基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

基于粒子群算法改进支持向量机的深基坑变形预测研究

为实现复杂地质条件中深基坑变形的精确预测，提出了一种动态惯性权重粒子群算法改进支持向量机的基坑变形预测模型。引入遗传算法改进的支持向量机模型和标准BP神经网络模型作为横向对比验证了预测效果。结果表明：动态惯性权重对支持向量机核函数参数的寻优速度更快，收敛精度更高，采用改进粒子群算法优化的支持向量机模型预测的平均相对相对误差仅为5.46%,拟合精度相较其他算法更高，预测效果良好，可较为准确的实现深基坑的变形预测。     

��·��ͨ������֧�����������Ԥ��

对交通运量做出较为准确的预测，能对相关部门和人员把握运输市场或进行决策有所裨益。对灰色、神经网络和支持向量机的三个预测模型进行了研究，以全国1996 ～ 2003年公路货运量为例，对公路货运量进行了预测，经过比较，支持向量机的预测方法精度较高。在分析组合预测特性的基础上，提出了对灰色系统、神经网络和支持向量机三种预测方法结果进行了线性组合预测方法和支持向量机的组合预测方法。与单一预测方法结果和线性组合预测进行对比，支持向量机组合预测方法比较精确。     

基于遗传优化支持向量机的交通事故预测

针对道路交通事故的预测问题,引入基于遗传优化支持向量机算法建立交通事故预测模型。利用遗传算法寻找支持向量机的最优参数组合,并用最优参数构建相应的支持向量机预测模型。仿真计算结果表明,基于遗传算法优化支持向量机模型优于传统的SVM模型,从而可以更有效地对道路交通事故进行预测。     

基于混沌高效遗传算法优化SVM的交通量预测

针对交通量预测本身所存在的小样本、非线性和复杂性等特点,利用支持向量机建立了基于RBF核函数的SVM交通量预测模型,采用基于混沌映射和加速遗传算法的混沌高效遗传算法对SVM模型参数C,ε和δ2进行优选,结合某市1978～2008年交通量实测资料进行了仿真验证,与GA-SVM模型和BP神经网络模型的仿真预测结果对比表明:该模型取得了较好的预测效果,可有效应用于城市交通量的预测.     

基于 SVM 的出行方式特征分析和识别研究

基于智能手机采集的居民出行轨迹信息,分析了不同出行方式的特征,利用支 持向量机进行了出行方式识别研究.首先探讨了利用手机软件所能检测和记录的参数,进 而从出行轨迹和特征参数两个方面对出行方式特征进行了分析,探讨了不同出行方式两 两可分的关键变量,提取用于识别不同出行方式的特征向量,最后建立了径向基核函数 支持向量机（SVM）分类器.利用从大连市出行轨迹数据获取的出行方式样本,训练了该 支持向量机,并且以决策树、BP 神经网络为对照.结果表明,SVM 识别精确度为 89.6%,BP 神经网络为 85.5%,决策树为 77.3%,SVM 具有更好的识别性能.     

基于神经网络和支持向量机的大客车运行车速组合预测

为了降低单个预测方法的不确定性,综合神经网络和支持向量机两种学习型算法,基于二者的最优加权组合对大客车运行车速进行了预测.以二级公路上244个路段的平曲线半径和纵坡度等线形数据和实测车速为样本,分别应用BP神经网络、支持向量机、最优加权组合预测以及线性回归对大客车第85百分位运行车速进行了预测.选择均方根误差和判断系数为评价指标,对比结果表明,最优加权组合预测能够综合单个预测方法的信息,提高了预测精度.     

最小二乘支持向量机在公路交通客流量预测中的应用

交通客流量预测是交通规划的重要内容,对于交通规划具有重要意义。利用最小二乘支持向量机理论,建立交通客流量预测模型,通过与BP神经网络预测模型实验结果进行比较,验证了其在交通客流量预测中的有效性。     

基于支持向量机和神经网络的供应商选择方法比较

供应商选择是供应链管理的重要内容,近年来吸引大量学者进行研究,其中大量文献显示神经网络方法比传统统计方法有更大的优越性。然而神经网络具有固有的缺陷,如最优解的局部性、泛化能力低、训练样本大和无法控制收敛等。引用新的机器学习技术---支持向量机(support vector machines,SVM),用于选择理想供应商,并与BP神经网络算法相比较。实证表明,支持向量机算法比神经网络算法计算精确。     

基于最小二乘支持向量机阀控式铅酸蓄电池寿命预测

提出了一种新的电池寿命预测模型,即基于最小二乘支持向量机的电池寿命预测.首先阐述了最小二乘支持向量机的主要思想和基本算法,然后建立寿命预测模型,并利用此预测模型对实验数据进行了比较验证.验证结果表明,该模型在阀控式铅酸蓄电池寿命预测中具有很好的实用性,预测值与实测值能够保持很好的一致性.因此,基于最小二乘支持向量机的阀控式铅酸蓄电池寿命预测方法是切实可行的.     

