基于相关向量回归的仿真元建模方法

针对支持向量回归元模型存在的不足,提出将相关向量回归应用于仿真元建模,使用多个不同维度和非线性程度的基准测试函数,在元模型精确性、采样技术、样本规模、模型维度和非线性程度等多方面与多项式回归、Kriging、径向基函数、支持向量回归4种方法进行对比研究,结果证明该方法具有较高的精确性和鲁棒性。     

基于支持向量回归的非线性系统辨识

本文将支持向量回归方法应用于非线性系统辨识问题．基于高斯支持向量回归及ε不敏感损失函数的基本思想，本文提出一个非线性系统辨识的新算法，并将其与用于系统辨识的径向基函数神经网络进行了比较．模拟实验表明，支持向量回归方法可以成为非线性系统辨识的有力工具．     

导弹多学科设计优化中响应面方法研究

使用响应面方法取代高精度工程模拟可以减少设计周期和成本。目前,有多种响应面模型应用到导弹多学科设计优化中,每种响应面模型有不同优点和不足。本文的目的是通过比较六种响应面模型来帮助设计者选择合适的响应面模型。七种测试函数用来比较响应面模型的三个方面：近似精度、鲁棒性和应用难易度。结果表明,Kriging响应面和增强径向基函数响应面对线性响应、二次响应和高阶非线性响应都有很好的近似效果,而二次多项式响应面和移动最小二乘响应面适合于线性和二次响应,径向基函数响应面适合于高阶非线性响应。神经网络响应面在使用更多的采样点时得到更精确的模型。     

基于改进的多元自适应样条回归的全局近似算法

复杂模型的全局近似方法可应用于参数试验、灵敏度分析、实时仿真和设计或控制优化等很多方面。多维模型的全局近似使用的方法通常有PRS(多项式响应面),Kriging(克里格法),RBF(径向基函数),SVR(支持向量回归)和MARS(多元自适应样条回归)。虽然传统的MARS有着不容置疑的优势,但是MARS存在的缺点限制了它的应用范围。论文提出了一个改进的MARS多维全局近似方法:用黄金分割方法优化向量点,提高了采样点的构建速度,从而提高了MARS的近似效率。     

支持向量机用于多溴联苯醚蒸汽压的QSPR研究

应用ChemOffice 8.0中的MOPAC-PM3算法计算得到多溴联苯醚(PBDEs)的6个量子化学参数,采用基于多项式核,径向基核及Sigmoid核的支持向量机(SVM)方法建立了23种PBDEs蒸汽压的QSPR模型.三类核函数对训练集拟合的相关系数R2分别为0.994,0.996,0.994.,均方误差MSE分别为0.0102,0.0081,0.0095;留一法交叉验证(LOO)的相关系数分别为0.992,0.991,0.991.对测试集进行同归的相关系数分别为0.994,0.986,0.991,均方误差MSE分别为0.0225,0.0458,0.0247.结果表明SVM回归算法在PBDEs蒸汽压的QSPR建模上表现出色,核函数的选择对SVM模犁性能影响不显著.文章还从模型拟合效果、预测能力及稳定性三方面比较了三类核函数的整体性能,并比较了支持向量数目对核函数预测能力的影响.结果表明多项式核与Sigmoid核性能相当,优于径向基核.     

基于支持向量机的记忆功率放大器预失真

提出了一种新的针对记忆非线性功率放大器的支持向量机（SVM）预失真器。通过对其建模中采用径向基核函数和多项式核函数所表现出的性能特点进行分析,为核函数的选取提供了参考。采用以多项式为核函数的SVM对3种典型的记忆非线性功率放大器模型进行线性化仿真,结果表明了该方法的有效性和鲁棒性。     

