基于支持向量回归的唇动参数预测

支持向量机学习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，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

基于SVR算法的燃气轮机功率预测研究

对燃气轮机未来几小时的功率预测是跳闸等故障预警的关键,而国内该方面研究尚少。采用支持向量回归模型,并融合多变量预测,以提高预测的准确性。以某电厂燃气轮机运转的实际数据为例,设计多组对比实验,详细阐述了实验流程以及重要参数的选取方法,最终验证了该方法的有效性。     

基于记忆模式的NO_x支持向量回归预测研究

低NO_x排放是电站锅炉燃烧优化的主要目标之一,影响燃煤锅炉NO_x排放因素众多且复杂,对锅炉燃烧过程NO_x浓度进行准确预测是低NO_x燃烧优化的基础。机组全工况运行时表现出强时变性,静态预测模型难以保证预测精度,考虑到观测样本的时效性,模拟记忆模式对观测数据进行重采样,进而基于支持向量回归算法构建NO_x排放预测模型,构造一种基于记忆模式的支持向量回归算法。以某机组热态试验数据为基础,对算法进行了仿真分析,结果表明,该算法在保证回归建模精度的同时,在训练速度、稳定性以及泛化性能等方面较传统支持向量回归算法更有优势。     

基于多核最小二乘支持向量回归的TDOA-DOA映射方法

基于到达时间差(Time difference of arrival, TDOA)估计的方法是声源波达方向(Direction of arrival, DOA)估计中的一类重要方法。其中由TDOA到DOA的映射是该类方法的关键步骤。本文提出了一种基于多核聚类最小二乘支持向量回归(Least-squares support vector regression, LS-SVR)的TDOA-DOA映射方法,并且分析了其稀疏化处理后的性能。为了提高混响噪声环境下的TDOA-DOA映射性能,本文还给出了一种基于归一化中值滤波的TDOA估计离群值消除方法。仿真结果表明,本文提出的方法要优于现有的最小二乘方法以及单核LS-SVR方法。     

基于支持向量回归的非线性多功能传感器信号重构

在多功能传感器信号重构中,通常采用经验风险最小化准则实现函数回归,在小样本情况下,该方法易导致泛化性差和过拟合问题.本文利用支持向量回归方法实现非线性多功能传感器信号重构,支持向量机是基于结构风险最小化准则的新型机器学习方法,可有效抑制过拟合问题并改善泛化性能.仿真结果表明经该算法重构后的信号重构误差率在0.4%以下,重构效果较好,验证了该算法的有效性.     

基于递推最小二乘支持向量回归估计的建模与预报

提出一种新的递推最小二乘支持向量回归估计算法（RLS-SVR），该算法具有实时性高、更新速度快的特点．充分应用RLS-SVR在线学习和训练的实时性，避免辨识模型的维数过高而降低估计精度，本文进一步提出了基于RLS-SVR的混合训练—估计辨识结构．TE过程的组分软测量建模和预报验证了该方法的有效性和优越性．     

基于支持向量回归（ε-SVR）预测的分布式机器视觉算法的研究

针对目前我国现代分布式机器视觉系统的发展现状,通过研究分布式视觉系统中的时延和网络阻塞问题,提出了一种基于支持向量回归（ε-SVR）预测的分布式机器视觉算法模型,该算法能够有效的预测时延变化,预测效果超过同类型的预测方法。实验和应用表明：与同类型预测方法相比,该模型不但能够在预测效果上达到现有预测水平,而且能大大提高预测速度,适应实时预测的需要。     

基于PCA与支持向量回归的储层渗透率预测

在测井技术与储层基本特征研究的基础上,对与渗透率相关的测井参数和岩心参数进行了分析,根据传统的储层渗透率预测方法,提出了一种基于主成分分析与支持向量回归的储层渗透率预测方法。应用主成分分析对测井参数和岩心参数进行数据降维,优选出与渗透率最相关的参数,将优选出的测井参数和岩心参数作为支持向量回归模型的输入参数进行渗透率预测。实验结果表明,利用主成分分析算法提取的特征参数与渗透率有较好的相关性,且支持向量回归具有较高的预测精度,显示出主成分分析和支持向量回归在储层渗透率预测中的优势与实际应用价值。     

支持向量机回归算法在连铸漏钢预报中的应用研究

支持向量机SVM在模式识别方面广泛应用,其表现出很好的预测能力。连铸结晶器的粘结漏钢预报系统具有非线性、复杂性的特点。根据粘结漏钢原理,采用最小二乘支持向量机LSSVM方法对结晶器温度样本进行识别研究,从而实现连铸过程的漏钢预报。仿真结果表明,LSSVM模型在小样本下同样能快速训练样本参数,识别能力很强,精度较高。     

基于支持向量机回归的应急物资需求预测

目前对应急物资需求预测仍以专家经验判断为主,尚未形成成熟的办法.针对应急物资预测方法缺乏科学依据难题,提出了一种新的科学预测方法-两步法,即支持向量机回归算法和库存管理模型,建立了人员伤亡预测模型,对地震人员伤亡进行了预测,然后再结合库存管理模型对应急物资进行了估算.最后,运用提出的方法对“青海玉树地震”的人员伤亡进行了预测,证明了方法的有效性,并估算出了应急物资需求量,为灾区的应急物资供应提供科学依据.     

