基于支持向量机的并行学习方法研究

基于决策论中信息源合并规则,提出了基于支持向量机的并行学习方法(B-SVMs).在训练阶段,B-SVMs将一个大规模问题随机分解成若干规模较小的子问题,针对每个子问题同时训练支持向量机.在测试阶段,各个支持向量机并行给出测试结果,B-SVMs利用信息源合并规则将各支持向量机的输出组合而得到最终测试结果.在4个问题上与基于多数投票策略的组合支持向量机(MV-SVMs)和快速模块化支持向量机(FM-SVMs)相比,B-SVMs的泛化能力较高.与利用全部样本训练的标准支持向量机相比,B-SVMs极大地减少了训练时间和测试时间,而且具有与其相当的泛化能力.     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率。通过自适应调整参数,可以更好地适应新增样本。采用 UCI（University of California Irvine）机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机。其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机。该文的方法更适合大规模数据集的增量学习。     

基于支持向量机的教学质量评估研究

给出了基于LS-SVM的教学质量评估模型,先采用主成分分析对其影响因素作评价和预处理,然后构建LS-SVM模型,为了便于比较,同时利用单一的LS-SVM模型对教师教学质量进行模拟与预测,并在Matlab中实现。结果表明,基于主成分与LS-SVM的教学质量评估模型较单一的LS-SVM模型具有更加理想的精度,得到了满意的评估结果,具有广泛的适用性。     

基于支持向量机的土地利用预警研究

支持向量机是建立在统计学习理论基础上的一种新的学习方法,其引入核函数思想,将非线性问题转化为线性问题来解决,其非线性回归预测性能优越于传统统计方法。针对土地可持续利用与土地利用预警指标之间复杂的非线性关系,提出基于支持向量机的土地利用预警方法,对土地利用预警系统的内涵、原理和指标体系,以及建立土地利用预警体系等问题进行了研究。     

基于支持向量机分类的图像识别研究

提出了利用支持向量机（SVM）分类的方法对采集图像进行识别。采用计算机图像处理技术针对棉花苗期杂草图像进行分割,提取棉花与杂草的形状特征参数;选取最有效的特征数据组合输入SVM进行分类学习训练,实现杂草的有效识别。结果表明,使用该方法获得的图像识别效率较高,在同等条件下,速度优于人工神经网络。     

支持向量机、信息向量机和相关向量机的比较研究

介绍了支持向量机、信息向量机和相关向量机的理论与算法。利用最优化对偶理论,阐述了支持向量机的三种主要算法:硬间隔支持向量机、软间隔线性支持向量机和二次软间隔支持向量机的理论推导过程。对基于高斯过程模型,详细说明了信息向量机和相关向量机算法的实现过程。     

基于支持向量机的科技图书市场预测

对灰色、神经网络和支持向量机的三个预测模型进行研究,以某某类科技图书1993-2000年的年发行量为例,对科技图书市场进行预测,经过比较,支持向量机的预测方法精度较高。本方法可推广应用于其他类图书市场的预测。     

基于支持向量机风速订正方法的研究

风速的人工观测数据和自动观测数据之间存在差异,利用支持向量机建立了一个订正模型,将风速的人工 观测数据向自动观测数据订正,并利用榆中站2007年10月1日至12月1日两个观测系统测得的风速数据进行了 训练和检验.结果表明:经模型订正后,每个时刻风速的两个观测数据之间的相对误差都有了明显的减小,两个数 据序列之间的平均绝对误差减小了20.23%,均方根误差减小了26.47%,平均绝对百分误差减小了8.71%.     

基于支持向量机的集团信用风险预警研究

针对我国现有信用风险预警模型普遍以单一企业为样本,无法反映集团信用风险状况的问题,采用支持向量机算法,建立了企业集团信用风险预警指标体系,利用全国大额贷款和授信企业集团客户样本数据进行训练,提出了基于支持向量机的集团信用风险预警模型。理论分析及预警数值试验结果表明：基于支持向量机的集团信用风险预警模型与传统的基于逻辑回归算法预警模型相比,具有更好的泛化能力;在相同预警敏感水平下,采用前者预警的假负率为16．67％,与后者的23．45％相比具有更高的预警精度。基于支持向量机的集团信用风险预警模型可较好的应用于企业集团信用风险预警领域中。     

