一种获取渔场知识的数据挖掘模型及知识表示方法研究*

提出了一种获取渔场知识的数据挖掘模型及知识表示方法。首先利用SVM(支持向量机)和模糊分类器从数据库中提取出有利于渔情预测的静态知识,然后通过可拓挖掘方法将静态知识转换为动态知识,最后采用本体构建技术对渔场的静态知识和动态知识进行表达,建立本体知识库。在上述方法的研究基础上,建立了以印度洋大眼金枪鱼为例的渔情预测原型系统。系统运行结果表明,提出的获取渔场知识的数据挖掘模型及知识表示方法是有效可行的。     

基于支持向量机的网络流量建模及预测

流量建模与预测对于大规模网络的规划设计和网络资源管理等方面都具有积极的意义,是网络流量工程重要组成部分。该文结合网络流量的时间序列特性,提出一种基于支持向量机的网络流量预测算法,并针对由于支持向量机采用先验知识选择参数会导致不同数据对先验知识适应程度不同,给出了一个动态调整优化参数策略。实验仿真结果表明,该算法具有很好的预测精度和适用性。     

基于小波变换与支持向量机的短期电力负荷预测

利用多分辨分析的小波变换对短期电力负荷序列进行分解处理，将负荷序列投影到不同的尺度上，对各子负荷序列根据其特性采用不同的支持向量机进行训练和预测，最后把各预测的结果叠加得到完整的负荷预测结果。算例结果表明该方法同支持向量机的方法相比较具有较高的预测精度和较强的适应能力。     

基于支持向量回归机的股票价格预测

研究股票价格预测问题,股票价格变化具有非线性、时变性,传统线性预测模型难以准确刻画股价变化规律,且非线性神经网络存在过拟合、局部最小等缺陷,预测精度比较低。为提高股票价格预测精度,提出一种基于粒子群优化支持向量机的股票价格预测模型。利用粒子群算法良好的寻优能力,对支持向量机参数进行优化,加快支持向量机学习速度,再采用非线性预测能力优异的支持向量机对股票价格进行预测。以南天信息股票价格对模型性能进行仿真,实验结果证明,支持向量机预测模型能全面反映股票价格变化的非线性的时变规律,获得更高预测精度,预测结果对股民实际操作具有较大的指导价值。     

基于支持向量回归机的HHT边界效应处理

针对希尔伯特-黄变换中的边界效应，提出了基于支持向量回归机的时间序列预测方法．在支持向量回归机的应用当中，参数的选取对它的泛化性能有很大影响．在讨论了参数对支持向量回归机的泛化性能的影响基础上，提出了通过微粒群优化算法来优化支持向量回归机参数的方法，使得支持向量回归机在应用中能够自适应的选择最优参数，从而获得了更好的泛化性能，提高了在端点处的延拓精度，很好地抑制了端点效应．试验表明，该优化算法能够很好解决支持向量回归机的参数选取问题．通过与神经网络的延拓方法和黄等人的HHTDPS结果对比，基于支持向量回归机的时间序列预测方法可以更好地解决在希尔伯特-黄变换中存在的边界效应，得到的固有模态函数具有较小的失真．     

基于粗集支持向量机的区域经济走势预测方法

针对区域经济预测中多属性而支持向量机方法无法有效选择的问题,提出了一个基于粗集理论和支持向量机的区域经济走势预测方法.方法利用粗集理论在处理多属性数据方面的优势对区域经济走势预测的条件属性进行约简,约简后的数据进入支持向量机的预测系统,从而减少了支持向量机的训练数据,在一定程度上克服了支持向量机方法处理速度慢的缺点.将方法应用于某区域经济走势预测中,获得了较好的预测结果.实证结果表明,方法具有较好的预测能力,与标准支持向量机方法相比,方法具有明显的优势.     

