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。     

基于粒子群优化支持向量机的电子商务客户流失预测模型

电子商务客户流失受到多种影响,具有时变性、非线性,为了提高电子商务客户流失的预测精度,提出一种粒子群算法优化支持向量机的电子商务客户流失预测模型。首先收集电子商务客户数据,并进行预处理,然后将数据输入到支持向量机进行学习,并采用粒子群算法选择支持向量机参数,建立最优电子商务客户流失预测模型,最后采用具体数据进行了仿真实验。结果表明,相对于其他电子商务客户流失预测模型,本文模型提高了电子商务客户流失的预测精度,可以准确反映电子商务客户流失变化特点,预测结果可以为电子商务企业提供有价值的参考意见。     

基于粒子群的支持向量机SVR冰情预报研究

[目的]研究基于粒子群算法优化支持向量机SVR的黄河宁蒙段封河、开河日期预报模型。[方法]采用相关分析和成因分析相结合的方法选取合适的冰情预报因子组合,并运用粒子群算优化方法确定最优参数构建预报模型,将其运用到黄河宁蒙段封开河日期预报中。[结果]该模型预报精度高、运行时间短,预报平均误差为3.51 d,平均运行时间为10.464 s,预报效果明显优于遗传算法优化的支持向量回归与反向传播式神经网络,能够较准确地对封开河日期做出预报。[结论]基于粒子群算法优化支持向量回归的方法可以用于冰情预报。     

基于局域支持向量机的旱涝预测

降水量的变化受到许多因素影响,其动态特征呈现复杂的非线性,使得预测难度较大。为了提高降水量预测精度,提出了一种基于局域支持向量机的降水量预测方法,对月降水量时间序列进行参数提取,构造相空间,使用支持向量回归模型代替局域线性模型,使用邻近点训练该局域支持向量回归模型。仿真结果表明,该方法预测精度高,在旱涝预测方面有较好的应用前景。     

粒子群支持向量机结合NIR测定桉木木质素

在支持向量机(SVM)回归分析过程中,参数(C,γ)取值范围较大,且需要人工进行调整,目前已知的参数选择方法复杂且不够精确.针对上述问题,提出了一种应用于木材近红外光谱分析的PSO-SVM回归模型;使用粒子群算法(PSO)确定SVM的最优参数(C,γ),用40个桉木近红外光谱样品作训练集,8个样品作测试集建立模型,得到预测模型的回归系数0.970 956,均方根误差0.002 154 5,并与传统支持向量机回归模型和偏最小二乘回归模型进行分析比较.结果表明,PSO-SVM回归模型在桉木近红外光谱的木质素含量预测中具有较高的准确性和很好的稳定性.     

基于改进支持向量机的气象干旱预测方法

气象干旱制约着区域农业生产活动,通过监测预报、提前部署可有效降低其带来的危害。基于“先分解,后重构”思想,将自适应噪声完备经验模态分解法(complete ensemble empirical mode decomposition with adaptive noise, CEEMDAN)、灰狼优化算法(grey wolf optimization, GWO)和支持向量机(support vector machine, SVM)相结合,构建CEEMDAN-GWO-SVM组合机器学习模型。以山西省1956-2007年逐月自适应帕默尔干旱指数(self-calibrated palmer drought severity index, scPDSI)为训练集,以2008-2020年逐月scPDSI值为测试集。采用scPDSI预测值与实际值之间的均方误差、平均绝对误差及决定系数作为评价指标,对该模型的预测效果进行了评价,并比较了该模型与常用的GWO-SVM和随机森林模型预测结果。结果表明：相较于两种常用机器学习模型,基于CEEMDAN-GWO-SVM模型预测得到的均方根误差可分别降低7.6%...     