基于测度学习支持向量机的钢琴乐谱难度等级识别

现有钢琴乐谱难度分类主要由人工方式完成,效率不高,而自动识别乐谱难度等级的算法对类别的拟合度较低。因此,与传统将乐谱难度等级识别归结为回归问题不同,本文直接将其建模为基于支持向量机的分类问题。并结合钢琴乐谱分类主观性强、特征之间普遍存在相关性等特点,利用测度学习理论有难度等级标签乐谱的先验知识,依据特征对难度区分的贡献度,改进高斯径向基核函数,从而提出一种测度学习支持向量机分类算法——ML-SVM算法。在9类和4类难度两个乐谱数据集上,我们将ML-SVM算法与逻辑回归,基于线性核函数、多项式核函数、高斯径向基核函数的支持向量机算法以及结合主成分分析的各个支持向量机算法进行了对比,实验结果表明我们提出算法的识别正确率优于现有算法,分别为68.74%和84.67%。所提算法有效提高了基于高斯径向基核函数支持向量机算法在本应用问题中的分类性能。     

基于支持向量机的学习资源推送方案

文章将支持向量机用于学习资源的个性化推送。通过引入知识点的概念与形式化描述,建立起测试试题与学习资源的联系,并形成特征向量。采用线性核函数、多项式核函数和径向基核函数分别构建不同的支持向量机,进行了实验与数据分析。结果表明,支持向量机技术能较好的支持学习资源的个性化推送,具有响应速度快,正确率高,训练样本小等优点。     

基于SVM的语音关键词确认方法研究

对支持向量机理论进行了简要分析,并将支持向量机引入汉语语音关键词识别系统中,根据关键词置信度将关键词假想命中分为接受和拒识两类,从而提高系统正确识别率。针对线性支持向量机、不同核函数下的非线性支持向量机以及核函数为径向基函数时支持向量机的性能做了一些相关实验。实验结果显示,支持向量机是一种相当有效的关键词确认方法。     

用于说话人识别支持向量机模型的核函数选择

支持向量机(SVM)已广泛地应用于文本无关的说话人辨认系统,不同的核函数影响识别性能。基于此,在TIMIT语料库上对线性核、多项式核以及径向基核进行了对比实验。实验表明多项式核在多项式次数等于6的情况下具有最佳的识别性能,其识别率可以达到82.88%。     

COX2抑制剂活性预测中的拟合方法比较

在COX2抑制剂活性预测问题中,传统的多元线性回归方法对非线性拟合问题存在较大局限性,以98种三环系COX2抑制剂分子集合中的数据分析预测为例,考察反向传播（BP）网络与支持向量回归（SVR）方法的性能,证明BP网络与SVR方法在COX2抑制剂活性预测方面的性能均优于广泛采用的多元线性回归方法,具有良好的应用潜力。而且SVR方法可以克服BP网络过拟合的问题,更适于小样本高参量的问题。     

Support vector regression for anomaly detection from measurement histories

This research focuses on the analysis of measurements from distributed sensing of structures. The premise is that ambient temperature variations, and hence the temperature distribution across the structure, have a strong correlation with structural response and that this relationship could be exploited for anomaly detection. Specifically, this research first investigates whether support vector regression (SVR) models could be trained to capture the relationship between distributed temperature and response measurements and subsequently, if these models could be employed in an approach for anomaly detection. The study develops a methodology to generate SVR models that predict the thermal response of bridges from distributed temperature measurements, and evaluates its performance on measurement histories simulated using numerical models of a bridge girder. The potential use of these SVR models for damage detection is then studied by comparing their strain predictions with measurements collected from simulations of the bridge girder in damaged condition. Results show that SVR models that predict structural response from distributed temperature measurements could form the basis for a reliable anomaly detection methodology.     

Parameter selection of support vector regression based on hybrid optimization algorithm and its application

Choosing optimal parameters for support vector regression （SVR） is an important step in SVR. design, which strongly affects the pefformance of SVR. In this paper, based on the analysis of influence of SVR parameters on generalization error, a new approach with two steps is proposed for selecting SVR parameters, First the kernel function and SVM parameters are optimized roughly through genetic algorithm, then the kernel parameter is finely adjusted by local linear search, This approach has been successfully applied to the prediction model of the sulfur content in hot metal. The experiment results show that the proposed approach can yield better generalization performance of SVR than other methods,     

Parameter selection of support vector regression based on hybrid optimization algorithm and its application

Choosing optimal parameters for support vector regression (SVR) is an important step in SVR design, which strongly affects the performance of SVR. In this paper, based on the analysis of influence of SVR parameters on generalization error, a new approach with two steps is proposed for selecting SVR parameters . First the kernel function and SVM parameters are optimized roughly through genetic algorithm, then the kernel parameter is finely adjusted by local linear search. This approach has been successfully applied to the prediction model of the sulfur content in hot metal. The experiment results show that the proposed approach can yield better generalization performance of SVR than other methods.     