基于小波变换和支持向量机的水质预测

提出基于小波变换和支持向量机的水质预测模型。该模型运用小波变换得到水质时间序列在不同尺度下的变化特性,并用改进后的粒子群算法优化回归支持向量机的三个参数,提高了模型预测精度。运用该模型对王江泾自动监测站测得的溶解氧浓度进行了1步预测及2步预测,10组测试样本最高MAPE为4.54%,并用基于BP神经网络的预测结果进行了比较。结果表明,该模型性能良好、预测精度高、简便易行,比基于BP神经网络的模型具有更好的预测效果,为水质预测提供了一种有效的方法。     

基于LS-SVM的测井物性参数的预测方法

支持向量机（SVM）是近年来发展起来的一种通用的机器学习方法,在小样本数据的拟合中已获得了很好的效果。采用新型的支持向量机——最小二乘支持向量机（LS-SVM）对孔隙度、渗透率和饱和度进行了预测,获得了满意的结果。该方法易于使用,很少受不确定性因素的影响,并具有较强的信息整合能力以及更高的预测准确性。     

基于SVM的大样本数据回归预测改进算法

针对支持向量机回归预测精度与训练样本尺寸不成正比的问题,结合支持向量机分类与回归算法,提出一种大样本数据分类回归预测改进算法。设计训练样本尺寸寻优算法,根据先验知识对样本数据进行人为分类,训练分类模型,基于支持向量机得到各类别样本的回归预测模型,并对数据进行预测。使用上证指数的数据进行实验,结果表明,支持向量机先分类再回归算法预测得到的均方误差达到12.4,低于人工神经网络预测得到的47.8,更远低于支持向量机直接回归预测得到的436.9,验证了该方法的有效性和可行性。     

基于小波变换的动态关联规则元规则GM(1,1)挖掘

提出了一种把小波变换应用到动态关联规则元规则挖掘中并提高规则预测精度的方法。该方法首先利用小波变换技术对挖掘出的动态关联规则元规则支持度计数进行变换,然后通过小波变换的多分辨率特点提取出近似部分和细节部分,并利用这两部分别进行单支重构,随后利用GM(1,1)对重构的两部分进行预测,从而得到最后的预测结果,最后通过实验证明了该方法具有较高的预测精度。     

一种基于fMRI数据的脑功能网络构建方法*

人脑可以用复杂网络方法进行定量分析。为了研究基于功能磁共振成像数据来构建脑功能网络,首先,用标准脑模板将全脑分割成90个功能区域,每个区域定义为一个网络节点;然后,用脑区的平均时间序列来计算相关系数, 网络节点间是否有边相连取决于其相关水平;最后,生成一系列不同网络密度的无向无权图,用来分析网络统计特性。结果表明,所构建的网络具有小世界拓扑结构。该脑功能网络的构建方法可以应用在某些认知障碍的临床诊断上。     

基于稀疏表示方法的短期风电功率预测

针对短期风电功率预测,提出一种基于稀疏表示特征提取的建模方法.为了构建预测模型,将历史风电功率数据构成具有时延的输入-输出数据对,将时延输入数据向量作为初始字典,由K-均值奇异值分解(K-SVD)算法将其进行稀疏分解与变换至稀疏域以得到学习后的字典,由正交匹配追踪(OMP)算法获取相应的稀疏编码向量,再将该向量作为极限学习机(ELM)或支持向量机(SVM)的输入来构建全局回归模型.为了验证所提出的方法的有效性,将所提出的方法用于短期风电功率预测中,在同等条件下与单一SVM、ELM方法和非字典学习的其他稀疏表示建模方法进行了比较.实验结果表明,不同的稀疏表示建模方法均能取得很好的预测效果,其中所提出的方法具有更好的预测效果,显示出其有效性.     

ε-Descending Support Vector Machines for Financial Time Series Forecasting

This paper proposes a modified version of support vector machines (SVMs), called ε-descending support vector machines (ε-DSVMs), to model non-stationary financial time series. The ε-DSVMs are obtained by incorporating the problem domain knowledge – non-stationarity of financial time series into SVMs. Unlike the standard SVMs which use a constant tube in all the training data points, the ε-DSVMs use an adaptive tube to deal with the structure changes in the data. The experiment shows that the ε-DSVMs generalize better than the standard SVMs in forecasting non-stationary financial time series. Another advantage of this modification is that the ε-DSVMs converge to fewer support vectors, resulting in a sparser representation of the solution. This revised version was published online in June 2006 with corrections to the Cover Date.     

