基于小波包能量谱和SVM的水下目标识别

为了提高舰船辐射噪声信号分类的准确率,即在水下进行舰船目标识别的准确率,采用了小波包提取信号能量谱特征的方法和支持向量机的分类算法.简介了小波包变换及支持向量机的基本原理,然后针对舰船辐射噪声信号进行多层小波包分解,提取各子频段能量谱作为特征量,归一化处理后构建特征向量,最后用支持向量机算法进行分类.仿真实验结果表明,利用对信号的多层小波包分解提取能量谱特征和支持向量机的分类算法能对舰船辐射噪声信号进行有效识别.     

基于小波变换与支持向量机的舰船水压信号检测方法

采用小波变换与支持向量机相结合对舰船水压场信号建立检测模型.该方法通过对海浪信号进行小波分解并对某一特定低频频段信号重构,利用支持向量机对重构信号建立预测模型,预测误差值作为特征值对舰船水压信号进行检测.通过检测验算表明此方法的有效性,特别是在低信噪比情况下,仍能较好地检测到目标信号.     

基于支持向量机的巴拿马型船舶运价指数预测方法

考察运价指数波动的内在规律和外在影响,提出新模型预测运价指数,为航运市场经营者和投资者提供把握市场态势、规避价格风险的有力工具. 针对波罗的海巴拿马型船舶运价指数（BPI）序列,首先用小波变换对运价指数序列进行去噪,消除干散货运输市场中无规律的突发事件所造成的影响;在此基础上以前五个月的BPI值为输入变量,以第六个月的运价指数为输出变量,对支持向量机（SVM）进行训练,得到预测模型. 通过实证分析发现小波变换-SVM混合预测模型具有较高的预测精度,可用于对巴拿马船型运价走势的预测.     

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SVM多变量时间序列回归预测工程造价指数

为了解决工程造价指数难以精确预测的难题,针对传统时间序列预测模型缺少内在固有信息而使得最终预测结果难以成功的缺点,从因变量的角度引入多变量时间序列的概念,并在ADF单位根检验和Johansen共整合基础上,证明多变量时间序列与工程造价指数存在协整关系,最后,结合支持向量机(SVM)预测算法,提出基于支持向量机(SVM)多变量时间序列回归预测算法,通过实验,结果表明,多变量时间序列可为造价指数预测提供更多的信息,预测算法的准确率较高且可行有效,具有实际利用价值,可为后续造价指数的预测和造价管理提供可靠的参考价值。     

最小二乘小波支持向量机在电力负荷预测中的应用

针对中期电力负荷预测问题,提出了一种基于多维允许小波核的最小二乘小波支持向量机(least squares wavelet support vector machines,LS-WSVM)方法,并且给出了一种可有效求解LS-WSVM的Cholesky分解算法.该方法结合小波技术和最小二乘支持向量机,其中小波核函数具有近似正交以及适用于局部信号分析的特性.将LS-WSVM应用于电力负荷预测的两个实例中,结果表明,与LS-SVM、标准SVM、多层前向神经网络等方法相比,LS-WSVM均能给出相当好的预测性能,所提出的用于中期电力负荷预测的LS-WSVM方法显示了其有效性和应用潜能.     

基于复Morlet小波SVM的负荷预测

为提高预测精度和克服支持向量机(SVM)凭经验选择参数的不足,针对小波擅长信号细微特征提取和云遗传算法(CGA)良好的全局寻优能力,构建了以复Morlet小波为核函数、以CGA为参数优化算法的SVM--基于CGA的复Morlet小波SVM (CGA-CMW-SVM).针对短期负荷预测,为降低系统复杂性,克服负荷数据信息不完备、不精确的问题,仅仅利用了负荷的历史数据而不考虑气象和节假日等因素,在分析负荷时间序列混沌特性的基础上,对负荷数据进行相空间重构,并以相空间矢量作为CGA-CMW-SVM的输入,提出了短期负荷预测的新方法.仿真结果表明,该方法平均误差和最大误差小,平均误差在1.340 0%以内,最小误差为1.008 7%.     

基于变量轮换法的支持向量机在隧道围岩变形预测中的应用

采用变量轮换法对支持向量机(SVM)参数进行优化处理,结合时间序列分析理论,建立起隧道围岩变形时间序列非线性模型,并以此对隧道围岩变形进行预测.结果表明:改进的支持向量机具有简单、方便、实时等特点,对围岩后续变形预报准确,可科学地指导现场监测和施工建设.     