基于粒子群优化支持向量机的电梯故障诊断

电梯故障时,具有故障特征提取困难和故障类型识别率低的问题。因此,拟提取其振动信号并进行分析,找到故障特征。然而,鉴于其振动信号为非平稳、非高斯且背景噪声较大的信号,给有效辨识造成很大困难,所以,提出应用最优小波包分解和最小二乘支持向量机相结合进行电梯智能故障诊断的方法。借助最优小波包理论,首先提取电梯故障振动信号的能量分布;然后将其能量分布与时域指标相结合,构造故障特征向量;最后,将故障特征向量作为粒子群算法优化最小二乘支持向量机的输入对电梯故障类型进行识别。仿真结果表明,最优小波包理论与最小二乘支持向量机相结合的故障诊断技术发挥了两者的优势,证明了该方法的有效性和实用性。     

基于支持向量回归与地统计学的农民收入预测

农民收入既受其自身动态时序特性的影响,又与国家政策、农产品产量、天气等多种人为因素和自然因素关系密切,是一种典型的多维时间序列数据.该研究以国民总收入、乡村人口等11个可能与农民收入相关的影响因子为自变量,农村居民家庭平均每人纯收入为因变量,基于1982～2011年我国相关统计数据,采用支持向量回归与地统计学非线性时间序列预测模型对农民收入进行分析.结果表明：非线性时间序列预测模型大幅度提高了农民收入预测精度;农民的主要收入来源已不是粮食生产,而是向其他农业生产、进城务工等方面转移.     

基于支持向量机回归的猪肺疫发病率预测模型研究

为探明支持向量机回归(SVR)模型在动物疫病定量预测上的效果,以便为动物疫病防控决策提供依据,利用广西2007—2013年的猪肺疫月发病率时间序列,进行了SVR模型预测猪肺疫月发病率效果的研究。首先,以自相关函数法和Cao方法相结合,确定该时间序列的时间延迟为2,嵌入维数为6,并对其进行相空间重构;然后,依据主分量分析(PCA分布)方法判定该时间序列具有混沌特性,表明其在重构相空间中进行分析预测是可行的;最后,基于相空间重构结果构建SVR模型,分别采用网格搜索算法、遗传算法、粒子群算法对模型参数进行优化,并分析预测效果。结果表明,运用遗传算法优化SVR模型参数预测效果最优,平均绝对偏差(MAD)为0.043、均方误差(MSE)为0.003、平均绝对百分误差(MAPE)为0.202。可见,采用遗传算法优化的SVR模型对猪肺疫发病率的预测是可行有效的。     

基于粒子群优化的支持向量机算法识别人类基因启动子

人类基因启动子识别是医学研究的基本需要。提取DNA序列碱基的PZ曲线特征、二核苷酸空间结构特征、保守信号似然得分,以及K联体似然得分,结合GC含量变化和非均匀指数,构建基于粒子群优化的支持向量机算法来识别人类基因启动子。利用粒子群优化支持向量机参数进行优化避免了人为选择的随机性,并且在分类问题中表现出较好的稳健性。对测试集的10-折交叉检验结果为:敏感性为92%,特异性为91%,马修斯关联系数为0.83。该结果表明,基于粒子群优化的支持向量机算法能有效识别启动子序列。     

基于支持向量机的响应面模型及其工程应用

为了解决实验数据的拟合问题,用支持向量回归机对实验数据进行回归拟合,给出了具体实现方法,并用典型的二次函数对响应面模型的回归精度进行了数值验证.针对树脂零件的成型工艺参数的优化设计问题,给出了支持向量回归机响应面模型的应用方法.实例证明了所提出方法的有效性和实用性.     

基于支持向量机的路面图像分类方法

针对路面结构特征,提出一种颜色与纹理特征相融合并结合模糊支持向量机的路面分类识别方法。提取路面图像的HSV颜色空间的颜色矩作为颜色特征,采用灰度共生矩阵法提取纹理特征,融合路面图像的颜色特征与纹理特征,采用模糊支持向量机进行支持向量特征训练,通过训练得到能尽可能多的满足每一种图像的样本数据特征的特征向量。通过实验,对比了采用传统的支持向量机与模糊支持向量机对路面分类识别的正确率。实验表明本研究所提出方法的有效性。     

基于参数优化支持向量机的水稻施氮水平分类研究

[目的]应用参数优化支持向量机对水稻施氮水平进行准确分类预测,为水稻精准施肥和高产管理提供科学依据.[方法]以水稻品种金优458为试验材料,设4个施氮水平(从高至低折合纯氮用量分别为225、150、75和0 kg/ha),通过叶绿素测量仪SPAD-502获取水稻第6~9叶序叶片的SPAD值(即叶尖、叶中和叶枕的SPAD值),并分别应用网格搜索算法和粒子群算法参数优化支持向量机对4个施氮水平下的水稻叶片SPAD值进行训练和预测分类.[结果]对于第7、8叶序、第7~9叶序及第6~8叶序叶片组合,粒子群算法参数优化支持向量机对水稻施氮水平的分类识别效果均优于网格搜索算法,其准确率均高于75.000%,对归一化处理后的第7、8叶序叶片组合识别率最高,达88.889%.[结论]基于粒子群算法参数优化支持向量机适用于水稻施氮水平分类预测,能满足农学研究的需求.     

