支持向量机(SVM)方法在降水分类预测中的应用

支持向量学习机(SVM)是基于统计学习理论的模式分类器,将SVM方法应用于降水异常的分类预测中尚属首次。主要利用1958—2003年逐月的74个环流特征量、NINO 3,NINO 4海温指数、相关区域海平面气压、500 HPA、100HPA有关指数资料等,分别建立了四川盆地5片区降水距平百分率大于50%(特多)和小于-50%(特少)的2个SVM推理模型,并进行了降水分类预测试验和2005年1-3月实际预测,结果显示出所建SVM推理模型的Ts评分较高,具有一定的预测能力,展示了SVM的优越性和推广前景,可在短期气候预测业务中参考应用。     

气象因素与早稻瘟病发生条件分析

对湘阴县19 a(1986～2004)来稻瘟病发生的调查资料进行通径分析得出,雨日对早稻稻瘟病病害指数影响最大,其次为降水和日照,影响最小为温度.选用了温度(X1)、降水(X2)、日照(X3)、雨日(X4)4个气象因子与病害指数建立了湘阴县早稻稻瘟病预测预报模型y=-O.011 5-0.001 28 x1 0.002 74 x2-0.001 x3 O.019 724x4,预测的准确性达到显著水平.     

基于K-mer-SVM的piRNA预测

采用支持向量机(SVM)结合K-mer分布特征预测piRNA.利用多种生物的非编码RNA序列数据库,从中挑选出piRNA序列作为正样本,并以由该数据库构建的非piRNA序列作为负样本,将正样本和负样本构成的数据随机取出50%作为训练集,将剩余的数据作为测试集;提取正样本和负样本序列的K-mer分布特征构建特征矩阵;用SVM对其进行分类,实现piRNA预测.结果表明K-mer-SVM在准确率、正例覆盖率、MCC和F测度等分类指标上均明显优于K-mer-LDA,说明K-merSVM是更好的piRNA预测算法.     

气象因素与早稻稻瘟病发生的条件分析

对湘阴县19 a(1986~2004)来稻瘟病发生的调查资料进行通径分析得出,雨日对早稻稻瘟病病害指数影响最大,其次为降水和日照,影响最小为温度。选用了温度(X1)、降水(X2)、日照(X3)、雨日(X4)4个气象因子与病害指数建立了湘阴县早稻稻瘟病预测预报模型:y=-0.0115-0.00128x1 0.00274x2-0.0011x3 0.019724x4,预测的准确性达到显著水平。     

荆州汛期降水趋势模型研究

利用国家气候中心每月下发的130项气候系统监测指数和荆州站1954-2016年的降水资料,逐一分析这些气候指数与汛期和主汛期降水距平百分率的相关性,选取相关系数0.3的指数作为预测因子组,采用逐步回归统计法,建立荆州汛期降水预测模型和主汛期降水预测模型。结果表明,荆州汛期和主汛期降水预测模型的相关系数分别为0.874和0.914,均明显大于单个因子的相关性。模型预测2016年汛期和主汛期的降水距平百分率,结果分别为偏多17.3%和偏多223.2%,与汛期降水距平百分率偏多6.2%和主汛期降水距平百分率偏多30.2%相比,汛期降水预测模型预测结果较好,同属于略多的等级,主汛期降水预测模型预测结果虽能预测出偏多的趋势,但数值明显偏大,可能与该模型中预测因子上年11月印度副高强度指数有效数据较少,系数偏大有关,可能需要更多数据来调整该项系数,从而提高预测精度。     

改进支持向量机对污水处理厂运行状况的故障诊断

针对污水处理厂运行时故障数据不平衡性和代价敏感等特点,构造风险泛函RWLOO(α)来改进支持向量机(Support vector machine,SVM);并用遗传算法(GA)对风险泛函求全局最优.在GA对RWLOO(α)寻优过程中,SVM的几个参数以及核函数同时进行最优化.结果表明:用改进的SVM对污水处理厂的故障数据进行分类时,比未经改进的SVM错分类率低16.5%.     

基于支持向量机和近红外光谱特性的土壤质地分类

为了分析不同质地土壤的近红外光谱特性,建立合适的土壤质地分类预测模型。研究以沙土、壤土和黏土3种不同类型土壤作为研究对象,采集了山西省内3个地区的土壤样本共156个,获取其近红外光谱数据,采用支持向量机(SVM)在1 001~2 500 nm波段内对不同质地土壤的吸光度值进行建模预测。结果表明,3种质地土壤具有不同的光谱反射特性;利用支持向量机建立的土壤分类预测模型,其测试集的预测正确率达到91.67%,说明SVM在土壤分类应用中的效果较好,可以利用SVM模型进行土壤属性预测。     

基于信息粒化和PSO-SVR 模型的棉花价格波动区间和变化趋势预测

农产品价格的准确预测对农民规避市场风险、提高农业收入和国家农业宏观调控具有重大意义.以国家棉花价格A指数的预测为例,提出了一种基于模糊信息粒化和粒子群优化支持向量回归机(PSO-SVR)的农产品价格预测时序回归模型.该模型首先使用模糊信息粒化方法,将原始国家棉花价格A指数时间序列数据映射为包含最小值Low、中值R、最大值Up3个参数的模糊信息粒,然后使用粒子群优化算法PSO寻找支持向量回归机(SVM)模型的最佳参数c和g,最后,再使用优化后的支持向量回归机(SVM)模型预测国棉价格A指数未来波动区间和变化趋势.实证结果表明,基于模糊信息粒化和PSO-SVR时序回归模型对国棉价格A指数的预测准确有效.     

多环芳烃致癌性预测模型比较研究

基于量化参数和拓扑指数,分别采用主成分分析和相关分析进行变量筛选,运用留一交叉检验法,引入模型预测性能的评价体系和指标,比较了支持向量机(SVM)、Fisher判别法和K-最近邻法等方法构建的多环芳烃致癌性二值分类预测模型,结果显示SVM要好于其他方法,说明SVM算法具有较强的稳健性和良好的泛化能力,能够用于多环芳烃致癌性的二分类和预测。     

福建省道路交通事故预测模型及其应用

以2005-2006年福建省公路运输量(旅客周转量、货物周转量)与道路交通事故4项指数(事故次数、死亡人数、受伤人数和经济损失)之间的关系为基础,应用BP神经网络技术,建立了3输入、单输出、16个中间单元层的道路交通事故预测模型,分别对福建省道路交通事故的4项指数进行预测.结果表明:2007年1-3月份交通事故4项指数预测值的最大相对误差绝对值分别为2.9513%、3.5714%、3.5469%和2.9485%.因此,该3层神经网络预测模型具有使用简便、方法实用、预测精度高的优点.