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。     

基于支持向量机的水稻纹枯病识别研究

[目的]研究支持向量机对纹枯病病害进行自动识别,弥补人工识别的缺陷和不足,提高识别的准确性和效率。[方法]以水稻纹枯病为研究对象,使用基于矢量中值滤波的方法对水稻纹枯病图像进行预处理。利用模糊C均值聚类法,在图像分割阶段进行灰度图像分割;分别从颜色、纹理和形状3个方面提取代表病斑的特征参数。最后用支持向量机识别方法进行水稻纹枯病识别,并与基于BP神经网络的识别方法进行对比。[结果]识别率达到95.00%,要优于BP神经网络的91.88%。[结论]基于支持向量机的水稻纹枯病识别弥补了人工识别的缺陷,也提高了准确性和效率,有广阔的应用前景。     

基于支持向量机的农业数据分类研究

介绍了支持向量机的原理,研究了基于支持向量机的农业数据分类,结果表明应用支持向量机可以有效地提高农业数据的分类性能。     

基于支持向量机的新疆地区需水预测研究

本文针对新疆地区进行需水预测研究。由于影响需水预测精度的因素很多,而且预测方法比较多,实际用水量的数据又难以获取。所以,本文选取支持向量机的方法,由于支持向量机支持基于小样本进行快速、准确预测的特点,对新疆地区需水量进行准确的预测。采用了粗糙集与支持向量机相结合的方法,对影响因子进行筛选,根据支持度筛选出主要影响因子,然后将这些主要影响因子作为输入的样本数据,构建支持向量机模型,用2000—2013年的数据进行训练,并且用2014—2015年的数据进行检验。最终,将该模型用于预测新疆地区2016—2020年的需水量。本文构建模型预测结果的平均绝对百分比误差只有0.11,可见模型预测精度很高,该种研究方法可以作为训练样本较少情况下的一种需水预测方法。     

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.     

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。     

基于支持向量机的农村劳动力转移预测

分析目前影响农村劳动力转移的主要因素,运用支持向量机理论将农村劳动力转移的主要影响因素作为量化指标,从农村经济持续发展的角度,结合《宁夏统计年鉴》1990～2002年数据,建立基于支持向量机的农村劳动力转移预测模型。对预测结果和精度进行分析,验证了该方法的有效性。     

基于支持向量机的考试测量理论

目的 完善原有的考试测量系统中传统统计分析方法,加大对试卷中隐性知识的测量力度和测量效率,为改进高校教育方法和提高教学质量提供依据．方法 首先用传统的教育测量方法即基本的统计方法对成绩数据库进行分析,然后结合支持向量机理论进行进一步的分析．结果 结合支持向量机的考试测量分析结果比传统的仅用经典的统计分析得到的结论更有效,尤其是针对隐性知识的量化上．结论 将机器学习等计算机前沿技术引入考试测量领域,极大的拓宽了教育教学评价测量的模式．     

基于支持向量机的水稻叶面积测定

本研究探讨了水稻叶长、叶宽与叶面积之间的关系。应用改进网格搜索算法参数优化后的支持向量机对计算机图像处理技术测量所得到的样本数据进行训练,以水稻叶片长度(L),叶片最大宽度(W)、叶面积回归拟合值(S)作为输入变量对水稻叶面积进行预测。结果表明,在不同的水稻品种下,相比于其他模型本研究提出的支持向量机Ⅲ模型预测结果的均方根误差和平均相对误差最低,均方根误差分别为1.882 1(两优培9),1.387 3(金优458)和1.348 2(中早35),平均相对误差分别为2.901 4%(两优培9),5.273 5%(金优458)和4.929 3%(中早35)。该模型能较真实地反映水稻叶面积的实际大小,满足农业科学研究的需求,为植物叶面积的预测提供了一种新的方法。     

基于支持向量机的苹果叶部病害识别方法研究

为提高苹果叶部病害自动识别水平并实现快速有效地识别苹果叶部病害,本研究首先采用小波滤波算法对采集的苹果叶部锈病、斑点落叶病的图像进行去噪平滑,然后利用病斑颜色差异和边界跟踪算法对病斑进行分离,最后提取病斑颜色、形状和纹理等方面的特征,采用支持向量机(SVM)技术对病害进行自动识别。试验表明,该方法对苹果叶锈病和斑点落叶病样本进行处理识别的正确率较高,能够满足实际需求。该结果对苹果叶部病害的自动快速诊断和防治具有一定的指导意义。