基于单参数的Lagrangian支持向量回归算法及其应用

支持向量机（Support Vector　Machines，SVM）是基于统计学习理论框架下的一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能，该方法已成为当前国际机器学习界的研究热点，能较好地对解决小样本、高维数、非线性和局部极小点等实际问题。提出了一种基于单参数的Lagrangian支持向量回归算法，并将该算法应用在外贸货物吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在吞吐量预测中的有效性和实用性。     

一种新的支持向量回归算法及其在集装箱吞吐量预测中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地对应解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。文章提出了一种新的基于单参数的Lagrangian支持向量回归算法,并将该算法应用在集装箱吞吐量预测中。估算结果证明了这种改进的支持向量回归算法在集装箱吞吐量预测中的有效性和实用性。     

加权支持向量回归算法在运力预测中的应用

支持向量机(Support Vector Machines,SVM)是基于统计学习理论框架下的一种新的通用机器学习方法,是一种处理非线性分类和非线性回归的有效方法。由于具有完备的理论基础和出色的学习性能,该技术已成为当前国际机器学习界的研究热点,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。近来,SVR方法被引入求解回归和预测问题,并在各领域中得到广泛的应用。本文在分析现有基于高斯核的支持向量回归方法优缺点的基础上,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一思维定势,提出了一种新的算法——"基于高斯核参数加权的支持向量回归机"算法,并将该算法应用在世界散货船队运力预测中。估算结果证明了这种改进的支持向量回归算法在船队运力预测中的有效性和实用性。     

支持向量机回归方法在船型要素建模中的应用

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法，是一种处理非线性分类和非线性回归的有效方法。采用支持向量机回归算法对船型主要要素进行建模，并与常规的回归建模方法进行比较。同时应用实例进行论证，估算结果证明了这种支持向量机回归算法在船型要素建模预测中的有效性和实用性。     

支持向量机在集装箱吞吐量预测上的应用

针对目前常用港口集装箱吞吐量预测方法的局限性,将支持向量机(SupportVectorMachines,SVM)回归方法用于港口吞吐量预测。提出了集装箱吞吐量预测的步骤和相关参数的确定方法。在此基础上,以上海港集装箱吞吐量的预测为例,详细介绍该方法的应用过程。结果表明,本算法合理有效,为解决集装箱吞吐量等非线性系统预测提供了一条新的途径。     

基于改进支持向量机(SVM)模型的荆州港吞吐量预测

在编制港口总体规划过程中,港口吞吐量的预测对于提出规划方案至关重要,支持向量机(SVM)方法是港口吞吐量预测较为常见和有效的预测方法。针对港口吞吐量预测影响因素复杂的问题,以荆州港总体规划为实例,研究分析了影响港口吞吐量的主要指标因素。在采用SVM预测方法的基础上,运用遗传算法(GA)、网格搜索算法(GS)对SVM模型主要参数进行优化改进,GA-SVM和GS-SVM模型预测结果都是在支持向量机预测方法的基础上,采用遗传算法和GS方法对支持向量机模型的主要参数进行优化和改进,并用MSE和R2检验了遗传支持向量机和GS支持向量机模型的预测结果。改进后的SVM模型是在当前研究成果基础上提出的一种新港口吞吐量预测方法,可将该模型在港口总体规划工作中进行推广应用。     

堤岸工程加固基础沉降位移预测

根据地下工程沉降位移时间序列的非线性性质,基于相空间延迟坐标重构理论和支持向量机的非线性映射能力,能充分利用时间序列信息,揭示加固基础变形系统的非线性性质,预测加固基础沉降变形的演化趋势。通过在珠江黄埔港地基加固静荷载检测位移模型预测研究表明,基于相空间重构和改进的v-支持向量回归机（v-SVR）的时间序列预测方法具有很高的预测精度,并为基础加固工程沉降位移预测预报系统的构建提供了一种有效的方法。     

加权支持向量回归算法在船舶智能建模中的应用

在分析现有基于高斯核的支持向量回归方法优缺点的基础上,将高斯核参数加权与支持向量回归算法相结合,实现了一种"基于高斯核参数加权的支持向量回归算法".在该新算法中引入一种带权重因子的核函数,其中权重因子由输入向量来确定,同时将该算法应用在散货船舶主尺度要素智能化建模中并与常规算法进行了比较.试验结果表明了这种改进的支持向...     

