基于支持向量机的中长期入库径流预报

采用基于支持向量机的预测模型对水库中长期入库径流进行预报,建立径流预报的SVM模型。预报因子的优劣决定着预测精度的高低。为了提高预报精度,尝试采用模糊优选法对预报因子进行优选。将所建模型应用于新疆雅马渡站的径流预测中,并与没有进行预报因子优选的SVM模型进行比较。结果表明,进行预报因子优化后的SVM模型明显提高了径流的预报精度,具有更高的应用价值。     

基于小波分解的优化支持向量机模型在水库年径流预测中的应用

为提高水库中长期径流预测的精度和可靠性,更好地发挥水资源综合利用的效益,提出了结合小波分解预处理的支持向量机预测模型(SVM-WDP)。该模型将包含复杂信息和随机噪声的径流过程分解为不同频率、不同特征的子序列,再分别针对各子序列运用PSO参数优化支持向量机模型进行预测,最后将子序列预测结果重组为最终预测径流。以淮河流域梅山水库1959—2014年径流过程为研究对象进行预测,结果表明:SVM-WDP模型所得结果的合格率为85%,达到水文预报甲等标准;与单独使用支持向量机模型相比,SVM-WDP模型拟合阶段RMSD由14.98降低至7.76,预测阶段RMSD由6.85降低至5.54,模型的预测性能均大幅度提高。该模型为中长期年径流预测提供了有效的方法和思路。     

HTS算法与GRNN、SVM耦合模型在径流预测中的应用

为提高水文预测预报精度,基于广义回归神经网络(GRNN)和支持向量机(SVM)构建GRNN_SVM耦合预测模型,利用热量传递搜索(HTS)算法同时优化GRNN、SVM关键参数和耦合权重系数,提出HTS_GRNN_SVM耦合预测模型。采用8个标准测试函数对HTS算法进行仿真验证,并与教学优化(TLBO)算法、灰狼优化(GWO)算法等当前寻优效果较好的几种算法进行对比验证;利用两个径流量预测算例对HTS_GRNN_SVM耦合模型进行实例验证,并与HTS_GRNN、HTS_SVM及GRNN、SVM模型的预测结果进行对比。结果表明:HTS算法的寻优精度优于TLBO、GWO等优化算法,具有较好的收敛速度、求解精度和稳定性; HTS_GRNN_SVM模型融合了HTS算法与GRNN、SVM模型的优点,在预测精度、泛化能力等方面均优于HTS_GRNN等4种模型。     

基于遗传算法和支持向量机模型的高考成绩预测

为了提高支持向量机算法(SVM)预测的精度,使用遗传算法(GA)优化SVM模型参数,建立GA-SVM高考成绩预测模型。使用贵州省某高中高三理科学生4次模考成绩和高考成绩数据进行验证,与BP神经网络算法、多元线性回归、SVM模型比较,GA-SVM模型预测高考成绩的精度有明显提高,可为高考复习方向提供参考。     

并行式时空二维融合路段交通量预测

提出了一种基于支持向量机(SVM)的并行式时空二维融合路段交通量预测方法,对时间SVM和空间SVM分别在两个并行的操作系统模型中进行,以此降低时间成本.并将时间维SVM预测、空间维SVM预测与基于SVM的数据时空二维线性融合预测结果进行了对比,通过对比表明,时空二维线性融合预测的误差很明显比其它两种方法预测的结果误差要小得多,因此本文提出的时空二维融合可大大的提高预测精度.尤其是当有突发因素(如:交通事故发生)时,本文所提出的方法可在很大程度上避免一维时间源数据融合的结构性系统误差.     

预测混合生物质灰熔点的CV-GA-SVM模型

为了更加快速、精确地对混合生物质灰熔点进行预测,利用交叉验证(cross validation,CV)方法进一步优化了前人提出的经遗传算法(genetic algorithm,GA)优化的支持向量机(support vector machine,SVM)回归模型。以灰成分作为输入量,灰熔点为输出量,以单生物质数据训练该模型,对混合生物质灰熔点进行了预测;并与仅经GA优化模型的预测结果进行了比较。研究结果表明:经GA与CV优化的SVM模型对混合生物质灰熔点进行预测,平均绝对误差为25。0℃,平均相对误差为2。7％,比仅经GA优化的SVM模型预测结果更为精确;适当地设置相关参数可以节省程序运行时间。     

