SVR的树木生长过程建模及其参数优化研究

计算机树木模型可以广泛地应用于理解、预测和调控树木的生长和产量,在树木生长及生态系统等领域的研究中已经成为一种很重要的研究方法。采用支持向量回归对树木高度进行建模与预测,减小了样本数据量小造成的误差,克服了树木生长方程选择的困难。对支持向量机的参数采用遗传算法进行筛选,提高数据拟合精度。最后将预测结果与采用各类生长方程模型的预测结果进行比较,结果表明用支持向量机预测方法有较高的精度。     

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。     

基于BP神经网络和支持向量机的杉木人工林收获模型研究

以闽西北杉木人工林为研究对象,选取涵盖中龄林、近熟林、成熟林3个龄组的700个小班作为样地进行调查,以林龄、地位指数、林分密度、平均胸径作为输入变量,单位蓄积量为输出变量,运用BP神经网络和支持向量机2种机器学习方法建立林分收获模型,并采用遗传算法对模型参数进行优化。随机将样本数据分成350个训练样本和350个验证样本,对不同模型的拟合精度、预测精度进行对比分析,其中参数优化后的BP神经网络和支持向量机模型训练样本精度分别达到0.935 37和0.936 33,预测结果精度分别为0.921 30和0.926 97,训练样本和验证样本的总体拟合平均相对误差值均低于7%。分析结果表明,2种模型拟合精度高、预测性能好,为杉木人工林林分收获模拟和预测奠定了基础。为比较2种方法预测结果的差异性,将350个验证样本样地平均分为7组,分别用优化后的2种模型计算各组的预测精度,对预测精度与训练精度的差值进行t检验,结果表明,2种建模方法的预测结果不存在显著性差异,但模型精度的提高对森林资源的精确监测和森林生长动态预测具有重要的理论价值。同时,研究发现支持向量机模型的拟合精度和泛化能力均优于BP神经网络,该方法为收获模型研究提供了新思路。      

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。     

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。     

基于WA-SVM的水库溶解氧预测

【目的】提出一种基于小波分析-支持向量机(WA-SVM)的水库溶解氧预测模型,以期提高水库溶解氧的预测精度。【方法】通过小波分解,将原始复杂的溶解氧浓度序列分解到不同的高频和低频层次,对每层得到的分解重构序列分别采用支持向量机回归方法进行预测后,合成原始序列的预测值,将该模型应用到于桥水库溶解氧浓度序列的预测中,并与单独支持向量机(SVM)回归方法预测结果进行比较。【结果】WA-SVM方法预测精度较SVM方法有较大提高,其平均绝对百分比误差和均方根误差分别为0.04937和0.3453,而SVM方法的分别为0.08493和0.6319。【结论】WA-SVM方法综合运用了小波分析的多分辨特性和支持向量机的非线性回归功能,能够较准确地预测水库溶解氧浓度。     

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。     

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。     

基于小波分解的日径流支持向量机回归预测模型

【目的】将小波变换与支持向量机结合,构建小波支持向量机回归模型(WSVR),并用其对日径流进行预测,为水库调度提供参考依据。【方法】利用径流时间序列中包含的大量信息,通过小波变换将径流时间序列分解成不同分辨率水平的子序列和近似序列,通过相关性分析选取有效子序列与近似序列相加得到的新序列作为支持向量机回归模型的输入,建立小波支持向量机回归耦合模型,以泾河流域张家山站的日径流为研究对象,利用均方根误差(RMSE)、平均绝对误差(MAE)、确定性系数(DC)、相关系数(R)及相对误差(RE)作为评价指标对模型预测精度进行评价。【结果】利用所建立的小波日径流支持向量机模型对张家山站日径流的预测结果显示,该模型在检验阶段的RMSE、MAE、DC、R及RE分别为26.05m3/s,8.26m3/s,0.826,0.910,-13.3%,与仅使用支持向量机回归模型(SVR)相比,耦合模型预测精度明显提高,且非汛期预测效果优于汛期。【结论】建立了小波支持向量机回归耦合模型,该模型可有效模拟和预测日径流,为日径流预测提供了新的途径。     

基于相关向量机的交通流量预测

目的在短时间内实时性预测交通流量值是构建交通管理系统的重要内容。交通流量数据存在着不确定性、复杂性和非线性等显著特点,使流量值的实时预测难度增大,交通流量的精准预测一直是行业内亟待解决的问题。基于已有学者研究基础之上,构建基于相关向量机方法的交通流量预测模型。方法相关向量机的预测精度优于逻辑回归和支持向量机方法,且相关向量机方法具有产生预测误差范围的功能,对于实际交通流量序列数据,采用基于相关RVM的交通流量预测模型。结果预测结果十分理想,预测速度比其他2种模型明显加快,达到了交通流量预测的实时性要求,适合于实时在线预测,且所用方法的预测精度相对较高。三方面的对比分析表明,利用相关向量机方法对交通流量进行预测可以较为精确地描述出交通流量变化的非线性特点,模型性能和实时性都较好。结论实例分析表明,基于相关向量机的交通流量预测模型可以提高预测的速度和精度,非常适用于有实时性要求的交通流量预测估计,为实时性测量交通流量值提供了一种科学的方法。     

