2前馈反向传播的神经网络进行训练;最后用子集验证、刀切验证和交叉验证三种方法进行验证.结果表明,在24个氨基酸特征中只有4个特征可以用于模型预测,其中...     

红边光谱谐波分析的神经网络法叶绿素含量反演研究

叶绿素含量测定对于了解作物生长状况具有重要意义。为实时、快速、准确获取叶绿素含量,研究了玉米叶片叶绿素含量的BP神经网络(BPNN)法高光谱反演模型;而BPNN输入因子的选择是建立反演模型的关键。已有研究证明作物红边光谱与叶绿素含量有较强的相关性,为避免红边参数提取的不确定性,提高建模精度与效率,运用红边光谱的频率域谐波分析(HA)技术获得谐波余项、振幅和相位等能量谱特征分量(ESCC);并选择具有强相关性的10个ESCC进行主成分分析后,取前4位主分量作为BPNN的输入因子,进而进一步强化其相关性来构建叶绿素含量反演模型。同时,分别用遗传算法(GA)和小波基(wavelet-based)函数优化BPNN结构,建立GA-BPNN、WNN反演模型。实验通过比较BPNN、GA-BPNN、WNN模型和常规的多元线性回归(MLR)模型的玉米叶片叶绿素含量反演结果,得出非线性的BPNN模型要明显优于线性的MLR模型;而在神经网络模型中,GA-BPNN优化模型的反演精度最高。     

基于PCA和KPCA特征抽取的SVM网络入侵检测方法

提出一种新颖的基于特征抽取的异常检测方法,应用主分量分析(PCA)和核主分量分析(KPCA)抽取入侵特征,再应用支持向量机(SVM)检测入侵。其中PCA对输入特征做线性变换,而KPCA通过核函数进行非线性变换。利用KDD 99数据集,将PCA-SVM、KPCA-SVM与SVM、PCR、KPCR进行比较,结果显示:在不降低分类器性能的情况下,特征抽取方法能对输入数据有效降维。在各种方法中,KPCA与SVM的结合能得到最优入侵检测性能。     

信阳毛尖茶品质和化学成分快速检测方法

探索茶叶品质和化学成分的快速检测方法,利用电子鼻技术对3个品质等级的信阳毛尖茶的挥发性气味进行了分析.对电子鼻检测信号进行主成分分析和线形判别分析结果显示3个品质的茶叶能被很好地区分,各个类的集中性也较强.采用二次多项式逐步回归分析分别建立传感器信号和信阳毛尖茶的氨基酸、茶多酚和咖啡碱含量之间的预测模型.通过测试集对二次多项式逐步回归模型进行验证得到氨基酸、茶多酚和咖啡碱含量的预测值和测试值的相关系数分别为0.95、0.94和0.92,预测标准误差分别为0.08、0.11和0.8,平均误差分别为0.9%、2.8%和1.5%.结果表明,电子鼻技术可以用于茶叶理化成分的快速检测.     

基于主元分析与支持向量机的制冷系统故障诊断方法

利用主元分析(PCA)法提取制冷系统特征向量,对典型人工智能方法所建故障诊断模型的性能进行理论研究与应用分析,确定了以支持向量机(SVM)算法为基础的故障诊断模型;针对SVM直接解决多种分类问题的困难,分析了3种多类SVM算法,确定了基于“一对其他（One vs others）”多类SVM算法的故障诊断模型,并提出基于PCA与SVM组合的PCA SVM故障诊断模型,同时,利用实验数据加以验证.结果表明：PCA SVM模型可将16个原始变量转化为相互独立的主元,并可提取前4个主元用于故障诊断而将正常与故障的模式分离,对故障的诊断率不低于98.57%,优于单纯SVM模型,且PCA SVM模型的训练速度比SVM模型快约130~350倍;PCA SVM模型对小样本的处理能力优于BP神经网络模型,其诊断正确率较高,训练耗时较少（约1/240）.     

基于一种多分类半监督学习算法 的驾驶风格分类模型

基于驾驶模拟平台设计实验方案,同步采集驾驶员的驾驶操作信息和车辆状态信息,选取6个表征驾驶风格的特征参数,采用主成分分析(Principal Component Analysis,PCA)算法对多元特征参数进行特征提取,将前3个主成分作为驾驶风格识别模型的特征输入.利用K-means聚类完成样本标记工作.基于有监督支持向量机(Support Vector Machine,SVM)与多分类半监督学习算法(i MLCU)的原理,分别建立SVM与i MLCU驾驶风格识别模型,通过调节标记样本与未标记样本比例,对比使用不同样本比例训练的SVM和i MLCU模型的驾驶风格识别准确率.结果表明:相比于SVM,i MLCU表现出了更优异的驾驶风格识别能力,由此可知半监督i MLCU模型可以利用未标记样本提高模型对驾驶风格的识别能力.     

显色反应最佳pH值计算的程序设计及应用

本文设计了显色反应最佳pH值的VB程序，计算了金属离子与部分三苯甲烷类酸性染料显色反应的最佳pH值，并讨论了最佳pH值与金属离子的结构及显色剂结构的关系。     

A novel intrusion detection method based on improved SVM by combining PCA and PSO

The paper presents an improved support vector machine (SVM) by combining principal component analysis (PCA) and particle swarm optimization (PSO).Then,the improved SVM is applied to the intrusion detection system (IDS) to improve the detection rate.First,PCA is used to reduce the dimension of feature vectors.Second,we use the PSO algorithm to optimize the punishment factor C and kernel parameters in SVM.The experimental results indicate that the intrusion detection rate (97.752 8%) of improved SVM by combining PCA and PSO is higher than those (95.635 5%) of PSO-SVM and those (90.476 2%) of standard SVM with KDD Cup 1999 data set.     

基于主元分析与支持向量机的人脸识别方法

基于支持向量机（SVM）在处理小样本，高维数及泛化性能等强方面的优势，提出了一种基于主元分析（PCA）与SVM的人脸识别方法，利用PCA方法对人脸图像进行特征提取，再利用SVM与最近邻分类器相结合的策略对特征向量进行分类识别，剑桥ORL的人极数据库的仿真结构验证了本算法是有效的。