灰色自记忆神经网络模型在年径流预测中的应用

径流序列是一种非线性、弱相依高度复杂的动力系统,径流预测还处于探索阶段,提高径流预测精度关键在于对有限样本包含的信息进行充分发掘.采用一种理论和方法很难充分挖掘径流序列所包含的信息.基于组合预测思想,应用灰色理论,自记忆性原理与BP神经网络三种理论与建模方法对年径流序列进行挖掘,在此基础上提出年径流预测的灰色自记忆神经网络模型.结果表明,模型能够很好地反映径流的变化规律与极值趋势,具有较好的拟合与预报精度.     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

基于PSO-SVM的煤与瓦斯突出强度预测模型

为有效预测煤与瓦斯的突出强度,分析了煤与瓦斯突出的主要影响因素,建立了基于粒子群优化支持向量机方法(PSO-SVM)的煤与瓦斯突出强度预测模型,通过实例对该模型的预测效果进行检验,同时还分别采用了BP神经网络(BP-NN)和支持向量机方法(SVM)对该实例进行了预测,进而对这3种方法的预测精度进行了比较.分析结果表明3种方法的预测准确率PSO-SVM为87.5％、BP-NN为50％、SVM为62.5％.可见,PSO-SVM方法的预测效果要好于BP-NN和SVM,对煤矿煤与瓦斯突出强度预测具有一定的参考价值和指导意义.     

基于免疫进化支持向量机的年用电量预测

支持向量机(SVM)是在统计学习理论基础之上发展起来的,针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的有效随机全局优化技术-免疫进化算法(IEA)对SVM核函数的参数进行了优化。介绍了IEA-SVM算法的设计思想和特点,成功地实现了此模型在年用电量预测中的应用,对四川省电网1978～1998年年用电量状况进行了实例研究,预测值与实际值相差较小,并与基于偏最小二乘回归(PLS)模型的预测成果进行了对比。理论分析和实例结果验证了基于IEA-SVM的年用电量预测方法的正确性和有效性。     

基于SSA-BP-SVM模型的云龙湖水质反演研究

利用遥感技术进行水质监测,全面地掌握水质分布情况对水环境保护具有重要意义.水质参数与地表反射率并非简单的线性关系,BP神经网络和支持向量机(SVM),因其非线性模拟的特点,被广泛应用于水质反演.传统BP神经网络存在收敛缓慢、容易陷入局部最优的问题;SVM虽然具有很好的拟合能力,但受惩罚系数及核函数参数影响较大.以云龙湖为研究区域,利用Sentinel-2影像和实测数据,针对重要水质参数电导率和浊度,提出一种基于麻雀搜索算法(SSA)优化BP神经网络及SVM的水质反演耦合模型,利用SSA对BP神经网络及SVM进行参数寻优,基于验证集MAE计算模型权重,对SSA-BP、SSA-SVM模型测试组输出层加权计算后获得最终反演结果.与BPNN、SVM、SSA-BP、SSA-SVM模型对比,结果表明:1)Sentinel-2影像对电导率及浊度的敏感波段均为可见光及短波红外波段;2)SSA-BP-SVM水质反演耦合模型精度更高,电导率及浊度反演模型R²分别为0.92、0.89;3)云龙湖具有典型的城市水体特征,电导率受上游南望净水厂排水影响较大,浊度受社会生产活动带来的颗粒污染物影响较大.基于Sentinel-2影像利用SSA-BP-SVM模型进行水质反演具有较好的应用潜力,能够为云龙湖水质监测以及制定保护措施提供一定的技术支撑.     

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法．该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度．在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率．实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低．     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

Support vector machine forecasting method improved by chaotic particle swarm optimization and its application

By adopting the chaotic searching to improve the global searching performance of the particle swarm optimization (PSO), and using the improved PSO to optimize the key parameters of the support vector machine (SVM) forecasting model, an improved SVM model named CPSO-SVM model was proposed. The new model was applied to predicting the short term load, and the improved effect of the new model was proved. The simulation results of the South China Power Market’s actual data show that the new method can effectively improve the forecast accuracy by 2.23% and 3.87%, respectively, compared with the PSO-SVM and SVM methods. Compared with that of the PSO-SVM and SVM methods, the time cost of the new model is only increased by 3.15 and 4.61 s, respectively, which indicates that the CPSO-SVM model gains significant improved effects. Foundation item: Project(70572090) supported by the National Natural Science Foundation of China     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

