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。     

基于改进支持向量机的林业资金投资预测方法

针对林业资金投资变化的定量预测,提出一种基于改进支持向量机的预测方法.利用滑动时间窗口方法将历年林业资金投资数据构造成时间序列,将其做为数据样本集并由改进支持向量机加以训练以得到预测模型.通过某省近20年的林业资金投资数据实验验证了预测方法的有效性,实验结果表明:与传统预测方法相比,基于改进支持向量机的预测方法明显提高了投资变化预测精度.     

基于经验模态分解和支持向量机的农产品价格短期预测

针对农产品价格序列非平稳、非线性的特征,提出一种基于经验模态分解和支持向量机的短期农产品价格组合预测方法。以全国苹果批发价格的周度价格序列为研究对象,首先对价格序列进行非平稳、非线性检验;然后将价格序列分解成一系列具有不同特征尺度的分量;最后针对各分量的特点分别构建支持向量机模型进行预测,得到苹果批发价格的预测值。研究结果表明,该预测模型能够更好地追踪农产品价格的变化,其预测精度与BP(back propagation)神经网络模型相比有显著提高。     

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。     

基于改进持支向量机的猪肉价格预测研究

针对近年频现“价高伤民,价贱伤农”的“猪周期”现象,尝试使用集成经验模态分解（EEMD） 方法挖掘出 “猪周期”的价格波动机制,并引入遗传算法（GA）改进支持向量机。研究结果发现,通过 EEMD 方法能较好地展示出“猪周期”的循环轨迹;通过对比常用的预测模型,发现基于 EEMD 的 GASVM 模型预测精测更高,是一种更具有科学性的价格预测工具。     

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.     

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。     

基于支持向量机的农村用电量需求预测

提出了一种基于支持向量机的农村用电量需求预测方按。该方法充分发挥支持向量机在解决非线性和有限样本问题方面体现出的优势。保证了预测模型的泛化能力,具有较高的预测精度。实例验证了该方法的有效性。     

支持向量机在害虫预测预报中的应用

对支持向量机回归（SVR）在害虫预测预报中的应用进行了研究。用一步预测法对1个害虫发生量样本集进行预测,结果表明：SVR在所有参比模型中预测精度最高．具有较强的泛化推广能力,在害虫预测预报领域具有广泛的应用前景。     

基于免疫算法和支持向量机的人脸识别

提出了一种基于免疫支持向量机人脸识别方法。针对支持向量机学习是一种有导师的学习,引入了否定算法,把人脸特征否定的结果来供支持向量机学习。该算法大大降低了运算复杂度,试验结果表明,该算法与其它方法相比具有较高的识别率。     

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。     

基于支持向量机的面向对象软件可维护性预测

以面向对象软件的度量准则作为预测因子,以维护期间所修改的代码函数作为可维护性,运用支持向量机回归原理,构造了面向对象软件可维护性预测模型.为了评价模型的性能,同时构造人工神经网络模型.在R软件环境下仿真,通过误差的可视分析和RMSE分析知,SVM模型预测面向对象软件可维护性具有较好的性能,效果明显优于ANN模型.     

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。     

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。最小二乘支持向量机,采用二次规划方法代替传统的支持向量机来解决函数估计问题。最小二乘支持向量机在利用结构风险原则时,在优化目标中选取了不同的损失函数,即误差ξ_i（允许错分的松弛变量）的二范数。这使得最小二乘向量机的优化问题为：min（1/2）‖w‖^2＋C（1/2）sum from i=1 to 1ξi~2（ξi是松驰变量;C为正则化参数）。用于函数估计的最小二乘SVM为：y（x）=sum from k=1 to Nαk K（x,xk）＋b。采用等式约束可以将求解的优化问题转化成线性方程,大大减少算法的复杂性,另外,采用径向基核函数的最小二乘SVM仅需确定γ、σ2个参数（γ为可调参数,σ为核函数宽度系数）,参数的搜索空间由标准SVM的三维降低到二维,极大地加快了建模速度。对γ,σ2个参数通过模型评估来确定参数最优值,大大提高了预测的精度。对河南省人民胜利渠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SVM预测的最大误差7.12%,平均误差4.81%;灰色理论预测的最大误差38.36%,平均误差17.52%;神经网络预测的最大误差10.40%,平均误差6.80%。可见,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,预测结果优于灰色预测理论和人工神经网络,可作为灌区粮食产量预测的一种新方法。     

基于支持向量机的湖北省洪涝农业损失预测模型

洪涝农业灾情预测在灾害管理和应急救灾等领域都具有非常重要的研究价值,以支持向量机(SVM)模型为基础,以1998～2006年湖北省洪涝灾情数据为样本,构建了基于SVM的洪涝农作物损失预测模型.结果表明,基于径向核函数的SVM模型适合湖北地区洪涝农业损失的预测.     

一种改进的支持向量机及其应用

针对传统支持向量机对噪声点敏感问题,提出一种改进的支持向量机.其基本思想是根据样本对分类贡献不同赋予相应的隶属度,贡献大的分配较大的隶属度,贡献小的分配较小的隶属度.与传统支持向量机比较,减小了噪声点对分类的影响,提高了SVM的泛化能力.并将其应用到车型识别中,结果显示该方法的有效性.