支持向量机技术在舰船航向广义预测与控制中的应用

舰船在海上航行时,受到海浪等干扰力的作用难免会偏离既定航线,严重时甚至发生搁浅等事故,航向的广义预测与控制决定了舰船的航行效率和安全性,是船舶工业领域研究的重点。支持向量机技术是一种新型的智能学习算法,该算法在非线性系统求解、小样本、高维度系统求解领域有重要应用。本文以舰船航向预测与控制为研究对象,系统介绍了支持向量机算法,并基于支持向量机技术对船舶航向进行预测与控制。本研究对于提高舰船航向预测与控制有重要意义。     

连云港港货物吞吐量预测研究

分别采用线性回归法和支持向量机法对连云港港货物吞吐量进行预测研究,在此基础上,提出基于前两种方法的最优线性组合预测模型。通过对3种预测方法的预测结果对比,指出组合预测法具有性能稳定且精度较高的特点。最后根据组合预测模型结果,给出连云港港2010—2015年货物吞吐量的预测数据。     

SVM在船舶柴油机故障检测系统中的应用研究

支持向量机(Support Vector Machine,简称SVM)是目前模式识别领域中最先进的机器学习算法,采用了核函数的思想,把非线性空间的问题转换到线性空间,降低了算法的复杂度.文中对SVM在船用柴油机故障诊断中的应用进行了论述,运用支持向量机理论对其进行了故障诊断的仿真研究和试验研究.     

基于影响因素的SVR备件需求预测研究

文章介绍了支持向量机学习算法，说明其特点，并引出基于影响因素的支持向量回归的备件需求预测方法，用某型备件的历史需求数据例证此法的可行性与精确度。     

一种基于SVM的干扰效果评估方法

在深入分析波门拖引式欺骗干扰效果的基础上,引入基于支持向量机(SVM)的评判方法,在构造出具有一般意义的多层完备因素集的基础上,利用模糊数学和机器学习在处理模糊信息上的优势,提出一种充分地利用对抗试验数据的波门拖引式欺骗干扰效果评估方法,并对这种方法提出了看法与展望。     

一种多学科设计优化近似模型构建方法

通过采用单个参数控制样本的误差界限、采用Laplace损失函数和改变置信区间项,给出了一种基于单参数的Lagrangian支持向量回归算法。以实际数值函数为例,通过采用三组不同样本集进行拟合训练,构建了基于支持向量机的近似模型;以石油平台支援船总阻力估算为例,通过与模型试验及其他典型方法的对比,检验了算法用于近似模型构建的准确性和适用性。研究结果表明,采用支持向量机方法构建近似模型在小样本条件下比神经网络等传统方法具有更好的泛化性和推广能力,能够有效提高计算精度与优化效率,在复杂系统多学科优化设计中具有很大的应用价值。     

基于SVM模型算法和大数据分析技术的船舶设备故障诊断

为在船舶设备发生故障时能准确、及时地定位故障发生根源,保证船舶安全、经济运行,采用大数据分析方法和支持向量机(Support Vector Machine,SVM)模型算法对船舶设备进行故障诊断,提前预测可能发生的故障。以船舶柴油机滑油压力低故障为例,应用Python语言,通过SVM模型算法预测该故障的发生概率。结果表明,在已采集的船舶数据样本的训练集和测试集上,数据拟合和故障预测的效果十分理想,预测故障发生的准确率较高。     

基于支持向量机的船舶操纵运动在线建模

支持向量机算法以结构风险最小化为准则,具有良好的泛化性,是一种先进的人工智能算法。文章根据最小二乘支持向量机对其增量式算法进行推导,并应用该算法对船舶操纵运动进行在线建模。通过仿真试验对粘性力和舵力水动力导数进行在线辨识,通过自航模试验对操纵性K、T指数进行在线辨识,并利用K、T指数对自航模的转首角速度进行了预报,所得结果都同试验值非常接近,证明了增量式最小二乘支持向量机应用于船舶操纵运动在线建模的有效性。     

基于SVR近似模型的潜水器外形优化

流体仿真软件在船舶与海洋结构物概念设计阶段应用广泛。针对潜器外形设计过程中,仿真分析往往需要耗费大量的时间成本,无法直接与优化器结合的问题,本文研究基于支持向量回归机（Support Vector Regres-sion, SVR）的潜器外形优化方法,包括拉丁超立方试验设计选取样本点、基于 ICEM的潜器参数化建模和网格自动划分、基于 Fluent的阻力计算及 SVR模型的构造。采用改进的粒子群算法求解潜器外形优化设计问题,得到了阻力性能优良的潜器外形。     

基于支持向量回归的均匀阵波束形成框架体系研究(英文)

An approach was proposed for optimizing beamforming that was based on Support Vector Regression (SVR). After studying the mathematical principal of the SVR algorithm and its primal cost function, the modified cost function was first applied to uniform array beamforming, and then the corresponding parameters of the beamforming were optimized. The framework of SVR uniform array beamforming was then established. Simulation results show that SVR beamforming can not only approximate the performance of conventional beamforming in the area without noise and with small data sets, but also improve the generalization ability and reduce the computation burden. Also, the side lobe level of both linear and circular arrays by the SVR algorithm is improved sharply through comparison with the conventional one. SVR beamforming is superior to the conventional method in both linear and circular arrays, under single source or double non-coherent sources.