基于支持向量回归机的粮食产量预测研究

支持向量机(Support Vector Machines,SVM)是一种具有坚实理论基础的新颖小样本学习方法。采用支持向量机回归(Support Vector Machine Regression,SVR)算法,用libsvm-2.89软件包对我国近年来的粮食产量进行回归预测,选择交叉验证法进行参数寻优,建立粮食产量和其影响因素的支持向量机回归模型。粮食产量预测平均相对百分误差为1.209%,均方根误差为581.191,相关系数为0.962 24。将预测结果与指数平滑模型、生产函数模型及多元线性回归模型进行了比较,用平均绝对百分误差、希尔不等系数及均方根误差对4种模型预测结果进行评价。结果表明,基于支持向量机的径向基核函数(RBF)模型预测粮食产量的精度优于其他预测方法。     

无线多媒体传感器网络视频流区分服务多径Qos路由算法

首先利用Lasso方法在影响粮食价格波动的众多因素中选出了粮食储备、粮食生产成本、粮食产量、粮食政策、生产需求、贸易需求、心理预期等7个主要影响因素；然后在Lasso变量选择的基础上利用支持向量机进行粮食价格的回归与预测，同时，把Lasso、支持向量机、Lasso-支持向量机及ARIMA方法的拟合预测效果进行比较。实证结果表明：Lasso-支持向量机组合预测方法的拟合预测效果要优于另外三种预测方法。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。对灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘支持向量机预测的最大误差7．12％,平均误差4．81％。最小二乘支持向量机模型有较高的预测精度和良好的推广能力,可做为灌区粮食产量预测的一种新方法。     

粗集-遗传支持向量机模型在供应链绩效评价中的应用

将粗集-遗传支持向量机模型运用到供应链绩效评价中,首先利用粗集理论剔除影响供应链绩效评价的冗余因素,获得核心影响因素,再采用支持向量机对于提取得到的核心影响因素预测供应链绩效所处的级别。在支持向量机分类过程中,利用遗传算法对支持向量机算法的参数进行寻优,获得最佳参数模型,而后预测得到供应链绩效评价级别。最后,实例运用此模型进行了预测,并与只运用粗集-支持向量机进行预测的结果进行对比。结果表明,利用粗集-遗传支持向量机方法对供应链绩效评价级别的预测准确率更高,预测结果更符合实际,是一种科学可行的方法。     

复合地基承载力预测的支持向量机方法应用研究

针对复合地基承载力设计存在的问题,提出了基于支持向量机的预测方法,通过对影响复合地基承载力因素的分析,建立了复合地基承载力预测的支持向量机模型。研究结果表明,基于支持向量机的复合地基承载力预测方法具有较高的准确率,应用前景广阔。     

基于Lasso和支持向量机的组合预测及其应用

针对Lasso方法与支持向量机两者的联系与各自的优势，给出了基于Lasso与支持向量机的串联型、并联型和嵌入型三种组合预测，并将它们运用到我国粮食价格预测中.实证结果表明，与单一预测方法的预测结果相比，基于Lasso方法与支持向量机的串联型组合预测和嵌入型组合预测具有更高的预测精度.     

改进支持向量机的股票价格预测研究

为了提高股票价格预测精度,提出一种改进支持向量机的股票价格预测模型。该模型利用粒子群算法的全局寻优能力对支持向量机参数进行优化,以提高股票价格的预测精度,采用具体股票价格数据对模型性能进行测试。结果表明,改进支持向量机能够对股票价变化趋势进行预测,是一种有效、高精度的股票价格预测模型。     

基于最小二乘支持向量机的灌区粮食产量预测研究(英文)

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i(允许错分的松弛变量)的二范数。这使得最小二乘向量机的优化问题为:min(1/2)‖w‖~2+C(1/2)sum from i=1 to 1ξ_i~2(ξ_i是松驰变量;C为正则化参数)。用于函数估计的最小二乘SVM为:y(x)=sum from k=1 to Nα_k K(x,x_k)+b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数(γ为可调参数,σ为核函数宽度系数),参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于改进支持向量机的林业资金投资预测方法

针对林业资金投资变化的定量预测,提出一种基于改进支持向量机的预测方法.利用滑动时间窗口方法将历年林业资金投资数据构造成时间序列,将其做为数据样本集并由改进支持向量机加以训练以得到预测模型.通过某省近20年的林业资金投资数据实验验证了预测方法的有效性,实验结果表明:与传统预测方法相比,基于改进支持向量机的预测方法明显提高了投资变化预测精度.     

