基于支持向量机的物流量预测——以成都市为例

考虑到支持向量机强大的泛化能力,运用支持向量机技术预测了成都市近期和中期物流量.研究表明,随着样本数据的增加,支持向量机的预测值与实际值间的相对误差总体呈下降趋势,并且与多元线性回归方法相比,支持向量机具有较高的预测精度,证明了支持向量机用于物流量预测的有效性.     

基于灰色支持向量机的民航旅客吞吐量预测

依据灰色预测和支持向量机的特点,提出了一种将两种预测方法相结合的灰色支持向量机,并结合民航旅客吞吐量的预测结果,对比了灰色预测模型、支持向量机以及灰色支持向量机的预测结果,验证了灰色支持向量机的预测精度高,预测结果更为准确可靠,为提高民航旅客吞吐量预测精度提供了新的途径.     

基于小波支持向量机的电力系统短期负荷预测

根据相空间延迟坐标重构理论,基于支持向量机强大的非线性映射能力和小波核函数的局部分析和特征提取能力,提出了一种基于小波支持向量机的电力系统短期负荷预测方法,并利用该方法对嵌入维数与预测性能的关系进行了探讨。仿真结果表明,该预测方法能精确地预测电力负荷,而且在电力负荷序列的最佳嵌入维数未知时也能取得比较好的预测效果,这一结论预示着小波支持向量机是一种预测电力系统短期负荷的有效方法。     

基于支持向量分类机和回归机的综合评价方法

采用支持向量多值分类机和回归机进行综合评价排序,以提高机器学习方法的综合评价排序能力,并以管理信息系统综合评价为例,与人工神经网络（ANN）方法进行了对比研究.试验结果表明,基于支持向量多值分类机综合评价得分之间的差异比ANN更明显,而且基于支持向量回归机综合评价得分的相对误差明显小于ANN.     

基于支持向量机的岩爆模式识别及预测

采用支持向量机,运用分析国内、外工程岩爆数据,以岩石单轴抗压强度与单轴抗拉强度的比值、洞室围岩的最大切向应力与岩石单轴抗压强度比值及弹性能量指数作为评判指标,对典型岩爆进行模式识别即分类,并进行了预测.试验结果表明,该预测方法具有较高的准确率,较好地解决了小样本及非线性等实际问题.     

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。     

应用支持向量机回归确定岩体强度指标

在确定岩体力学参数中引入支持向量机，介绍了其具体的回归算法．并用这一方法回归预测岩体强度指标，通过实例证明支持向量机用于多影响因素、小样本容量的岩体强度指标回归问题，能够保证较理想的推广预测能力．     

SVM算法及其应用研究

采用将支持向量机-模糊预测控制应用于列车自动控制系统的方法,解决了目前列车自动控制中,启动控制过程平稳性不高的问题.首先给出模糊预测控制的有限样本的预测学习方法.在此基础上,设计了基于支持向量机-模糊预测控制方法,并把该方法应用于列车的启动控制过程中,通过仿真实验验证了改进的有效性.     

基于壳向量的边界邻近支持向量机

对边界邻近支持向量机进行改进,即在壳向量集上进行边界邻近样本的搜索,给出了基于壳向量的边界邻近支持向量机。实验结果证明:基于壳向量的边界邻近支持向量机比边界邻近支持向量机具有更快的训练速度。     

支持向量机增量学习算法研究

给出了使用多支持向量机进行增量学习的算法．传统的支持向量机不具有增量学习性能，而常用的增量学习方法各具有不同的优缺点，基于固定划分和过间隔技术，提出了使用多支持向量机进行增量学习的算法；使用此算法，针对标准数据集BUPA及用NDC生成的数据集OUTTRAIN进行了实验，结果表明，使用单一的支持向量机进行增量学习，不论采用过间隔还是固定划分技术，其增量学习的正确率不及使用多支持向量机增量学习算法的正确率。     

SVR算法在指数预测中的应用研究

本文阐述了回归型支持向量机（SVR）的基本结构及训练方法,并在此基础上研究了基于SVR算法的股票指数预测方法。通过应用LS—SVM软件,选用RBF核函数。利用自学模型,对超参数不断进行优化,以加快运算速度,并最终建立了该算法应用于股市预测的模型。通过股票指数的建模与仿真结果表明,支持向量回归机在股票价格的中短期预测以及整体股票趋势预测有比较好的效果。     

����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.     