支持向量机模型在区域经济预测中的应用及评价

针对支持向量机方法所具有的拟合精度高、推广能力强、全局最优、针对小样本等特点,将支持向量机应用于对区域经济发展水平的预测中,建立了基于支持向量机的区域经济非线性预测模型。针对黑龙江省进行的经济发展模型预测及检验表明,该算法具有较高的精度和实用性。     

支持向量机在粮食产量预测中的应用

将支持向量机算法应用于粮食产量预测,结果表明,支持向量机的径向基核函数模型预测粮食产量的精度优于其他预测方法。     

基于遗传算法优化的支持向量机干旱预测模型

为了克服支持向量机参数人工选择的盲目性和依靠经验的缺陷,采用遗传算法优化支持向量机的C,g两个参数,实现支持向量机参数的优选,减少参数选择的工作量,并提高模型的预测精度。并将遗传算法优化的支持向量机模型应用到浑河流域干旱预测中,通过matlab编程建立该模型。以海城、大洼、辽阳、沈阳4个站的降雨量进行建模预测,结果表明:模型的预测值和真实值拟合度较高,模型的预测精度满足要求,说明该模型用于浑河流域的干旱预测具有可行性,为决策部门能及时有效地指导和部署抗旱工作、合理利用分配现有的水资源提供依据。     

基于神经网络方法和支持向量机的西安市水资源需水预测

【目的】建立精度更高的需水量预测模型,为水资源规划管理提供理论依据。【方法】建立基于神经网络方法和支持向量机的需水量预测模型,以西安市需水预测为例,对2种预测模型的预测结果进行了比较。【结果】利用建立的径向基函数神经网络需水预测模型,得到西安市2010和2020年的需水量分别为32 485.65,48 180.43万m3;采用支持向量机模型能全面考虑影响需水预测的各种因素,预测西安市2010和2020年的需水量分别为32 488.03,48 184.41万m3。【结论】基于神经网络方法和支持向量机方法的需水量预测模型均可全面反映需水量的变化规律,两者预测结果十分接近,均可用于需水量的精确预测。     

基于SVM的木材纤维饱和点近区段含水率预测模型研究

[目的]研究木材纤维饱和点近区段含水率预测模型。[方法]电阻法测量木材纤维饱和点近区段含水率会出现测量值突然偏离真值的现象,即出现测量“盲点”。在研究检测原理的基础上,提出利用支持向量机方法对已测木材含水率、温度和湿度数据进行训练建模,通过模型预测得出纤维饱和点近区段含水率数值。[结果]支持向量机方法建立的模型能够预测木材纤维饱和点近区段含水率数值,模型泛化能力强,预测精度高,而且只需要少量样本数据就可以实现预测,很好地解决了电阻法在测量过程中的“盲点”问题。[结论]支持向量机预测模型提高了木材干燥过程中全量程含水率的检测精度,对木材干燥过程的含水率建模具有一定研究意义。     

基于支持向量顺序回归机对农业经济预警的研究

在统计学习理论与支持向量机理论方法的基础上,将支持向量顺序回归算法与宏观经济预警研究相结合,建立了基于支持向量顺序回归经济预警模型;通过编制Matlab软件程序,结合黑龙江省经济数据,获得经济预警的分类超平面和预测警限区间,并进行内插和外推检验。结果表明,该预警模型预测的可靠性和拟合是有效可行的,具有很高的精度。     

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。     

一种基于模糊信息粒化和GA-SVM的农产品价格预测方法

准确预测农产品市场价格对政府宏观调控和农业生产者制定生产决策具有重要意义.本研究提出了一种基于模糊信息粒化和遗传算法的支持向量机(GA-SVM)农产品价格预测模型.该模型首先将原始价格数据进行模糊信息粒化,然后利用支持向量机对粒化后的价格数据做出预测.为提高预测精度,利用遗传算法对支持向量机的参数进行优化.对国内某农产品批发市场的价格数据进行实证分析的结果表明,该方法能对农产品价格的变化范围进行有效地预测.     

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.     

遥感影像提取森林火灾可燃物蓄积量模型的建立1）

森林火灾可燃物蓄积量的提取为森林火灾蔓延模型提供了定量的森林火灾可燃物信息。利用遥感影像对森林火灾可燃物的分类结果,采用多元回归法、参数优化的神经网络法和支持向量机法建立森林火灾可燃物蓄积量模型。研究了遥感影像的数据处理、建模方法对森林火灾可燃物蓄积量模型精度的影响。利用最优的森林火灾可燃物蓄积量模型,进行整个研究区域的森林火灾可燃物蓄积量反演。结果表明,数据处理后的遥感影像,采用支持向量机法建立的模型精度较高。