Prioritization of satellite-derived potential fishery grounds: an analytical hierarchical approach-based model using spatial and non-spatial data

Forecast of potential fishing grounds can save considerable amounts of fuel and time involved in marine fishing operations, making the operation more profitable. This study investigates the prospects of using a decision support system for forecasting potential fishery zones and prioritizing them according to profitability using multi-criteria analysis. Ocean Colour Monitor-derived chlorophyll concentration and National Oceanic and Atmospheric Administration Advanced Very High Resolution Radiometer-derived sea surface temperature maps were integrated to demarcate the potential fishery zones (PFZs). QuickSCAT (NASA) scatterometer wind data obtained from the global 25 km × 25 km gridded dataset were used for updating the locations of PFZ features. An analytical hierarchy process-based prioritization model, which considers different parameters favouring a targeted species, distance to the zone and historical catch per unit effort as the major decision-making parameters, was used to rank the zones based on feasibility. A software package was developed incorporating the above-mentioned functionalities for automatic data processing and PFZ map generation.     

A forecasting support system for aquatic products price in China

Aquaculture plays a very important role in adjusting Agricultural structure and increasing farmers' income. But the technological advances in the production and storage of fishery products have exceeded the development of effective market demand over the past one decade. As a result, participants within the fishery industry have frequently found themselves facing increased variable and declining prices negatively affected the fishery industry. So it is desirable to provide decision aids to price forecasting to avoid such market imbalance. An aquatic products price forecasting support system (APPFSS) was developed by China agricultural University. Based on questionnaire and interviews, we analyze the decision problems and user needs. Then the architecture and development of APPFSS were described. At last we discussed on problems we had encountered during development and promotion.     

Dynamic sparse coding for sparse time-series modeling via first-order smooth optimization

Sparse coding, often called dictionary learning, has received significant attention in the fields of statistical machine learning and signal processing. However, most approaches assume iid data setup, which can be easily violated when the data retains certain statistical structures such as sequences where data samples are temporally correlated. In this paper we formulate a novel dynamic sparse coding problem, and propose an efficient algorithm that enforces smooth dynamics for the latent state vectors (codes) within a linear dynamic model while imposing sparseness of the state vectors. We overcome the added computational overhead originating from smooth dynamic constraints by adopting the recent first-order smooth optimization technique, adjusted for our problem instance. We demonstrate the improved prediction performance of our approach over the conventional sparse coding on several interesting real-world problems including financial asset return data forecasting and human motion estimation from silhouette videos.     

基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足，提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间，将非线性问题转化为线性，然后在结构风险最小化原则下进行二次规划，并求得最优解，从而建立模型。从仿真实验中可以看到，该方法建立的模型较为准确地预测了600009、000815两只股票的日均价，表现出了较强的泛化能力。     

基于自校正支持向量回归的锌产量在线预报模型及应用

提出了基于自校正支持向量回归的密闭鼓风炉锌产量在线预报模型，以便根据预报结果来调整参数，实现锌产量最大．在该模型中，支持向量回归的数学模型被转换成与支持向量分类一样的格式，然后采用简化的SMO方法训练回归系数向量a-a*和阈值b，并在训练过程中动态调整惩罚系数C．最后，给出锌产量的在线预报算法．仿真结果表明，该预报模型在只有较少的样本数的情况下，在有效误差范围内预报精度能达到90％，且具有很好的实时性．     

一种模拟电路的支持向量机故障诊断方法

系统地提出了模拟电路的最小二乘小波支持向量机故障诊断方法。从测试点得到各种故障状态下的输出电压信号，对输出电压信号进行小波去噪，对信号进行小波分解获取多尺度的低频系数和高频系数，并对小波系数进行处理从而提取出故障特征量，以此作为学习样本来训练最小二乘小波支持向量机，确定其模拟电路故障诊断的模型。雷达系统电路仿真结果表明了模拟电路的小波变换和最小二乘小波支持向量机故障诊断方法取得了较好的效果。