基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于粒子群最小二乘支持向量机的瓦斯含量预测

针对经验模型与确定性模型在应用中受到限制问题,采用基于统计学习理论的支持向量机对经验数据进行学习,建立瓦斯含量与其影响因素之间的映射模型,从而实现煤层瓦斯含量预测.支持向量机的惩罚因子和核参数取值不同将会明显影响其预测的精度,支持向量机本身也没给出解决的办法,引入粒子群算法自动搜索支持向量机参数.该方法克服了神经网络过学习问题和支持向量机人为选取参数的盲目性问题.通过对某矿区样本的学习预测研究,表明该方法可取得良好的预测效果,具有较好的适应性.     

基于自适应粒子群参数优化的最小二乘支持向量机用电量预测模型

为应对当前复杂非线性的宏观经济形势与电力消耗情况,本文提出了一种自适应粒子群算法改进的最小二乘支持向量机负荷预测模型。根据粒子群中粒子的成熟程度对其进行分类,对不同类别的粒子分别采取不同的位置更新方式,可以保持粒子种群多样性,避免造成局部最优。利用自适应粒子群算法优化最小二乘支持向量机的模型参数,经过实证分析能够一定程度提高模型的预测精度,可以为中长期负荷预测工作提供一些的参考。     

组合最小二乘支持向量机与粒子群优化算法研究黄土湿陷性

通过静力触探试验指标结合扰动黄土试样的液限、塑限及含水量等指标用最小二乘支持向量机方法进行建模,提出了静力触探试验指标和湿陷系数的非线性关系模型,并引入粒子群优化算法进行模型反演分析,确定最优参数。通过6个对比勘探点的50组试样实例应用分析,显示了最小二乘支持向量机是一种较为有效的非线性建模方法,粒子群优化算法进行模型参数优化能够保证全局最优。验证结果表明模型的精度较高,有一定的实用价值。     

改进量子粒子群优化支持向量机的网页分类

随着海量网页信息的出现,网页分类已经成为数据挖掘领域的一个重要研究方向,网页分类是一种快速有效利用海量网页信息的重要技术.为了克服支持向量机进行网页分类时存在训练收敛较慢和分类精度不高的缺点,将改进的量子粒子群优化算法与支持向量机相结合,提出了一种融合改进量子粒子群算法和支持向量机的网页分类方法.首先引入柯西分布改进量子粒子群优化算法,其次利用改进的量子粒子群算法优化支持向量机的参数选择,然后利用支持向量机进行网页分类.实验结果表明,该方法具有较高的准确率、召回率和F1测试值,网页分类效率也得到了一定程度的提高.     

基于粒子群优化的LSSVM在模拟电路故障诊断中的应用

提出一种基于粒子群优化的最小二乘支持向量机的模拟电路故障诊断新方法。对模拟电路故障信号采用小波包进行消噪和分解,作为最小二乘支持向量机的输入样本。为了避免参数优化时容易陷入局部最优的缺陷,使用粒子群算法对LSSVM参数进行优化选取。以Sallen-key带通滤波器电路为对象的仿真研究结果表明,提出的基于粒子群优化的最小二乘支持向量机可以对模拟电路有效地进行故障诊断,并且提高了诊断效率。     

基于LS-SVM方法的晴空逐时太阳辐射模型

利用浙江省杭州和椒江两站2003-2005年的晴空逐时气象数据,采用最小二乘支持向量机方法(LS-SVM),建立了晴空逐时太阳辐射模型.模型的输入因子为逐时天文辐射、气温、气压、水汽压、能见度和风速等要素,输出因子为逐时太阳辐射.模型数据分为2部分,其中2003年的数据用于训练建模,2004-2005年的数据用于模型的评估.结果表明,LS-SVM方法能够很好地模拟气象要素对太阳辐射的非线性影响,建立的太阳辐射模型精度较高,模型的解释性方差R2为0.950 5,均方根误差ERMS-0.159 0 MJ·m-2,平均误差EMB和平均绝对误差EMAB分别为0.005 3和0.124 1 MJ·m-2.根据浙江省68个气象站2005-12-15T14:00的气象要素,估算出的太阳辐射为1.39～2.24 MJ.m-2.基于LS-SVM方法的晴空逐时太阳辐射模型具有很好的学习推广能力,利用常规的气象观测资料,即可模拟出具有相似气候背景下的晴空逐时太阳辐射,为太阳辐射遥感反演提供地面数据.     

基于PSO的氧化铝粉流量LS-SVM预测模型

针对电解铝厂生产过程中氧化铝输送流量在线测量问题,考虑到样本数据较少的因素,采用粒子群优化的最小二乘支持向量机方法,建立氧化铝超浓相输送中氧化铝粉流量的软测量模型.以粒子群优化的方法选取最小二乘支持向量机的模型参数,克服交叉验证法耗时与盲目性的问题,同时发挥最小二乘支持向量机的小样本学习能力强和计算简单的特点.通过采用实际数据进行仿真研究,结果表明,所建预测模型估计值与实际分析值吻合较好,从而验证了PSO-LSSVM预测模型对氧化铝粉流量准确估算的有效性.     

