基于支持向量机的交通安全预测模型及仿真研究

分析了交通安全预测中指标和影响因子的选择,确定了指标体系和影响因子集合,利用支持向量机(svm)建立交通安全预测模型并进行实例仿真验证.将1953年-2006年全国交通安全相关样本数据分为训练集和测试集,通过训练SVM得到交通安全预测模型参数值,对测试集指标进行预测,计算预测误差,并与BP神经网络预测模型进行对比.仿真结果表明支持向量机建立的交通安全预测模型学习速度快,泛化能力强,有着比神经网络预测模型更高的运算速度与预测精度.     

模糊遗传滚动优化的LS-SVM预测控制研究

提出一种基于最小二乘支持向量机(LS-SVM)的非线性系统预测控制算法。该算法通过LS-SVM对非线性系统输入输出数据序列的训练学习建立其预测模型;基于模糊遗传算法完成非线性预测控制的滚动优化过程。仿真结果表明基于该方法的非线性系统预测控制比基于RBF神经网络的预测控制具有更好的控制效果。     

基于预测误差校正的支持向量机短期风速预测

对风电场风速进行较为准确的预测,对于电力部门及时调整调度计划至关重要。建立了支持向量机风速预测模型,并提出了结合预测误差校正来提高预测精度的新思路。先建立SVM模型初步预测风速,再将得到的训练误差和测试误差分别构建样本,建立基于小波-支持向量机的误差预测模型进行误差预测,最后用预测误差对风速初步预测值进行校正。仿真结果表明所提方法能明显改善预测精度,而且方法简洁明了,具有很好的稳健性,能够推广到长期风速预测、负荷预测及其它预测领域。     

模糊软集合理论在税收组合预测中的应用

结合模糊软集合理论建立税收收入的组合预测模型,根据税收收入的特点,代表性地选择了Elman回归神经网络模型、含政策虚拟变量的自回归模型、ARIMA(1,1,1)的时间序列模型、多因素SVM回归模型这四种模型作为组合预测中的单一模型,并以1980年到2008年的税收收入等相关数据为背景进行了说明和分析.结果表明该组合预测模型能有效减小预测误差,为税收工作实践提供了一个应用研究工具,并推广和丰富了软集合理论在税收经济模型研制中的实际应用.     

基于SVM和灰色预测的飞灰含碳量集成预测

针对电厂飞灰含碳量难以进行有效预测的问题,提出一种嵌套智能集成预测方法.首先,利用变学习率BP神经网络和主成分分析方法对输入变量进行降维处理；其次,为提高模型自适应能力,利用上述分析结果采用在线支持向量机建立飞灰含碳量预测模型；然后,为反映飞灰含碳量数据的时间相关性,采用灰色预测方法建立当前时刻飞灰含碳量预测模型；最后,在上述预测模型的基础上,利用信息熵的权值组合方法获得最终的飞灰含碳量预估值.仿真结果表明,该智能集成预测模型的预测精度要高于单一模型,能对电厂飞灰含碳量进行有效预测.     

基于SMC-RS-LSSVM的电子商务客户流失预测模型

为提高个体层次上客户流失预测的精度,建立了基于SMC-粗糙集-最小二乘支持向量机的电子商务客户流失预测模型.该模型首先利用SMC模型计算出客户活跃度,以0.5为阈值判断出客户流失状态,识别出正判客户和错判客户;其次应用粗糙集理论约简出重要的客户流失预测指标体系,然后将训练样本送入最小二乘支持向量机进行学习和训练,进而对测试样本的客户流失状态进行判别.利用某网上商场的2525名客户样本进行电子商务客户流失预测实证研究,结果表明:与SMC模型、BP神经网络模型、最小二乘支持向量机模型相比,该模型对测试样本预测精度更高,是一种更为有效和实用的客户流失预测方法.     