一种分布式智能推荐系统的设计

为提高支持向量回归算法的学习能力和泛化性能,提出了一种优化支持向量回归参数的混合选择算法.根据训练样本的规模和噪声水平等信息,确定支持向量回归参数的取值范围,用实数编码的免疫遗传算法搜索最佳参数值.混合选择算法具有较高的精度和效率,在选择支持向量回归参数时,不必考虑模型的复杂度和变量维数.仿真实验结果表明,该算法是选择支持向量回归参数的有效方法,应用到函数逼近问题时具有优良的性能.     

支持向量回归参数的混合选择

为提高支持向量回归算法的学习能力和泛化性能,提出了一种优化支持向量回归参数的混合选择算法。根据训练样本的规模和噪声水平等信息,确定支持向量回归参数的取值范围,用实数编码的免疫遗传算法搜索最佳参数值。混合选择算法具有较高的精度和效率,在选择支持向量回归参数时,不必考虑模型的复杂度和变量维数。仿真实验结果表明,该算法是选择支持向量回归参数的有效方法,应用到函数逼近问题时具有优良的性能。     

An adaptive support vector regressor controller for nonlinear systems

In this study, a novel online support vector regressor (SVR) controller based on system model estimated by a separate online SVR is proposed. The main idea is to obtain an SVR controller based on an estimated model of the system by optimizing the margin between reference input and system output. For this purpose, “closed-loop margin” which depends on tracking error is defined, then the parameters of the SVR controller are optimized so as to optimize the closed-loop margin and minimize the tracking error. In order to construct the closed-loop margin, the model of the system estimated by an online SVR is utilized. The parameters of the SVR controller are adjusted via the SVR model of system. The stability of the closed-loop system has also been analyzed. The performance of the proposed method has been evaluated by simulations carried out on a continuously stirred tank reactor (CSTR) and a bioreactor, and the results show that SVR model and SVR controller attain good modeling and control performances.     

改进的FS算法选取支持向量回归机参数及应用*

针对支持向量回归机SVR的拟合精度和泛化能力取决于相关参数的选取,提出了基于改进FS算法的SVR参数选择方法,并应用于交通流预测的研究。FS(free search)算法是一种新的进化计算方法,提出基于相对密集度的灾变策略改进FS算法的个体初始位置选择机制,以扩大搜索空间,提高全局搜索能力。对实测交通流量进行滚动预测仿真实验,结果表明该方法优化SVR参数是有效、可行的,与经验估计法和遗传算法相比,得到的SVR模型具有更好的泛化性能和预测精度。     

具分段损失函数的支持向量机回归及在投资决策中的应用

支持向量机回归模型的性能与所选用的损失函数有很大关系.本文提出一种具分段损失函数的支持向量机回归模型,其分段损失函数对落在不同区间的误差项采用不同的惩罚函数形式,并将该模型应用于投资决策问题中,估计收益率向量的联合概率密度函数和最优投资组合.仿真实验表明,其性能要优于一般的支持向量回归方法.     

RQEA-SVR在交通流预测中的应用

建立在统计学习理论和结构风险最小化准则基础上的支持向量回归（SVR）是处理小样本数据回归问题的有利工具,SVR的参数选取直接影响其学习性能和泛化能力。文中将SVR参数选取看作是参数的组合优化问题,确定组合优化问题的目标函数,采用实数量子进化算法（RQEA）求解组合优化问题进而优选SVR参数,形成RQEA-SVR,并应用RQEA-SVR求解交通流预测问题。仿真试验表明RQEA是优选SVR参数的有效方法,解决交通流预测问题具有优良的性能。