����PSO-SVM�ľ�����з�ʽԤ��ģ�ͪ�

居民出行方式选择是一个较为复杂的非线性问题,受到的影响因素众多。提出采用支持向量机方法构建了居民出行方式选择模型,并以交叉验证意义下的分类准确率作为适应度函数,利用粒子群算法对支持向量机参数优化选择,避免参数设定的随机性,减少参数选择的工作量.通过实证研究表明,利用粒子群算法优化支持向量机的参数是可行的,支持向量机方法相对于BP神经网络,对居民出行方式预测有更高的精度.预测精度比BP神经网络提高了将近5个百分点,建模样本和测试样本的分类精度分别达到86.20%和82.31%.所构建的模型可用于居民出行方式预测,这对城市交通规划,出行需求预测具有现实指导意义.     

基于支持向量回归机的道路交通事故预测模型研究

针对道路交通事故预测具有随机波动性较大、信息量较少和非线性数据序列预测的特点,引入支持向量回归机（SVR）,建立基于SVR的道路交通事故预测模型。通过实例计算,证明基于SVR的道路交通事故预测模型具备非线性、所需数据资料较少、建模简单和计算快捷等优点,同时与RBF神经网络预测模型相比,该模型的预测精度高、泛化能力强,更适用于道路交通事故预测。     

神经网络结合遗传算法用于航迹预测

研究利用遗传算法对BP神经网络进行优化设计,建立了基于遗传算法的BP神经网络机动目标航迹预测模型。该模型克服了普通神经网络算法在训练过程中容易陷入局部最优点的缺陷,得到了更高的学习精度和更快的收敛速度。最后,用实测数据进行了验证分析,结果表明,基于遗传算法的神经网络的预测模型比单神经网络预测模型预测精度高,可用于航迹的预测。     

基于BP神经网络的南宁市公路货运量预测

为提高公路货运量预测的准确性,依据南宁市历史年份的公路货运量数据建立公路货运量的BP神经网络预测模型。将模型在MATLAB软件环境下进行编码并运算,通过对数据的反复训练和学习最终得到预测值。经过实例分析证明基于BP神经网络的货运量预测模型的有效性。为证明不同方法间的差异性,利用趋势外推法、三次指数平滑法、灰色预测法以及指数回归法对南宁市公路货运量进行了预测。通过对比分析,得到不同方法的相对误差。可以看出,基于BP神经网络的货运量预测模型较传统预测方法有较大的优越性,BP神经网络模型能够揭示货运量的非线性变化关系,准确地拟合原始数据。     

基于支持向量回归的图像复原方法研究

针对退化图像复原问题,提出了一种基于支持向量回归的退化图像复原方法.该方法利用支持向量机回归算法非线性映射能力,通过训练样本对的学习训练,在退化图像与原始清晰图像之间建立映射关系,然后对测试样本进行复原.实际图像复原实验表明,得到的复原图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,支持向量机回归算法克服了神经网络的模型选择与过学习问题、局部极小问题等.     

城市交通碳排放预测的多模型对比分析

为寻找合适的城市交通运输碳排放预测方法,基于STIRPAT模型,选取人口总量、人均GDP、机动车保有量、碳排放强度、城镇化率、旅客周转量和货物周转量等7项指标作为城市交通运输碳排放影响因素,分别建立基于遗传算法优化支持向量机、粒子群优化支持向量机、网格搜索优化支持向量机预测模型,并以1995—2016年交通运输碳排放相关指标作为基础数据做实例分析。结果表明:GA-SVM对比PSO-SVM与GS-SVM所得出训练集的相关系数分别增长了2.74%和1.07%,测试集的相关系数分别增长了1.04%和0.29%,较其它两种预测模型具有良好的学习和推广能力,说明GA-SVM模型更适合对城市交通碳排放进行预测分析。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

基于GM-BP神经网络的交通量预测

针对城市道路交通系统的复杂性和随机性,应用灰色理论和神经网络知识,建立了基于灰色理论和BP神经网络的城市道路交通量GM-BP神经网络预测模型.随后运用该预测模型对城市道路的交通量进行预测,预测结果表明：GM-BP神经网络预测模型所得预测结果平均相对误差为1.17%,与单一的灰色新陈代谢预测模型相比具有预测精度高的优点.     

基于PSO—SVM的交通事故预测

为更加准确地描述道路交通事故发生的规律,结合粒子群算法和支持向量机理论,提出一种粒子群算法（Ps0）优化支持向量机（SVM）的道路交通事故预测模型,并用相应的数据进行仿真研究。结果表明,基于粒子群算法优化支持向量机模型（PS（）ISVM）NNNNNNN,能较好地契合道路交通事故的变化趋势。