量子粒子群优化神经网络集成股市预测模型研究

利用量子粒子群优化神经网络集成个体的网络结构和连接权值,对集成个体进行支持向量机回归集成,建立一个新的量子粒子群优化神经网络集成股市预测模型。新模型能有效提高神经网络集成系统的泛化能力,易操作,稳定性好,预测精度高,具有良好的应用前景。     

基于LS-SVM的电炉钢水温度预测

通过对LS-SVM的参数进行优选,使所建模型具有较强的拟合和预测能力．针对某厂实际生产数据,运用LS-SVM建立钢水温度预测模型,拟合和预测结果良好,表明该模型对实际生产具有指导意义．     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征，通过正态云发生器对量子粒子群优化算法（QPSO）进行改进，提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究，定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式，给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO，OPSO，CVCPSO，CMAQPSO 4种算法进行对比测试，实验结果表明，CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

基于QPSO的自适应均衡算法

自适应均衡技术能有效地克服光纤信道的色散和光纤非线性等效应引起的符号间干扰。但传统的自适应均衡算法存在收敛速度慢、稳定性差、均衡效果不理想等缺点,从而使自适应均衡器在高速光纤通信系统中的应用受到限制。提出了一种基于QPSO的自适应均衡算法。仿真实验表明,QPSO具有收敛速度快、计算精度高等优点,将其作为自适应均衡器的控制算法可收到很好的均衡效果,优于传统的控制算法。     

基于正态云模型的自适应量子粒子群优化算法

基于云模型的随机性、模糊性和稳定性特征,通过正态云发生器对量子粒子群优化算法（QPSO）进行改进,提出了一种基于正态云模型的自适应量子粒子群优化算法（CMAQPSO）.该算法将正态云模型引入到QPSO算法的研究,定义了收缩扩张系数的云调整策略和粒子云变异算子的构建公式,给出了量子势阱中心调整策略和边界修正策略.用5个标准测试函数对SPSO,OPSO,CVCPSO,CMAQPSO 4种算法进行对比测试,实验结果表明,CMAQPSO在5个测试函数上的平均寻优效果都明显优于其他3种算法.     

供应商评价的支持向量机模型及应用研究

对供应商的评价是企业供应中的首要问题。本文在建立供应关系数据仓库的基础上,挖掘和优化供应商评价指标体系。应用“温度计,洋葱头”算法建立供应商评价的隶属函数,以定义供应商评价的目标变量——供应商评价指数,和建立挖掘供应商评价的支持向量机模型。最后介绍了一个实例。     

基于粒子群优化算法的组合算子水质评价模型

根据参数化组合算子方法建立了水质评价模型,应用粒子群优化算法确定模型中的参数,并将该模型分别应用于富营养化海水、地下水与地表水的水质评价.案例分析结果表明,基于粒子群算法的参数化组合算子水质评价模型对各类水体的水质评价结果与传统方法基本一致,具有方法简单、计算量小和适用于非线性水质评价问题的特点.     

基于支持向量机的压力传感器校正模型

针对压力传感器输出特性受温度变化和电压波动影响的问题,提出了应用支持向量机对压力传感器输出特性进行非线性补偿的校正模型。校正模型利用支持向量机具有逼近任意非线性函数的特点,通过建立压力传感器输出特性与其实际电压值之间非线性映射关系的校正模型,实现压力传感器非线性补偿校正。实验结果表明,最大相对波动从22.2%降为0.64%,能有效地消除温度和电压波动的影响,在校正模型的输出端得到期望的压力传感器输出特性。     

一种非线性的无监督对象检测模型

现有的无监督对象检测模型采用线性模型引入自顶向下的对象信息。由于对象的多变性及背景的复杂性,线性模型无法很好地刻画局部区域的对象信息。本文采用非线性模型学习引入对象性,同时采用了一种结合的策略引入对象的显著信息,以实现对象的检测。我们采用著名的Pascal图像库以提供广泛的对象样本,基于核的支持向量机则用于非线性模型的学习。实验结果,表明本文方法能够改善对象检测的性能。     

量子粒子群算法优化钢结构截面

传统的钢结构截面优化方法通常采用试算法,很难获得全局最优解。在经典粒子群算法的基础上,通过研究量子行为,提出了基于量子行为的粒子群算法,并将其应用于钢结构截面优化设计,详细描述了算法的原理和优化步骤,给出了钢结构截面优化数学模型,并对两个典型工程优化实例进行了实验验证。典型算例的截面优化结果表明:与PSO算法及传统试算法相比,该算法的优化结果最好,在满足工程要求的前提下,截面参数合理,截面面积最小,经济性得到了明显提高。     

基于混沌理论和自适应惯性权重的PSO算法优化

针对粒子群算法固定惯性权重和早熟收敛的缺陷,提出一种动态自适应惯性权重调整策略,有效增强了算法的全局和局部寻优能力;并针对早熟问题,采用混沌映射方法增加种群多样性,同时利用负梯度方向调整群体极值,极大降低了算法陷入局部极值的概率.通过在多个常用测试函数上与其他算法比较,证明了所提改进粒子群算法的正确性和有效性.     

基于核主成分KPCA的LS-SVM的算法分析

主成分分析（PCA）是一种重要的特征抽取方法,而核主成分分析（KPCA）是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机（LS-SVM）是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机（LS-SVM）建模方法具有更良好的推广性。