基于支持向量回归机的乳制品质量预测

针对乳制品质量预测的BP神经网络方法所存在的不足,提出了一种新的基于支持向量回归机的乳制品质量预测方法。对支持向量回归机的基本原理进行了概述,简要分析了影响乳制品质量的有关因素,确定了基于支持向量回归机的乳制品质量预测的输入输出参数,建立了基于支持向量回归机的乳制品质量预测模型。实验验证的仿真结果表明:所建立的乳制品质量预测模型是合理有效的,并且具有较强的泛化能力和较高的预测精度。     

基于BP神经网络和支持向量机的降水量空间插值对比研究——以甘肃省为例

为探究降水数据产品的高精度空间插值方法及其应用差异,以BP神经网络和支持向量机模型为研究对象,选取甘肃省为研究区域,构建降水量空间插值模型,分别完成基于两种模型的甘肃省降水量空间插值结果,并划分西区、中区、东区3个建模分区,对比分析两种模型空间插值的精度和应用差异。结果表明:支持向量机模型的插值精度显著高于BP神经网络模型,且支持向量机模型在降水空间分布中能体现更多细节;西区平均相对误差最大,其中,BP神经网络模型32.32%,支持向量机模型仅23.74%;东区平均相对误差最小,BP神经网络为8.28%,支持向量机模型为6.15%;另外,分区建模的插值精度有所提高,但两种模型的提高幅度存在差异,BP神经网络的平均相对误差降低了5.08%,支持向量机模型仅降低0.66%,表明支持向量机模型更加稳定,对影响降水量的经纬度和高程等因子自身变异性的适应能力更强。此研究解决了常用的反距离权重、样条函数、克里金插值等方法在降水量插值过程中准确性差,精度低的问题,为提高降水量空间插值的精度提供了新方法和思路。     

基于支持向量机的猪血发酵制备小肽效果预测

试验提出了一种最小二乘支持向量机的猪血发酵制备小肽的水解度预测新模型。以接种量、发酵温度、发酵时间三个工艺参数为输入,水解度为输出,通过正交试验获得数据样本。以试验数据为基础,建立最小二乘支持向量机模型,利用模型预测猪血发酵制备小肽的水解度。该方法具有建模速度快、预测精度高、操作简便等优点,不仅克服了常规的BP预测模型的不足,而且性能优于标准支持向量机预测模型。     

基于相空间重构的滑坡位移时间序列预测

本文基于滑坡时间序列位移,根据相空间理论构建位移时间序列矩阵,利用熵值理论求取熵值。通过熵值变化及位移预测误差反馈调整该时序相空间重构的嵌入维数,然后利用支持向量机学习创建支持向量回归机模型。并通过实例进行位移时间序列预测,预测效果好。     

模糊二叉树支持向量机算法研究

支持向量机算法是90年代由Vapnik等人在统计学习理论的基础上提出的一种新式的机器学习算法,由于其卓越的学习能力,尤其是泛化能力,从而引起了人们对这一领域的极大关注。传统支持向量机是做二元分类的,而现实中更多的是多类分类。现有的多类分类算法中,二叉树支持向量机整体性能优于"一对一"、"一对多"等其它多类分类方法,但是二叉树支持向量机由于存在"差错积累"问题,使得分类准确率较低。本文针对二叉树支持向量机分类精度较低的缺点,将模糊支持向量机与二叉树支持向量机相结合,将模糊技术应用到支持向量机中,从而提高了分类准确率。     

排序学习中的Ranking SVM算法研究

本文详细分析了基于支持向量机的排序学习算法Ranking SVM,通过选取不同的惩罚参数在OHSUMED数据集进行实验,衡量了算法在评价准则MAP和NDCG@n下的性能。     

基于马氏距离的模糊支持向量机及其在用户行为识别中的应用研究

基于支持向量机的分类原理,对具有显著不平衡性的用户行为数据进行分析,旨在探索一种利用用户浏览商品网页时的行为特征,识别用户关于商品品牌购买偏好的方法。文章提出一种基于马氏距离的高维空间类中心隶属度构建方法,将该方法与支持向量机和基于欧式距离的高维空间类中心隶属度的模糊支持向量机进行比较,通过一组对比实验,证明该方法用于对用户行为偏好识别的有效性和优越性。     

基于支持向量机算法的近红外光谱判别分析在畜产品供应链中的应用

近红外光谱(NIR)技术已经在许多行业的定量和定性分析中广泛应用,而支持向量机(SVM)算法由于具有经验风险最小、防止过拟合、适于非线性分析等特点,开始逐步应用于近红外光谱分析领域。本文主要介绍了支持向量机,特别是最小二乘支持向量机(LS-SVM)算法的特点,综述其在近红外光谱技术鉴别饲料原料、饲料产品、主要畜产品(肉、蛋、奶)种类和品质等非线性指标中的应用,同时分析了基于支持向量机算法的近红外光谱技术在未来饲料在线分析、低检测限成分的定性和定量分析,以及光谱信息数据提取算法改进等方面的研究趋势。     

基于几何参数特征与决策树支持向量机的猪只姿态分类

为了研究分类与猪只行为及精神状况相关的姿态,试验提出了一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法,首先根据猪只行为学特征并借鉴前人的研究成果选择5种相关的姿态,包括躺卧、侧面抬头站立、侧面低头站立、侧面平视站立以及正面站立,并以此建立猪只姿态样本库,再针对所研究姿态的图像形状特点,提出利用圆形度、高宽比、伸长度、质高比、质左比、质心左右比、最高点左右比、左(右)夹角余弦与左(右)抬头度11个几何参数特征作为描述姿态的图像特征,最后利用决策树支持向量机(DT-SVM)进行猪只姿态分类。结果表明:与1-V-1多分类支持向量机(1-V-1 SVM)与Ada Boost分类算法相比较,DT-SVM的分类精度较高,耗时较短。说明所选取的特征可以有效地描述猪只姿态。     

基于PCA和SVM算法的滑坡稳定性分析研究

滑坡稳定性的计算方法是滑坡研究的关键问题。本文选取了24个影响滑坡稳定性的因子,运用主成分分析对这些影响因子进行属性约简,去掉冗余的影响因素小的因子,得到12个核心的影响因子,并以此作为支持向量机的输入特征值,构建主成分分析与支持向量机结合的滑坡稳定性分析模型。通过对212组滑坡数据进行分析与验证,结果表明应用主成分分析-支持向量机模型不仅可以大幅度降低数据之间的相互影响,同时提高了稳定性分析准确性。