进化算法优化GBDT的带钢卷取温度预测

针对B钢厂2250 mm热轧生产线层流冷却系统卷取温度预报命中率低的问题,采用差分进化算法优化后的梯度提升决策树建立带钢卷取温度预测模型(DE-GBDT),并对DE-GBDT预测模型与3个基础预测模型(梯度提升决策树(GBDT)、支持向量机(SVM)、小波神经网络(WNN)预测模型)以及差分进化算法优化后的支持向量机(...     

支持向量机增量学习中模型参数选择问题研究

支持向量机性能主要受模型参数的影响,而支持向量机增量学习中模型参数选择问题研究较少。针对这一问题,提出一种支持向量机增量学习中模型参数选择方法。将鲁棒度作为增量学习的性能估计准则,用拟合误差和比例系数调节解空间取值范围,采用梯度下降法搜索参数,用初始模型参数作为梯度下降法的初始值。用该方法对Logistic模型和航空发动机振动监控进行实验。结果表明：与基本遗传算法和梯度法进行比较,所提方法能充分利用历史学习的结果,缩小解空间的搜索范围,加快收敛速度。     

支持向量机在机械设备振动信号趋势预测中的应用

将支持向量机（SVMs）用于机械设备振动信号趋势预测中，研究了SVMs参数及核函数类型对SVMs预测能力的影响．试验显示，在短期预测中4种核函数有着基本相同的预测能力，而在长期预测中，径向基函数核和多项式核表现出了相对较高的预测能力，同线性核和神经网络核相比，它们的归一化均方误差约降低了20％．SVMs与向后传播神经网络、径向基函数网络和广义回归神经网络预测能力的对比表明，实现了结构风险最小化原理的SVMs具有更好的预测能力，在长期预测中，其归一化均方误差约降低了15％。     

支持向量机和人工神经网络在期权价格预测中的比较研究

期权定价已成为金融市场的重要组成部分之一。 由于市场是动态的,准确预测期权价格非常困难。 因此,设计和发 展了各种机器学习技术来预测期权价格未来趋势。 比较了支持向量机(ＳＶＭ)模型和人工神经网络(ＡＮＮ)模型在期权价格预 测中的有效性。 在测试和训练阶段,２ 种模型都使用公开可用的基准数据集 ＳＰＹ ｏｐｔｉｏｎ ｐｒｉｃｅ－２０１５ 进行测试。 ２ 种模型均采 用主成分分析(ＰＣＡ)转换后的数据,以达到更好的预测精度。 另一方面,为了避免过拟合问题,将整个数据集划分为训练集 (７０％)和测试集(３０％)２ 组。 将支持向量机模型与基于均方根误差(ＲＭＳＥ)的神经网络模型的结果进行了比较。 实验结果 表明:神经网络模型优于支持向量机模型,预测的期权价格与相应的实际期权价格吻合良好。