灰色局部支持向量回归机及应用

为了解决全局支持向量回归机(Global-SVR)在大样本数据集中计算效率低下的问题,将局部支持向量回归机与灰色系统理论有机结合,并利用灰色关联度作为局部邻域函数构造灰色局部支持向量回归机(GL-SVR),该做法具有一定的理论价值.优化过程中采用留一法评估学习机的泛化性能,利用模式搜索法选择模型参数.真实的股价涨跌幅预测实验结果表明,该方法既加快了运算速度,又提高了预测精度.     

一种混合核函数SVM建模方法及其应用

为了提高模型的泛化能力和精度,提出了一种基于混合核函数的支持向量机(SVM)建模方法.所提出的混合核函数由径向基函数和多项式函数加权组合而成,克服了支持向量机模型中单个核函数的局限性.并利用量子粒子群算法(QPSO)对惩罚系数、核参数以及混合权重系数进行综合寻优,求取最优化参数组合,从而提高模型的精度.采用锌湿法冶炼净化过程现场数据对建模的方法进行了测试,结果表明,所提出的混合核函数支持向量机模型具有较好的泛化性能和预测精度,预测结果满足现场工艺生产的要求.     

基于自适应加权最小二乘支持向量机的芳烃产量软测量建模

芳烃收率是催化重整生产过程中的重要质量指标。针对其软测量建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLSSVM)回归建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布加权规则,为每个建模样本分配不同的权值,以降低测量误差对建模精度的影响;同时提出一种全局优化算法—混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立催化重整生产过程芳烃收率的软测量模型,获得了较好的效果。     

基于FCM-LSSVM-GSA空调负荷预测

准确、快速的空调负荷预测是实现空调系统经济运行的基础。为提高空调负荷预测模型的精度以及稳定性,本文提出了一种基于FCM-LSSVM-GSA空调负荷预测方法。根据数据的相似统计分布特征,利用模糊C均值聚类算法(FCM)将历史负荷数据划分成多个簇类,以降低样本数据中相关噪声对建模精度的影响;并根据每个簇类的训练和测试数据集建立相应的最小二乘支持向量机预测模型(LSSVM);通过引入万有引力搜索算法(GSA)优化LSSVM的模型参数,以避免人为选择的盲目性,从而提高模型的预测精度。基于DeST平台模拟数据,将FCM-LSSVM-GSA模型运用于南方某办公大楼的逐时空调负荷预测。通过对比均方根误差(RMSE)和平均绝对百分误差(MAPE),结果表明该模型的预测精度明显优于传统LSSVM模型和简单FCM-LSSVM模型。     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机(Least square Support Vectormachine.LSSVM)相结合的电力系统短期负荷预测方法.考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度.利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度.     

基于确定性退火聚类的LSSVM短期负荷预测

提出了确定性退火聚类和最小二乘支持向量机（Least Square Support Vectorma—chine,LSSVM）相结合的电力系统短期负荷预测方法。考虑影响负荷变化的各种因素构造负荷样本数据,利用确定性退火聚类算法对样本数据进行分类,得到的分类样本数据作为最小二乘支持向量机的学习样本,保证最小二乘支持向量机具有较高的预测精度。利用某电力公司2007年负荷数据和气象数据进行仿真实验,仿真结果表明该方法具有较高的预测精度。     

基于改进的PCA-LS-SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题,提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法,建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比,失去了"稀疏性",最小二乘支持向量机的稀疏化方法解决了这一难题;主元分析方法的引入,有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明,该改进的PCA- LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

小波支持向量机的网络流量预测研究

研究网络流量准确预测问题,由于网络流量存在混沌性、非线性、自相似性的特点,导致当前预测方法的网络流量预测精度差。为提高网络流量预测精度,提出了小波支持向量机的网络流量预测模型。首先根据混沌动力系统对网络流量时间序列进行相空间重构,然后采用支持向量机对其进行建模,并利用小波核函数提高支持向量机的泛化能力。进行仿真的结果表明,支持向量机方法提高了网络流量的预测精度,减少训练时间,泛化能力更优。仿真结果说明,小波支持向量机具有更强的实用价值。     

基于灰色支持向量机的城市用水量预测研究

研究城市用水量预测问题,城市需水量具有非线性和随机波动性,城市供水系统是复杂系统,传统灰色模型或支持向量机均无法进行准确预测。为更准确预测城市用水量,建立灰色支持向量机的城市用水量预测模型,以提高预测精度。首先采用灰色模型和支持向量机对城市用水量预测,然后采用多元线性回归确定模型权重系数,最后得到了灰色支持向量机的城市用水量预测结果。仿真结果表明,灰色支持向量机提高了城市用水量的预测精度,预测误差小于单一灰色模型和支持向量机。灰色支持向量机更好地反映出城市用水量变化的总体趋势,可为城市供水系统预测提供参考。     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

Intelligent Selection of Instances for Prediction Functions in Lazy Learning Algorithms

Lazy learning methods for function prediction use different prediction functions. Given a set of stored instances, a similarity measure, and a novel instance, a prediction function determines the value of the novel instance. A prediction function consists of three components: a positive integer k specifying the number of instances to be selected, a method for selecting the k instances, and a method for calculating the value of the novel instance given the k selected instances. This paper introduces a novel method called k surrounding neighbor (k-SN) for intelligently selecting instances and describes a simple k-SN algorithm. Unlike k nearest neighbor (k-NN), k-SN selects k instances that surround the novel instance. We empirically compared k-SN with k-NN using the linearly weighted average and local weighted regression methods. The experimental results show that k-SN outperforms k-NN with linearly weighted average and performs slightly better than k-NN with local weighted regression for the selected datasets.     

