基于变权重拟合的并行组合电价预测模型研究

在电力市场中,日前电价预测是用户用电决策的关键因素之一.为提高电价预测精度,提出了一种基于变权重拟合的并行组合电价预测模型,该模型结合了长短期记忆网络(LSTM)和支持向量机(SVM)模型,权重则采用改进粒子群算法(IPSO)获取.在预测过程中,首先分别使用LSTM和SVM对电价进行预测,然后使用预测日前的历史预测结果...     

一种新的SVM多层增量学习方法HISVML

为了有效的解决支持向量机(SVM)在文本分类中的增量学习问题,文中提出了一种基于树结构的在线学习方法-HISVML.该方法通过将增量学习任务限制在分类子树中来达到减少工作量的目的.实验证明,HISVML比普通的单层增量学习器训练时间短、准确率高.     

记忆非线性功放预失真器SVM建模的算法改进

为提高支持向量机(SVM)ε不敏感损失函数下的回归算法的训练速度,提出了一种新的管道压缩模型,利用大ε值下的回归函数来预测小ε值下回归函数的支持向量.由该模型导出一种新的算法结构.在对记忆非线性功率放大器的SVM预失真器进行建模仿真中,将Keerthy的SMO算法同新的算法结构相结合,结果表明了新算法结构在不损失SVM预失真器性能的基础上,显著地提高了训练速度.     

一种提高支持向量机针对低维向量分类精度的新方法

本文提出一种支持向量机的全局优化训练算法,形成一种新的分类器,以解决传统的支持向量机在对低维样本点分类时产生的精度下降问题。首先对支持向量机原理,以及以SVM—light为代表的经黄SVM训练算法进行分析,发现支持向量机的训练在本质上都归结为具有不等式约束条件的二次规划问题。本文直接根据支持向量机的最优分类超平面,将其化为无约束条件的求解函数极值问题。然后采用全局优化算法-禁忌搜索算法得到函数的极值点。通过两类高斯样本点分类实验和人脸图像识别的多类分类试验,证明使用支持向量机的全局优化训练算法,在样本点特征向量维数较低的情况下,比使用传统的支持向量机训练算法分类具有更高的分类准确率。     

基于自编码网络特征降维的轻量级入侵检测模型

基于支持向量机(SVM)的入侵检测方法受时间和空间复杂度约束,在高维特征空间计算时面临“维数灾害”的问题.为此,本文提出一种基于自编码网络的支持向量机入侵检测模型(AN-SVM).首先,该模型采用多层无监督的限制玻尔兹曼机(RBM)将高维、非线性的原始数据映射至低维空间,建立高维空间和低维空间的双向映射自编码网络结构,进而运用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示,从而获得原始数据的相应最优低维表示;最后,采用SVM分类算法对所学习到的最优低维表示进行入侵识别.实验结果表明,AN-SVM模型降低了入侵检测模型中分类的训练时间和测试时间,并且分类效果优于传统算法,是一种可行且高效的轻量级入侵检测模型.     

基于SVM和CRF双层分类器的英文电子病历去隐私化

去隐私化是2014 i2b2/UTHealth中的一个任务,目的在于识别并移除电子病历中的隐私信息.本文提出了一种基于支持向量机(SVMs)和条件随机场(CRFs)双层分类模型的去隐私化方法,经过预处理将病历文本进行词切分(tokenize)处理,并在此基础上抽取4类特征,训练SVM模型对隐私信息实体边界进行划分并将结果作为特征添加到特征集中,通过CRF训练多分类器,并通过该分类器对各个类别的隐私信息进行识别.实验表明双层分类模型对于隐私信息识别是有效的,结果F值达到0.9110.     

基于支持向量机的股票预测

支持向量机(support vector machine SVM)作为一种可训练的机器学习方法,目前已广泛应用于股票预测中。文章利用matlab和支持向量机,结合股票前一段时间的走势数据,做出数据回归拟合,得到训练模型,然后根据训练模型对未来的股票指数做出预测,对预测数据和原始数据做一些误差分析。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

基于映射-归约模型的SVM可扩展硬件实现架构

为了提高支持向量机(SVM)在嵌入环境中的适用性,提出了一种用于SVM训练和分类的可扩展硬件架构,并基于FPGA平台测试了其性能.基于映射-归约(MapReduce)模型分析提取出SVM算法中的并行性,并进一步映射至多个并行处理单元.实验表明,该架构可基于定点运算单元有效地完成SVM训练和分类,并具有良好的可扩展性.     

基于粒子群优化支持向量机的语音情感识别

本文提出一种基于粒子群优化算法的支持向量机网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,研究分析情感语音数据的韵律特征与音质特征;利用粒子群优化算法(PSO)训练网络的超参数以优化支持向量机模型,可快速地实现网络的收敛;最后在实验中比较线性核函数SVM、径向基核函数SVM与粒子群优化径向基SVM分别用于语音情感识别的识别率,结果显示粒子群优化径向基核SVM模型用于语音情感识别能获得明显的识别性能的提升。