智能三维位移反分析法在浅埋偏压隧道中的应用

支持向量机（Support Vector Machines,SVM）算法具有小样本、全局优化和泛化性能好的优点,且不存在过拟合的弊病.结合张石高速北口隧道浅埋偏压段的施工,将一种改进的支持向量机算法引入隧道工程位移反分析,并采用遗传算法在样本训练阶段自动搜索训练效果最优的SVM参数,建立起围岩力学和初始地应力参数与洞周位移的非线性SVM映射;然后,以遗传算法在围岩力学和初始地应力参数范围内,自动搜索能使SVM计算位移与实测位移最接近的参数组合,完成围岩力学和初始地应力参数的智能辨识.应用结果表明,这种新型的智能位移反分析法能在监测数据有限的情况下,高精度地反演辨识围岩力学与初始地应力场参数,为围岩变形超前预报提供计算参数以指导施工,并为类似工程提供借鉴.     

基于CNN-SVR混合深度学习模型的短时交通流预测

精准且快速的短时交通流预测是智能交通发展的重要组成部分.本文针对当前交通流预测模型不能充分提取交通流数据的时空特征、预测性能容易受到外界干扰因素影响的问题,提出一种基于深度学习的短时交通流预测模型,该模型结合卷积神经网络(Convolutional Neural Network,CNN)与支持向量回归分类器(Support Vector Regression,SVR)的特点:在网络底层应用CNN进行交通流特征提取,并将提取结果输入到SVR回归模型中进行流量预测.为验证模型的有效性,取G103国道的实际交通流量数据进行试验.结果表明,提出的预测模型与传统的预测模型相比具有更高的预测精度,预测性能提高了11%,是一种有效的交通流预测模型.     

A Multiple Model Approach to Modeling Based on Fuzzy Support Vector Machines

A new multiple models (MM) approach was proposed to model complex industrial process by using Fuzzy Support Vector Machines(F_SVMs). By applying the proposed approach to a pH neutralization titration experiment, F_SVMs MM not only provides satisfactory approximation and generalization property, but also achieves superior performance to USOCPN multiple modeling method and single modeling method based on standard SVMs.     

MULTI SUPPORT VECTOR MACHINES DECISION MODEL AND ITS APPLICATION

IntroductionStatistical Learning Theory( SLT) is a small-sample statistical theory by Vapnik etal.SupportVector Machine( SVM) is a novel powerful ma-chine learning method developed from SLT.SVMis powerful for the problems will small sample,nonlinearity,high dimension and local minima.Currently,SVM has many applications in the pat-tern recognition,function estimation,signal pro-cession,control,and others field[1～ 3 ] .SVM en-hances generalization by principle of the structuralrisk min…     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱,以及过分依赖历史数据的不足,提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型,包括受限玻尔兹曼机的显层节点输入端,受限玻尔兹曼机的若干中间层,以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较,结果表明,在相同的数据和计算平台下,本文提出的深度学习回归机预测方法精度更高,且预测实时性也能满足实际的需求.     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

一种基于支持向量机的轴承表面缺陷检测方法

提出了一种基于支持支持向量机和主成分分析的轴承表面缺陷检测算法,该算法把轴承中的非缺陷区域和缺陷区域分别看作两种不同的纹理模式,先利用主成分分析法(PCA)对图像进行降维处理,然后用支持向量机方法对降维后的样本采样学习,然后进行分类判断.实验结果表明,该算法能够较好地实现轴承缺陷的检测分类,有一定的实用价值.