基于EMD与SVM的风电功率短期预测

由于风电存在着不确定性,风电功率预测对于接入大量风电的电力系统意义重大.为了提高风电功率的预测精度,本文建立了基于经验模式分解法（EMD）与支持向量机（SVM）的复合预测模型.考虑到风力机组的输出有很强的非线性,该模型首先将训练数据按风速大小分成高、中、低3组,然后对各组的风电功率样本序列进行经验模式分解,并建立各个频带分量的支持向量机预测模型,各模型的预测结果等权求和即得到最终的功率预测值.使用风电场现场采集数据的预测结果,验证了该方法的可行性和有效性.     

基于蜻蜓算法和支持向量机的变压器故障诊断

电力变压器作为电力系统中变换电压、输送电能、分配电能的重要电力设备,其运行状态直接影响到电网的运行安全。为了提高故障诊断的准确率,提出了一种基于蜻蜓算法(dragonfly algorithm,DA)和支持向量机(support vector machine,SVM)的变压器故障诊断方法。利用蜻蜓算法DA对SVM分类器参数进行优化且以SVM分类预测准确率最大为其适应度函数。变压器故障诊断实例仿真结果分析表明:基于蜻蜓算法的DA-SVM支持向量机的变压器故障诊断与交叉验证法CV-SVM,基于遗传算法的GA-SVM,基于粒子群算法的PSO-SVM相比较,在变压器故障诊断中具有故障诊断准确率高,全局寻优能力强,收敛速度快,且稳定性好的优越性。     

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.     

基于灰色遗传支持向量机的短时交通流预测

为了进一步提高短时交通流预测的精确度,通过分析灰色模型、遗传算法和支持向量机模型的特点,提出一种组合的短时交通流预测模型.模型运用灰色模型对原始交通流数据序列进行累加,弱化其随机性,再通过遗传优化支持向量机模型进行预测,利用灰色模型将预测结果进行累减,得到最终的预测值表.以长春市某主干路交通流数据为基础,验证了该模型的有效性和可行性.     

基于经验模态分解与支持向量机的道路交通状态预测

为准确预测道路交通状态,提出以经验模态分解和支持向量机组合的预测模型,对道路多维车流的速度进行预测。以重庆市出租车GPS数据为例,利用EMD解决非线性、非平稳信号上的优势,将速度数据进行分解,得到一组本征模态分量和一个余量;然后,利用SVM对各分量进行单独预测;最后,将预测的各层结果进行融合,得到最终的预测值。仿真结果表明:对基于时空的车流速度进行预测能得到更准确的结果,EMD和SVM组合预测模型比单一SVM模型的预测精确度更高。     

警戒区水上交通冲突数据自动采集系统

基于ECDIS、AIS以及支持向量机,引入交通冲突研究方法,提出船舶定线制警戒区水上交通冲突数据自动采集解决方案.方案利用支持向量机学习训练冲突样本数据,得到判别冲突严重程度SVM分类模型,并将SVM软件包和SVM分类模型嵌入到ECDIS,结合实时AIS数据建立水上交通冲突数据自动采集系统,应用该系统对长江口船舶定线制...     

基于FFOS-ELM和PF的短时交通流自适应预测模型

为提高短时交通流预测精度,提出了一种基于遗忘因子极限学习机(FFOS-ELM)和粒子滤波(PF)的自适应交通流实时预测模型.首先,引入遗忘因子,推导带遗忘因子的极限学习机,通过增量学习方法实时更新预测模型参数,避免由于交通流时变性导致早期数据对预测精度的影响.其次,利用粒子滤波消除随机噪声对预测精度的影响,经迭代计算达到系统状态最优估计与预测能力,实现未来交通量预测精度的提高.最后,利用桂林市某主干路检测器数据进行仿真,将预测结果与基础的极限学习机、带遗忘因子的极限学习机等在线模型以及时间序列(ARIMA)、支持向量机(SVM)、长短期记忆神经网络(LSTM)等离线模型进行比较.结果 表明:自适应预测模型预测误差指标明显下降,均方误差变化维度下降到0～2.5之间,模型在路段整体的交通流拟合情况及具体的预测精度上均得到有效提高.     

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.     

��·��ͨ������֧�����������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。     

基于智能优化方法的SVM电机故障诊断模型研究

为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.