乌鲁木齐能见度短时预报方法研究

本文选用乌鲁木齐2011和2012年冬季的逐3h的大气能见度和实况气象要素(大气温度、相对湿度、变压和风速)资料,利用支持向量机(SVM)和Elman神经网络方法建立3h能见度预报模型。通过检验发现,支持向量机(SVM)预测结果相比Elman神经网络预测结果更加准确,支持向量机(SVM)预测绝对平均误差为2.77km,相对误差为17.3%,为短时能见度预报提供了一种重要参考,同时表明支持向量机的泛化能力具有显著优势。     

支持向量机回归方法在故障诊断中的应用研究

2005年以来人民币汇率均处于升值过程，而股市却经历了牛、熊市的历程.本文基于VECM-MGARCH模型实证研究了人民币汇率与我国股市处于牛、熊市期间二者之间的动态关系，结果发现，汇率和股价之间不存在线性的相互影响关系.就波动性而言，股市处于牛市期间，二者之间存在相互影响关系；熊市期间，这种非线性关系消失.人民币升值预期的减弱及股市的下跌是导致二者关系变化的主要原因.     

粮食产量预测理论、方法与应用Ⅱ.粮食生产潜力短期预测理论、模型及其应用

粮食生产潜力短期预测结果可以检验粮食中长期生产潜力预测的准确性和为国家提供制定粮食生产战略的科学依据。粮食生产潜力短期预测理论即"趋势-波动理论",它建立在粮食或作物"现状生产潜力"概念和"天-人-地概念模型"基础上,预测模型为最佳移动步长条件下的多年单产移动平均趋势模型,实际预测时采用系统预测方法。11个研究案例预测的平均误差为0.77%,最大误差为2.99%,预测精度高。本研究初步结论是:粮食生产潜力短期预测理论和模型是科学和实用的。     

中小范围内粮食产量灰色模型预测

利用灰色系统理论的预测和决策功能,对粮食产量进行统计和预测。结果表明：用GM（1,1）模型对粮食产量预测,建模简单,预测精度高,在预测粮食产量、气候变化、农田灾害等方面有较大的实用意义。     

基于支持向量自回归的水泵振动预测模型研究

为了预测水泵在运行中的振动状态,提高水泵运行的安全性和经济性,采用了统计学习理论中的核心算法--支持向量机与自回归方法相结合,建立了水泵振动预测模型(SVAR).并通过实例,与基于灰色理论建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的水泵振动预测模型(SVAR)具有精度高、速度快、易于建模的特点.应用该方法建立的预测模型能够很好地预测水泵运行中的振动情况.有效地避免水泵运行中由振动引起的故障.     

粮食产量变化趋势的物元分析

利用灰色关联分析,挑选出与粮食产量关系密切的物理因子,可对粮食产量影响因子做出较准确的排序。以浙江省为例,利用前期的影响因子,对其粮食产量的变化趋势进行了物元分析。结果表明:在1995~2009年的15 a当中,浙江省粮食年产量的计算等级与实际等级符合的年份为13 a,1998年和2005年的计算等级和实际等级虽然情况不符合,但是也只是相差一个等级,计算结果理想。可以利用物元分析对未来粮食产量变化做出较准确的预测。     

粮食生产潜力中长期预测的验证

应用全国、31个省、6个典型地区和16个典型县的数据对粮食生产潜力中长期预测的"综合预测模型"进行了系统性的验证和讨论。研究结果如下:(1)预测误差大小反映中长期生产潜力的预测精度,预测误差大的主要原因是经济发达地区高产农田被大量占用或蔬菜、水果面积大幅度增加而短期内使粮食单产下降;(2)就"综合预测模型"中长期生产潜力预测精度而言:国家级大于省级和地区级、省级和地区级大于县级;不同省、不同地区、不同县之间预测精度差别比较大,这与境内气候的互补性和农田抗御自然灾害的能力有关;(3)粮食生产潜力中长期预测"综合预测模型"是科学的、准确的和实用的,可作为今后粮食生产潜力预测的理论和方法基础。     

基于支持向量机的小麦条锈病和叶锈病图像识别

为了解决生产中小麦条锈病和叶锈病症状难以区分的问题,提高识别率和精度,提出了一种基于支持向量机和多特征参数的小麦条锈病和叶锈病图像分类识别方法。利用图像裁剪方法获取典型症状的子图像,采用中值滤波算法对图像进行去噪,利用K_means硬聚类算法实现病斑分割,提取病斑区域的形状、颜色和纹理特征空间的50个特征参数,设计支持向量机分类器进行分类识别。根据优选的26个特征参数,利用以径向基函数作为核函数的支持向量机对这2种小麦锈病图像进行识别。结果表明:训练样本识别率均为96.67%,测试样本识别率均为100%;与其他核函数相比,径向基核函数最适合于这2种小麦锈病的识别。所提出的基于支持向量机的方法可有效地进行小麦条锈病和叶锈病的图像识别。     

基于最小二乘支持向量机的灌区粮食产量预测研究

对常用作物产量预测模型进行了简要评述,建立了基于最小二乘支持向量机的灌区产量预测模型。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠灌区作物产量进行模拟计算,并用检验样本与灰色预测和神经网络模型的预测结果进行了比较。结果表明,最小二乘SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,最小二乘支持向量机模型有较高的预测精度和良好的推广能力,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。