基于Matlab支持向量回归机的能源需求预测模型

分析了支持向量回归机在能源需求预测中的优势, 确定了输入向量集合和输出向量集合, 建立了基于Matlab技术的SVR能源需求预测模型. 对我国1985-2008年能源需求相关数据进行模拟与仿真, 并对中国2010年和2020年能源需求量进行预测. 研究结果表明: 一是中国未来对能源的需求量逐渐增加, 从2010年的330400万吨标准煤上升到2020年418320万吨标准煤, 年均增长率为2.39%; 二是在解决我国能源系统小样本. 非线性及高维模式识别问题中SVR比BP神经网络等方法有更高的预测精度.     

基于多变量支持向量机的供应链需求预测分析

在供应链中,市场需求往往受到多个因素的影响,单一变量的预测方法已经无法达到预测期望。为了提高预测精度,削弱牛鞭效应,根据Agent理论构建供应链模型,提出一种基于多因素的支持向量机需求预测方法;通过选取主要影响因素,建立多变量SVM预测模型,并利用遗传算法对SVM模型的参数进行优化选择,最后利用算例进行仿真分析。实验结果表明,与单变量支持向量机相比,多变量支持向量机充分考虑影响市场需求的相关因素,最大程度挖掘了数据中的有效信息,提高了供应链需求预测的准确性,从而缓解了供应链中的牛鞭效应。     

SVM方法及其在客户流失预测中的应用研究

客户流失分析与预测是客户关系管理的重要内容.针对客户流失问题,建立了支持向量机预测模型.针对实际客户流失数据中正负样本数量不平衡而且数据量大的特点,提出带有不同类权重参数的支持向量机算法CW-SVM,通过调整类权重参数改变分类面位置,提高算法分类准确性;将标准支持向量机训练问题转化为运算效率更高的核向量机问题,提出处理不平衡海量数据集的CWC-SVM算法.通过实际银行信贷客户数据集测试,该算法与传统预测算法比较,更适合解决大数据集和不平衡数据,取得较好的客户流失预测效果.     

基于FCM的小波神经网络模型在径流预测中的应用

针对径流变化存在的季节性差异,提出了一种在对预报因子集进行模糊聚类分析基础上构建径流预测模型的新方法:先通过模糊C-均值聚类将历史径流数据进行分类,然后利用小波神经网络分别建立预报因子集与观测值之间的局部预测模型,文中采用网络模型分类识别器,可自动搜寻相适应的局部网络模型进行预测.以西南某水库2006年日平均入库来流的计算实例对简单小波神经网络预测模型和文中所建的融合模型进行了比较.     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

应用LS-SVM的飞机重着陆诊断

为提高飞机重着陆判断的准确性,研究了将最小二乘支持向量机(Least square supportvector machine,LS-SVM)应用于民航飞机重着陆诊断的方法.首先,通过分析飞机着陆阶段的运动方程,确定了造成飞机重着陆的主要影响因素,将传统的单一指标诊断扩展到多指标诊断.然后,利用最小二乘支持向量机建立飞机重着陆诊断模型,采用遗传算法优化模型参数.训练和测试样本取自航空公司飞行品质监控数据库中相关参数值.与两类神经网络模型的比较表明,该方法具有更大的应用价值.     

基于LS-SVM的特征提取及在凝点软测量中的应用

提出了一种基于最小二乘支持向量机(LS-SVM)回归算法的特征提取新方法,并将其成功应用于柴油凝点近红外(NIR)光谱软测量建模。在该方法中,将特征提取公式表达成与LS-SVM回归算法相同的形式,这样就能通过LS-SVM求取最优的特征投影向量。用一个含120个样本的401维柴油近红外光谱数据集进行测试,通过该方法提取后,原始光谱数据集的特征被降到了6维并保留了原有99.58%的信息。同时,用该数据建立的软测量模型具有更快的学习速度和更高的测量精度。实验结果验证了所提的特征提取新方法应用于近红外光谱特征提取的可行性和有效性。     

