基于 HY-FMV 模型的雷暴天气预测研究

本文以极端天气中的雷暴天气为研究对象,基于历史气象数据预测未来三小时是否发生雷暴。为预测雷暴是否发生,本文分别对极端天气气象数据的采样、数据预处理、特征选择,以及建模分析进行了研究,最终提出一种基于机器学习方法的HY-FMV模型框架对雷暴天气进行预测。该模型采用混合模型进行数据预处理,基于概率分布与模型评价进行特征的选择和构建,并使用梯度提升树算法对极端天气进行预测分类。最后,本文以2010年到2015年福建和广东两省数据为例,分别使用本文所提出的HY-FMV模型,和随机森林算法等进行雷暴天气预测,结果表明,本文所提出的HY-FMV模型在F1指标上精度达到78%,相比其他算法,在雷暴天气预测精度上提高了0.5%-0.6%。     

基于即时学习策略的火电厂球磨机负荷软测量

针对电厂球磨机负荷难以进行有效预测的问题,从提高预测模型在线自适应能力的角度出发,提出一种基于即时学习策略的改进SVM建模方法。利用灰色关联分析方法对过程参数进行优化筛选,获得辅助变量;在即时学习策略建模框架下,采用多种群混合优化算法进行SVM预测模型参数的优化选取;基于电厂实际运行数据进行了仿真研究。仿真实验表明,与标准BP神经网络和SVM建模方法的比较,该算法具有更好的预测性能,虽然计算开销有所增加,但能够满足制粉系统球磨机负荷检测的实时性要求。     

基于SVM用户建模的核函数选择研究

用户建模是从用户偏好数据中建立用户偏好模型的过程,用户偏好数据具有系统运行初期的稀疏性和非线形的特点。支持向量机(Support Vector Machine,简称SVM)具有小样本学习、非线形处理的能力,是合适的用户建模工具。SVM的非线形处理能力主要依赖于核函数,采用不同的核函数进行建模对模型的预测效果有重大影响。本文重点研究核函数的选择对基于SVM建模方法的影响,从中选取了表现较优的小波核函数,构建性能突出的SVM进行用户建模。实验证明该建模方法可以有效地从小样本数据中学习用户偏好信息,建立反映用户真实偏好的用户模型。     

基于改进相关向量机的模拟电路故障预测

针对模拟电路实际使用过程中的可靠性问题，提出一种基于改进相关向量机的模拟电路故障预测方法。在提取被测电路的故障特征参数之后，将传统相关向量机中单个核函数改进为多个不同核函数组合形成混合核函数，提高算法的泛化性能。利用量子方法改进人工蜂群算法提升其优化效果以对各个核函数的权重因子寻优，从而提高算法的预测精度。将离散灰色模型与多核相关向量机相结合，提升算法的长期趋势预测性能。仿真结果表明，该方法的绝对误差、相对误差和测试误差均小于传统的相关向量机预测方法。     

支持向量机最优模型选择的研究

通过对核矩阵的研究,利用核矩阵的对称正定性,采用核校准的方法提出了一种SVM最优模型选择的算法——OMSA算法．利用训练样本不通过SVM标准训练和测试过程而寻求最优的核参数和相应的最优学习模型,弥补了传统SVM在模型选择上经验性强和计算量大的不足．采用该算法在UCI标准数据集和FERET标准人脸库上进行了实验,结果表明,通过该算法找到的核参数以及相应的核矩阵是最优的,得到的SVM分类器的错误率最小．该算法为SVM最优模型选择提供了一种可行的方法,同时对其他基于核的学习方法也具有一定的参考价值．     

基于灰色系统理论的财务风险评价方法

准确的财务风险评价是预防和化解企业财务危机的有效措施.文中提出了一种基于灰色系统理论的企业财务风险评价方法.该方法采用灰色系统理论构建财务评价模型,从企业财务指标和非财务指标两个方面生成评价指标体系.基于混沌模型对粒子群进行改进,采用改进后的粒子群算法对灰色系统权值进行优化.最后以某房地产企业数据进行了实验分析.结果表明,该方法能够有效完成企业财务风险评价,且具有较高的评价准确度.     

基于SVM混合集成的信用风险评估模型

准确的信用风险评估可以降低金融机构的风险。为了进一步提高信用风险评估模型的预测准确率,将基于SVM的集成学习模型应用到信用风险评估问题中,提出了一种混合集成策略,称作RSA。RSA是随机子集模型和AdaBoost两种流行策略的合成,能提高组合成员分类器的多样性,从而提高集成学习模型的预测准确率。模型在两组公开信用数据集上进行了应用,实验结果表明基于RSA的SVM的集成学习模型可以作为信用风险评估的有效模型。     

GCPSO优化混合核SVM的地铁车站客流预测

地铁中站点客流量为地铁运营调度部门提供实时调度管理依据。将径向基核函数与多项式核函数线性组合,构建了混合核支持向量回归机（SVM）预测模型。采用基于黄金分割的混沌粒子群（GCPSO）对混合核SVM的参数进行寻优,得到最佳的参数组合。利用该混合核SVM预测广州地铁3号线站点短期客流量。结果表明,GCPSO优化的混合核SVM预测模型对地铁站点的短期客流的预测精度高,预测数据和实测数据拟合良好,相对误差较小,明显优于SVM其他三种预测方法及Elman神经网络预测方法。     

基于半监督高斯混合模型核的支持向量机分类算法

提出了一种基于高斯混合模型核的半监督支持向量机(SVM)分类算法.通过构造高斯混合模型核SVM分类器提供未标示样本信息,使得SVM算法在学习标示样本信息的同时,能够兼顾整个训练样本集合的聚类假设.实验部分将该算法同传统SVM算法、直推式支持向量机(TSVM)以及随机游走(RW)半监督算法进行分类性能比较,结果证明该算法在拥有较少标示样本训练的情况下分类性能也有所提高且具有较高的鲁棒性.     

改进布谷鸟算法优化混合核LSSVM的卷烟销售量预测

为了提高卷烟销售量预测精度,提出了基于一种改进布谷鸟算法（MCS）优化混合核最小二支持向量机（LSSVM）的卷烟销售量预测模型（MCS-LSSVM）。收集卷烟销售量数据,并构建LSSVM学习样本,然后混合核函数的LSSVM对样本进行训练,并采用改进布谷鸟算法对混合核函数参数进行优化,最后建立卷烟销售量预测模型,并用于某卷烟公司卷烟销售的预测。结果表明,相对于对比模型,ICS-LSSVM模型获得了更优的建模效果和更高的预测精度。