混沌-支持向量机模型及其在地下水动态预报中的应用

【目的】建立混沌时间序列的支持向量机预报模型,为地下水动态提供新的可行的预报方法。【方法】以重构相空间理论为基础,探讨了混沌时间序列的支持向量机预报模型的建模思路、特点及参数的选取,借助G-P算法、C-C方法和Wolf方法,计算了武威盆地3眼观测井地下水位埋深序列的Lyapunov指数,并利用自适应方法对支持向量机的参数进行了选择;基于高斯径向基核函数,建立了混沌时间序列的支持向量机预报模型。【结果】武威盆地地下水位埋深序列的Lyapunov指数均大于0,表明该时间序列具有混沌特性;所建立的混沌-支持向量机模型可以用于武威盆地地下水位埋深预报,经过检验,武威盆地3眼观测井的预报精度分别为0.98,0.92和0.86,表明建立模型预报精度较为理想。【结论】建立了混沌-支持向量机模型,该模型可用于地下水位埋深动态预报。     

基于BP神经网络和支持向量机的农用地分等方法研究

为建立农用地(耕地)质量评价模型,客观准确地进行农用地(耕地)分等,减少现行农用地分等方法中的人为因素影响,提高农用地分等的精度。以福建省长泰县丘陵山地区为实证研究区,通过无监督网络——自组织特征映射网络(SOM)筛选出2 602组典型样本,分别进行有监督网络——BP神经网络和支持向量机(SVM)的学习训练,将分等指标作为输入变量,以农用地自然质量等指数和等别作为输出变量,分别建立BP神经网络农用地分等模型与SVM农用地分等模型并对其精度进行分析。BP神经网络模型的评价正确率为89%,精度较高;支持向量机(SVM)模型的评价结果正确率为99%,达到高精度等级。2种模型均能满足农用地分等的精度要求,但SVM模型较BP神经网络效果更好,更适合应用于农用地分等工作。     

基于β因子的支持向量机增量学习算法

提出了一种基于β因子历史样本淘汰机制的在线学习算法.对UCI标准数据集中的部分样本集的测试结果表明:该机制有效地淘汰了一些样本,在保持了分类精度和泛化能力的情况下,大大加快了增量学习的训练速度.     

基于Grey-Sigmoid核函数支持向量机高光谱遥感图像分类方法研究

针对传统支持向量机方法中存在的野值噪声敏感问题,提出了一种基于紧密度的Grey-Sigmoid核函数支持向量机,不仅考虑样本与所属类中心之间的关系,还考虑了各个样本之间的距离。通过样本之间的紧密度来描述各个样本之间的关系,利用包围同一类样本的最小超球半径来衡量样本间的紧密度,样本灰度依据样本在球中的位置确定。通过对田间小麦全蚀病的遥感图像分类的实验验证,证明Grey-Sigmoid核函数和传统的Sigmoid核函数相比,计算速度更快,且精度没有明显损失。     

城市空气质量评价中的模糊支持向量机方法

传统的评价方法不能处理带有模糊信息的城市空气质量的评价问题。基于结构风险最小化原则建立了带有模糊信息的支持向量分类模型和算法,在此基础上提出基于模糊支持向量机的城市空气质量评价方法;根据空气中的总悬浮颗粒物、二氧化硫、二氧化氮、空气综合污染指数4个指标,对我国50个主要城市2003年空气质量进行了综合评价,选择10个城市的评价结果进行了测试,结果表明:根据2003年数据采用本方法得到的邢台、张家口和沧州的空气污染指数与河北省环保专家提供的数据误差小于0.1;西宁、银川、乌鲁木齐、汕头、南京、大连、武汉的综合空气污染指数与国家环保总局提供的数据误差均小于0.5。     

支持向量机的研究进展

本文分析总结了支持向量机从提出,兴起到现在的研究成果,并重点关注算法方面的进展.对各个方向的研究都做了相应分析.并适当编程实现了性能优越的序贯最小优化（SMO）算法.最后给出了针对各种应用问题,较为理想的算法选择.