考虑多因素的驾驶行为安全评价与风险等级预测

为了研究道路交通系统中"人-车-路"多因素对驾驶行为及车辆安全状态的影响,设计了多因素组合成6种场景的模拟驾驶对照试验。利用驾驶模拟器、生理仪、眼动仪分别采集驾驶行为相关的19项指标,选用方差分析比较各项驾驶行为指标差异情况。选用非线性支持向量机(Support VectorMachine,SVM)对样本数据进行分类及预测,建立了驾驶行为风险等级预测模型,并利用试验数据验证了模型的有效性。结果表明:模型的预测精度达到93.94%,建立的风险等级预测模型能够有效的判别驾驶员及车辆的状态。     

基于最优LS-SVM的制导工具误差分离与折合

将最小二乘支持向量机方法应用于制导工具误差分离于折合。利用线性核函数获得了工具误差系数的估计,然后利用交叉验证技术推导了最小二乘支持向量机最优参数的选择准则。该准则的计算是基于模型求解的中间参数,所以并没有增加很多的计算量。最后根据六自由度弹道仿真软件进行了特殊弹道与全程弹道的仿真。仿真计算表明,与最小二乘和主成份方法相比,最优最小二乘支持向量机获得的误差系数估计与真值更加接近,折合得到的全程弹道遥外差更加准确。     

模糊偏最小二乘支持向量机的应用研究

基于偏最小二乘回归法和模糊隶属度函数,提出了一种模糊偏最小二乘支持向量机.传统最小二乘支持向量机引入模糊加权系数后,可以根据训练样本点的情况调整折衷系数,有效地提高了最小二乘支持向量机的抗噪性能.同时利用偏最小二乘回归法,克服了求解线性回归方程中自变量向量间的多重相关性问题.利用 sinc 函数对该建模方法进行了测试,并进一步对铜转炉吹炼时间的预测问题进行了仿真研究.仿真结果表明,该建模方法具有预测准确、跟踪性能好的优点.     

基于预测控制的NCS时延补偿算法

针对网络控制系统(networked control system, NCS)中随机时延导致系统性能下降的问题,利用粒子群优化(particle swarm optimization, PSO)的最小二乘支持向量机(least square support vector machine, LS-SVM)建立NCS中随机时延预测模型,精确预测未来时刻的时延;同时利用该预测算法预测的时延通过快速隐式广义预测控制算法对NCS随机时延进行补偿。仿真结果表明,PSO优化的LS-SVM算法对随机时延具有较高的预测精度,同时快速隐式广义预测控制算法可使系统的输出很好地跟踪参考轨迹,保证系统良好的控制效果。     

催化剂粉尘浓度软测量建模研究与应用

采用基于Mie理论的激光散射法测量催化剂粉尘浓度时,催化剂粉尘浓度与监测参数——入射光强、散射光强、出射光强以及烟气流量之间存在着复杂的非线性关系,给粉尘浓度的准确测梁带来困难。利用支持向量机优良的非线性映射和强大的泛化能力,建立了一个基于最小二乘支持向量机的催化剂粉尘浓度软测量模型,给出了相应的系统结构和算法,并通过网格搜索和交叉验证的方法对支持向量机进行参数选择。采用遗忘因子法和数据滑动时间窗技术对工业软测量模型进行在线校正,克服了工况条件发生改变时的估计偏差,提高了估计精度。仿真和实际运行结果表明基于LS-SVM的软测量模型具有较高的估算精度与泛化能力,为催化剂粉尘浓度的在线测量提供了一种简单、可靠的新方法。     

基于LS-SVM的机器人逆运动学建模

提出了基于最小二乘支持向量机的机器人逆运动学建模方法，阐述了基本设计思想和具体算法过程，与RBF神经网络相比，最小二乘向量机的优点在于其训练过程遵循结构风险最小化原则，不易发生过学习现象。它通过解一组线性方程组得到全局唯一最优解。其拓扑结构在训练结束时自动获得而不需要预先确定，通过对二自由度刚性机器人的仿真，结果验证了该方法的有效性和可行性。