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。     

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。     

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。     

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,能较好地解决小样本、高维数、非线性和局部极小点等实际问题。这里提出了一种基于单参数的拉格朗日(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。     

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...     

基于机器学习的排泥管线压降预测

福建沿海地区的吹填工程中，主要的土质颗粒为中粗砂。该类型土质在输送过程中阻力大较易发生堵管，导致施工进程延缓。在输送环境下施工，掌握管路内输送阻力的实时信息至关重要。粗颗粒条件下，常用的经验方法如Durand公式法的计算精度较差。基于已有的管路输送研究，以及福建沿海工程的测试数据，使用高斯过程回归方法和支持向量机方法建立管路压降预测模型。两种回归模型均能在训练期得到较为理想的效果，模型R2指标达到0.80以上。在模型的预测期，支持向量机回归模型的R2指标为0.78，高斯过程回归预测模型的R2指标达到0.95。结果表明：基于高斯过程回归的机器学习模型能够较好地预测中粗砂吹填工程的疏浚参数。     

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。     

基于支持向量机的可靠性增长费用建模与分析

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法，具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数武器装备可靠性增长费用预测模型，然后对我军某型现役装备使用阶段可靠性增长费用数据进行了预测与分析。结果表明，与一般的回归分析相比，基于支持向量机的回归模型具有很好的预测精度。     

基于SVM的轮胎胎面生产过程专家故障诊断

支持向量机(Support vector machine SVM)是在统计学习理论研究小样本情况下机器学习规律的新理论基础上发展起来的。本文提出了基于支持向量机算法的专家系统模型,分析了其可行性;将支持向量机嵌入专家系统,故障诊断系统充分发挥了支持向量机和专家系统两者的优势,结合轮胎生产线的实际故障情况,提高了该系统的综合诊断性能。     

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。     

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。     

基于决策树的模糊序贯最小优化分类器的人脸识别

序贯最小优化算法是一种SVM s(Support VectorM ach ines)训练算法,该算法将一个大型QP(Quadratic Programm ing)问题分解为一系列最小规模的QP子问题,从而避免了多样本情形下的数值解不稳定及耗时问题,同时也不需要大的矩阵存储空间。本文在模糊支持向量机的基础上,提出了基于决策树的模糊序贯最小优化算法并对它进行了分析和研究,在对人脸图像进行独立成分分析后,用该算法进行多类人脸识别。通过在ORL人脸库上的实验结果表明,在样本类别较少的条件下,该算法可以取得较好的效果。     

基于粒子群优化支持向量机的水面无人艇故障诊断

通过故障诊断可以对水面无人艇可能要发生的故障进行预报、分析和判断，从而及时调整控制策略以抑制故障的继续发展，为消除故障、维修设备提供准确的技术支持.SVM是基于统计学习理论的一种机器学习方法，常用于故障诊断，在解决小样本、高维度、非线性模式识别问题中有独特优势.SVM分类的准确率由其属性参数直接决定，而最佳的属性参数往往很难直接得到.基于粒子群优化SVM(PSO-SVM)的水面无人艇故障诊断方法，即将粒子群优化算法(PSO)用于SVM属性参数的优化选择中，充分发挥了PSO算法的全局搜索能力和易于实现的优势.水面无人艇故障诊断实例分析结果表明，PSO-SVM的故障诊断精度高于BP-NNs、GS-SVM、GA-SVM。PSO-SVM适用于水面无人艇故障诊断.     

基于K最近邻决策的支持向量机分类算法及仿真

将基于支持向量机(SVM)的分类方法和最近邻法(NN)相结合,提出了一种SVM-KNN的分类方法。通过SVM算法对训练样本进行训练并找出支持向量,在进行待识别样本判断时,当其与最优分类面距离大于某一给定阈值时采用SVM决策模型,否则运用K最近邻法决策其类别,从而减少SVM算法的误判概率。仿真实验结果显示,运用该算法无论对于合成数据还是真实数据,在分类精度上比单独的SVM都有较明显的提高。     

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.     

基于决策SVM的入侵检测技术研究

在网络入侵检测中，数据类别不均衡训练集的使用将产生分类偏差，支持向量机是一种新型的统计学习模型，在处理小样本和学习机的推广能力上有很大的优势．针对支持向量机解决k个多类分类问题存在训练样本数据大、训练困难的问题，提出基于支持向量机的决策树训练算法，构建了基于支持向量机决策树的入侵检测系统模型．利用KDDCup99数据集，将本文提出的算法与Lee-Carter方法和1-v-R方法进行了对比实验．通过实验和比较表明，该方法的训练效率大大提高，并且具有较高的检测率．     

基于支持向量机的船舶柴油机故障诊断的研究

通过建立VC维统计学习理论,利用数学建模,建立并划分最优超平面以取得支持向量来训练,选取并考虑相关的影响因子以此构建样本数据集,以期对柴油机故障实现精确的诊断;而对于非线性空间情况,可采用核函数的思想来转化为线性空间,以此降低算法的复杂度;通过与人工神经网络方法的比较,表明该方法具有运算速度快,泛化能力强等优点;支持向量机(SVM)可以较好解决柴油机故障诊断中的机器过学习、小样本、高维数、非线性等问题。