激光质谱中基于数据挖掘的激光输出功率预测技术研究

由于激光质谱系统逻辑结构复杂多样,激光输出功率是激光质谱系统进行的关键条件之一,提前掌握激光输出功率未来状态的发展趋势可为激光质谱系统运行决策提供重要依据,因此进行激光质谱系统激光输出功率的预测技术研究非常必要。采用M5预测模型、线性回归模型、向量机模型对质谱系统的激光输出功率历史数据进行了建模及预测分析,通过比较几个预测模型的预测误差及平均误差,结果表明M5预测模型的预测结果相对最优。通过对激光输出功率历史数据的分析及预测,确定了激光质谱系统激光输出功率的研究预测模型。     

浅析美国的SPSS在中国人口普查与预测中的洋为中用

根据当前人口普查与预测的关键时期,通过“人口增长方面的例子”,介绍了如何在SPSS中建立人口预测的模型,如何对预测的结果作出科学的分析,指出了SPSS技术的应用前景。     

基于遥感数据的空间目标融合预测模型

提出了一种融合预测模型，把基于全局数据的径向基函数、人工神经网络与基于区域数据的空间采样插值相结合，并通过优化权重组合和修正误差，使得预测误差最小化。利用了多角度成像光谱辐射仪MISR，采集了从2002年—2003年美国大陆26个局部区域的辐射数据，对模型进行了2组气溶胶光学厚度的预测实验。地表特征因为反射能力的不同，导致了预测模型的不同复杂度。结果显示，融合模型能显著地减少陆地上的预测均方差。     

演绎数据库中语义查询的动态优化算法

演绎数据库的语义查询优化是利用数据库中的完整性约束，将用户提交的查询转换为与原查询等价且执行效率更高的查询规则。该文提出的动态语义优化算法在查询计算过程中动态约去存在的空展开式，使得查询时间开销的节省可用所除去的空展开式规模大小衡量，较适用于含有大量空展开式的演绎数据库。     

灰色预测参数模型新模式及其在电气绝缘故障预测中的应用

以灰色系统理论为基础, 研究电气绝缘故障诊断的灰色预测模型新模式及其应用. 建立了适用于电气设备绝缘故障诊断的一次拟合参数灰色预测的新模型, 并给出了新模式的建模过程, 提出将原始数据经弱化算子作用后进行一次指数平滑运算并对背景值进行改造的方法, 并以实例进行了检验, 结果表明该方法的可行性和有效性.     

Is lines of code a good measure of effort in effort-aware models?

ContextEffort-aware models, e.g., effort-aware bug prediction models aim to help practitioners identify and prioritize buggy software locations according to the effort involved with fixing the bugs. Since the effort of current bugs is not yet known and the effort of past bugs is typically not explicitly recorded, effort-aware bug prediction models are forced to use approximations, such as the number of lines of code (LOC) of the predicted files.ObjectiveAlthough the choice of these approximations is critical for the performance of the prediction models, there is no empirical evidence on whether LOC is actually a good approximation. Therefore, in this paper, we investigate the question: is LOC a good measure of effort for use in effort-aware models?MethodWe perform an empirical study on four open source projects, for which we obtain explicitly-recorded effort data, and compare the use of LOC to various complexity, size and churn metrics as measures of effort.ResultsWe find that using a combination of complexity, size and churn metrics are a better measure of effort than using LOC alone. Furthermore, we examine the impact of our findings on previous effort-aware bug prediction work and find that using LOC as a measure for effort does not significantly affect the list of files being flagged, however, using LOC under-estimates the amount of effort required compared to our best effort predictor by approximately 66%.ConclusionStudies using effort-aware models should not assume that LOC is a good measure of effort. For the case of effort-aware bug prediction, using LOC provides results that are similar to combining complexity, churn, size and LOC as a proxy for effort when prioritizing the most risky files. However, we find that for the purpose of effort-estimation, using LOC may under-estimate the amount of effort required.     

降低函数调用分支别名的神经网络预测器*

通过对程序调用过程中分支预测空间特性的分析,发现传统神经网络算法在不同函数调用相同子函数时容易出现别名效应,进而提出了一种基于子函数权重索引离散的神经网络分支预测器。该预测器通过调用信息堆栈记录函数调用中的父函数的路径信息,并用该信息离散子函数权重索引,有效降低了由于不同父函数调用相同子函数造成的别名效应。实验结果显示,基于该方法的神经网络分支预测器的预测错误率降低1%10%。     

基于非负矩阵分解的网络距离预测

大规模网络中的节点存在高度动态性、不可达性等问题,使得直接测量节点之间时延有时根本无法进行。为此,提出一种非负矩阵坐标分解预测方法,通过获取普通节点与基准节点的RTT值构建一个特征矩阵(非负矩阵),并在欧式空间坐标计算的基础上,根据距离矩阵的非负性,确保其无损分解成基矢量和权矢量乘积,降低距离计算的维度,加快预测的收敛,其预测精确性符合预测误差趋势分布 模型。     

Criterion of calibration for transductive confidence machine with limited feedback

This paper is concerned with the problem of on-line prediction in the situation where some data are unlabelled and can never be used for prediction, and even when the data are labelled, the labels may arrive with a delay. We construct a modification of randomised transductive confidence machine for this case and prove a necessary and sufficient condition for its predictions being calibrated, in the sense that in the long run they are wrong with a prespecified probability under the assumption that the data are generated independently by the same distribution. The condition for calibration turns out to be very weak: feedback should be given on more than a logarithmic fraction of steps.