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。     

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。     

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。     

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。     

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。     

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。     

支持向量机回归方法在船价指数预测中的应用

采用一种改进的支持向量机回归算法对船价指数进行预测，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，估算结果证明了该算法在船价指数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...     

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。     

基于AFSA优化的支持向量机柴油机性能预测模型

电控高压共轨技术的采用使得船用柴油机性能及排放具有了更大的优化空间，但同时柴油机控制参数增多使得柴油机性能的预测变得更为复杂。为了建立精确的柴油机性能预测模型，利用回归支持向量机，通过对实验数据的学习以获得预测模型。支持向量机的预测精度会因其参数的选择出现一定的差异，所以需要对支持向量机参数选择进行研究和优化。以某型船用高速大功率电控高压共轨柴油机为研究对象，建立支持向量机预测模型，分析其预测性能受参数选择的影响，并利用人工鱼群算法对其进行优化。结果表明，基于人工鱼群算法优化的回归支持向量机能够建立精度较高的柴油机性能预测模型，且人工鱼群算法具有很好的寻优性能。     

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。     

船舶动力定位系统的在线模型预测控制

针对船舶动力定位问题提出了基于线性核函数在线支持向量回归的模型预测控制方案.在线支持向量回归算法的引入可以通过在线调整,确保预测模型的精确性.基于线性核函数的模型预测控制能够方便、迅速地求取控制律的解析表达式,保证控制律的最优性以及算法的快速性.仿真结果证明了该控制方案的有效性.     

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。     

基于支持向量机的舰船维修费用组合预测研究

在费用预测中，利用单一模型往往存在着信息不足的缺陷。为了提高舰船维修费用的预测精度和稳定性，采用支持向量机（SVM）回归算法，把几种单一预测模型结果作为输入，实际值作为输出，然后用足够多的预测案例训练学习机器，在各组合的模型预测结果与实际之间得到一种非线性映射关系，从而建立了非线性组合预测模型。最后，以某型舰船维修费用为例，对指数平滑法、灰色预测和参数法3种方法的预测结果进行仿真，结果表明此法较传统的单一模型预测法具有更高的预测精度。     

基于支持向量机回归树的内燃机振动信号趋势预测

针对标准回归树建立在统计分析基础上所存在的缺陷,提出一种基于支持向量机的回归树预测模型。首先,根据原始振动信号趋势序列构建回归树;然后,针对回归树上包含样本数过少的节点,利用支持向量机,建立能够反映重要变量与响应变量之间映射关系的回归模型。仿真结果表明:即便由于设备出现异常,导致振动信号趋势序列出现非平稳、突变情况,该方法也能准确地预测,性能优于标准分析方法,具有一定的工程实用性。     

基于支持向量机的港口吞吐量预测

对传统的两个线性组合预测模型进行了研究,提出了一个新的线性组合预测模型Ⅲ。为提高精度,提出了支持向量机非线性的组合预测模型。以青岛港历年集装箱吞吐量为例,与单一预测方法、线性组合预测进行对比,结果表明支持向量机非线性的组合预测方法比较精确。     

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。     

基于支持向量机回归方法的舰船修理价格预测研究

对常规预测方法和支持向量机回归模型用于舰船修理价格预测进行比较，着重分析应用支持向量机进行舰船修理价格预测的具体形式以及方法特点，并给出应用实例，结果令人满意。     

五自由度无轴承异步电机动态解耦控制

为实现五自由度无轴承异步电机高精度动态解耦控制,提出一种基于最小二乘支持向量机逆的解耦控制方法.首先,建立五自由度无轴承异步电机数学模型并进行可逆性分析,然后,利用最小二乘支持向量机在有限数据样本下对高维非线性函数的回归能力来辨识五自由度无轴承异步电机逆模型,并利用粒子群算法优化最小二乘支持向量机的参数,以提高对逆模型的拟合和预测精度,最后,将最小二乘支持向量机逆与原系统相串联得到伪线性系统,并设计PID闭环控制器对五自由度无轴承异步电机进行复合控制,实现了原系统径向位移、轴向位移、转速以及磁链间的非线性动态解耦.仿真研究验证了该控制策略的有效性.