应用PSO和SVM的水下航行器黑箱建模

随着新型水下航行器不断涌现,现有水下航行器数学模型已难以与实际模型吻合.为更好了解新型水下航行器实际模型以及预测新型水下航行器运动,提出应用粒子群(particle swarm optimization,PSO)参数寻优和支持向量机(support vector machine,SVM)的水下航行器黑箱建模方法.首先根据水下航行器的运动状态信息和推进器力,应用支持向量机构造出之间的非线性映射关系,然后通过粒子群智能优化算法获得支持向量机的最佳参数组合,进而实现水下航行器的黑箱建模,最后根据推进器力是否时变,分别以新型四旋翼水下航行器的两种空间运动进行实验验证,并以均方根误差作为空间运动预测结果的评价标准.试验结果表明,基于粒子群参数寻优和支持向量机所构建的水下航行器黑箱模型对空间运动预测具有较小的均方根误差,空间运动预测结果与实际运动基本一致,所建黑箱模型与实际模型基本吻合,能有效预测水下航行器运动状态.     

栈式降噪自编码器在波形单元识别中的应用

为提高多功能雷达(Multi-Function Radar,MFR)波形单元的识别准确率和鲁棒性,提出一种栈式降噪自编码器(Stacked Denoising Autoencoders,SDAE)与支持向量机(Support Vector Machine,SVM)相结合的波形单元识别方法.首先摒弃传统依赖脉冲序列分析技术对MFR信号进行处理的方法,通过分析波形单元结构并借助参数间的联合变化特征,提出一种MFR波形单元分段识别模型,将传统对脉冲序列的识别转化为对MFR波形单元的识别;然后在该模型的基础上引入SDAE,对训练样本数据、SDAE隐含层神经元节点进行加噪处理,并利用这些加噪后的样本数据训练优化SDAE网络模型,提取出样本数据的深层稳健特征;最后引入SVM算法,借助SDAE挖掘出的样本深层特征,实现SVM模型的优化,得到最终的波形单元识别模型(SDAE-SVM).仿真实验表明:提出的波形单元识别方法在相同样本数目和测试误差的条件下,与SVM算法相比,能够取得较高的识别准确率,具备更优越的识别效果.证实MFR波形单元识别模型是有效的,且通过SDAE网络的引入,使得SDAE-SVM方法能够自主地挖掘原始信号的深层特征,提高波形单元识别的鲁棒性和准确率.     

Improved Support Vector Machine Approach Based on Determining Thresholds Automatically

To improve the training speed of support vector machine （SVM）, a method called improved center distance ratio method （ICDRM） with determining thresholds automatically is presented here without reduce the identification rate. In this method border vectors are chosen from the given samples by comparing sample vectors with center distance ratio in advance. The number of training samples is reduced greatly and the training speed is improved. This method is used to the identification for license plate characters. Experimental resuhs show that the improved SVM method-ICDRM does well at identification rate and training speed.     

基于SVM及电流牵扯效应的金属缺陷分类识别方法

金属在服役期间经常存在一些由应力、腐蚀和疲劳造成的缺陷,在众多的缺陷检测技术中,交流电位法作为一种无损检测技术在检测腐蚀坑和裂纹方面得到了广泛应用。用交流电位法检测不同缺陷时,由于几何形态的差异,缺陷深度的计算方法也不相同。因此需要在计算缺陷深度之前对所检测区域的缺陷类型做出识别。本文目的在于寻找一种高精度的缺陷分类识别方法。并且针对腐蚀坑和裂纹这两种最常见的金属缺陷,根据其对电流的牵扯效应不同,提出利用邻近检测区域的4个牵扯因子作为缺陷区域的特征向量建立分类模型。在大量仿真计算的基础上,分别建立坑蚀和裂纹的特征向量集,并由这些数据集训练得到基于遗传算法（GA）优化的支持向量机（SVM）分类模型。仿真测试结果中数据测试集分类精度较高,平板实验也得到了较高的识别精度。实验结果表明文中提出的缺陷分类识别方法对腐蚀坑和裂纹的分类识别具有很高的精度。     

改进粒子群与支持向量机混合的特征变换

研究了数据挖掘中通过特征变换的数据预处理来提高支持向量机(SVM)分类精度的方法,提出了改进粒子群优化(PSO)和SVM混合的方法. 用推广t统计、Fisher判别式和随机森林的线性加权度量来排序特征,得到预选特征子集,再用启发式信息加速改进PSO搜索特征的线性变换因子,并用二进制PSO对特征变换子集进行特征选择,在后处理中通过格子搜索获取了高精度SVM分类器. 在NIPS 2003的madelon及10个UCI数据集上的实验表明,与有C-SVM分类精度相比,新方法在4个数据集上的精度更高.