基于线性规划支持向量回归的混沌系统预测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已经广泛用于解决分类与回归问题。标准的支持向量机算法需要解一个二次规划问题,当训练样本较多时,其运算速度一般很慢。为了提高运算速度,介绍了一种基于线性规划的支持向量回归算法,并由此提出几种新的回归模型,同时将它们应用到混沌时间序列预测中,并比较了它们的预测性能。在实际应用中,可以根据具体情况灵活地选择所需模型。     

基于回归支持向量机的胎儿心电提取

针对胎儿心电难以提取的问题,提出一种从母体腹壁混合信号中提取胎儿心电的方法.首先利用回归支持向量机(Support vector regression machine,SVRM)拟合母体心电传导至腹壁所经历的非线性变换,然后将母体心电经由所拟合的非线性变换得到腹壁混合信号中的母体心电干扰的最优估计,再从腹壁混合信号中减去母体心电干扰的最优估计得到含噪声的胎儿心电,最后通过小波包去噪技术抑制胎儿心电中的基线漂移和噪声,得到清晰的胎儿心电.在胎儿心电和母体心电QRS波完全重叠的情况下,通过该方法能够提取出清晰的胎儿心电.实验结果验证了该方法的有效性.     

基于支持向量机的面向对象软件易发性故障预测

本文考虑软件故障严重程度,并采用C＆K面向对象度量集,以支持向量机分析方法为数学工具,建立一种基于面向对象软件易发性故障预测模型。实验结果表明,与基于朴素贝叶斯的预测模型、随机预测模型和NNge预测模型相比,本文提出的预测模型对于高严重程度故障、低严重程度故障以及未划分故障严重程度的情形均获得较好的预测效果。     

基于小波分析和相空重构相融合的风速预测

研究风速准确预测问题,针对风速具有随机性、间歇性以及混沌性,且含有大量噪声,造成预测精度误差.为提高风速预测精度,提出一种小波分析和相空间重构相融合的风速预测方法.首先采用小波技术消除风速历史数据,然后用混沌理论对数据重构,最后数据输入到支持向量机训练,并采用遗传算法优化支持向量机参数,建立最优风速最优预测模型.结果表明,相对传统预测方法,小波分析和相空间重构预测方法更能准确刻画风速的复杂变化特点,提高了风速的预测精度,也为其它非线性预测问题提供了一种新的研究思路.     

基于杂合支持向量回归机的电子装备故障预测

针对电子装备性能特征参数间的耦合关联问题,提出一种基于杂合支持向量回归机的电子装备故障预测方法。运用D-S证据理 论,结合参数的纵向历史状态数据和横向的相关参数数据,设计杂合支持向量回归机预测算法,利用特征参数的时间相关性和空间相关性提高预测精度。实验结果表明,相对于单独使用纵向或者横向的支持向量回归机,该方法具有更高的精度,可有效地对复杂电子装备实施故障预测。     

鲁棒SVR在金融时间序列预测中的应用

针对标准支持向量机对噪声和异常值比较敏感的问题,通过限定噪声和异常值的损失上界,提出一种基于不对称Ramp损失函数的鲁棒支持向量回归机模型,应用凹凸过程将其由非凸优化问题转化为凸优化问题并利用牛顿法进行求解.对上证指数和香港恒生指数收盘价的预测结果表明,该模型能在一定程度上抑制噪声和异常值的影响,从而提高预测精度及减少...     

基于最小二乘支持向量回归的水质预测

水质系统是一个开放的、复杂的、非线性动力学系统,具有时变复杂性,针对水质预测方法的研究虽然已经取得了一些成果,但也存在预测精度与计算复杂度等难题。为此,本文提出一种基于最小二乘支持向量回归的水质预测算法。支持向量机是机器学习中一种常用的分类模型,通过核函数将非线性数据从低维映射到高维空间,在高维空间实现线性分类和回归,最小二乘支持向量回归（LS-SVR）利用所有的样本参与回归拟合,使得回归的损失函数不再只与小部分支持向量样本有关,而是由所有样本参与学习修正误差,提高预测精度;同时该算法将标准SVR求解问题由不等式的约束条件及凸二次规划问题转化成线性方程组来求解,提高了运算速度,解决了非线性复杂特性的水质预测问题。     

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.