面向多输入输出系统的支持向量机回归

目前支持向量机回归算法只适用于单输入单输出系统,在处理复杂多变量系统时多采用构造一系列单变量支持向量机模型的方法,增加了模型与控制的复杂性。针对这一问题,提出了面向多输入多输出系统的支持向量机线性回归和非线性回归方法,两种方法的不同在于映射到高维空间后的运算方法不同。与单变量支持向量机回归建模相比,采用该方法建立的多变量系统模型结构较为简单,且在小样本数的情况下,模型训练速度较快。最后将该方法应用到甲基丙烯酸甲脂的间歇聚合反应过程中,仿真结果表明该方法的有效性。     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

基于多输出支持向量回归算法的股市预测

提出了一种新的多输出支持向量回归算法,给出了定义在超球上的损失函数,并将训练SVM转化为迭代解线性方程组,在求解过程中采用边计算边使矩阵降阶的方法,加快了运算速度.建立了该算法应用于股市预测的模型,对上证指数的建模与预测表明:与单输出支持向量回归算法建立的模型相比,该算法具有更好的整体预测精度和抗噪性能,是对股市进行分析和预测的一种可行而有效的方法.     

在线多输出支持向量回归及在投资决策中的应用

提出一种在线多输出支持向量机回归算法：对新到达的样本,利用梯度下降算法,最小化预测结果的带正则项的即时风险,给出回归函数权系数和偏置的迭代公式,完成在线情况下的多输出回归预测．将该算法应用于投资决策,可以在线预测最优投资组合．仿真实验结果表明,该算法计算简单,工作量小,因而更容易实现．     

基于支持向量机的非线性系统辨识方法

支持向量机是一种基于结构风险最小化原理的新一代机器学习方法,在分类和回归估计方面已显示出了很好的应用前景.本文在简要介绍支持向量回归新方法的基础上,给出用于非线性系统进行辨识的支持向量机模型和多输入支持向量机的核函数构造方法,并将支持向量机与神经网络的非线性系统辨识效果进行了比较分析.实验结果表明,支持向量机具有比神经网络更强的非线性系统辨识能力和更好的泛化能力.     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

基于支持向量机的非对称区间回归分析

针对区间回归中上、下2个端点的误差范围不相同的非对称问题,建立了Fitness、Possibility 和Necessity 3个回归模型,对区间样本的中心趋势和最大、最小可能边界进行综合分析,并引入支持向量机,区分线性和非线性两种情况,提出了非对称区间回归支持向量机AIR-SVM(asymmetrical interval regression SVM)算法,对非对称区间数据集回归估计进行了分析.通过3个数据仿真实验,检验了提出算法的良好性能,有效地解决了非对称情况下精确数输入-区间数输出的区间数据回归问题.     

基于近似支持向量回归机的多属性决策

将近似支持向量回归机应用到多属性决策问题,提出基于近似支持向量回归机的多属性决策方法。该方法从决策问题本身出发,构造学习样本,再通过近似支持向量回归机拟舍出多属性效用函数,从而实现对方案的排序。与支持向量机相比该模型参数少,核函数无需满足Mercer条件,算法简单、可靠。最后通过算例表明方法的可行性与有效性。     

支持向量机回归与v-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价.     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

基于多输出支持向量机的聚乙烯相对分子质量分布建模与优化

相对分子质量分布(MWD)是聚合物产品重要的质量指标,目前实时检测相对分子质量分布仍缺乏有效的方法.在聚合物研究中,高精度的相对分子质量分布实时检测方法是当前的研究热点.不同于其他文献中描述的方法,通过结合聚合反应机理和过程信息建立相对分子质量分布的混合模型来解决预测精度和实时性问题.首先利用催化剂各活性中心的分布函数加权叠加拟合相对分子质量分布,分布函数参数和工艺条件之间的关系可通过多输出支持向量机回归(MSVR)算法来描述;其次应用无约束非线性优化方法优化上述方法建立的混合模型的工艺条件;最后将建立的混合模型应用于乙烯聚合过程,验证了上述方法的可行性.     

基于支持向量机回归的港口吞吐量非线性组合预测

提出了一种基于支持向量机回归算法的港口吞吐量非线性组合建模预测方法,并运用该方法进行了港口吞吐量预测,同时将该预测结果与其他方法的预测结果进行了比较．结果表明,该方法具有很强的学习及泛化能力,在处理具有一定程度的不确定性的非线性系统的组合建模预测问题时具有很好的应用价值．     

一种基于聚类的支持向量机增量学习算法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高.     

支持向量机在胆固醇测定中的应用

支持向量机(SVM)在非线性回归估计中具有很好的学习性能。本文针对医学上三类血浆脂蛋白(VLDL、LDL、HDL)样本中胆固醇含量测定的问题,提出了利用SVM进行回归估计的方法,并与BP网络方法进行了比较。实验表明SVM在稳定性上优于BP网络,而且在对极低密度脂蛋白(VLDL)类别回归估计的精确度上也比BP网络要好。     

支持向量机函数拟合在分形插值中的应用

为消除分形插值曲线的断裂和周期现象 ,论文提出在分形插值的后期使用基于统计学习理论 ( SL T)的支持向量机 ( SVM)函数拟合方法。统计学习理论 ( SL T)着重研究在小样本情况下的统计规律及学习方法性质。支持向量机是建立在 SL T理论框架上新的通用学习算法。用该方法对随机生成的分形模型进行拟合实验 ,达到很好的效果。所以 ,在分形插值后期使用 SVM函数拟合 ,不但可以消除插值曲线的不确定性 ,还可以保留分形曲线显示细节变化的优点。     

基于光滑化方法的支持向量回归算法

支持向量机是在统计学习理论的基础上发展起来的新一代学习算法,由于其出色的泛化能力,在文本分类、手写识别、数据挖掘、生物信息学等领域中获得了较好的应用.提出了一种光滑支持向量回归算法,实验结果表明,它相对于其它回归训练方法有较快的收敛速度和较高的拟合精度.     

基于启发式方法和支持向量机定量研究药物的血脑屏障通透性

构建55个药物分子与其血脑屏障通透性(logB)之间的定量结构-性质关系模型,探讨影响药物血脑屏障通透性的结构因素.应用CODESSA软件计算55个化合物的组成、拓扑、几何、静电和量子化学等结构参数,通过启发式方法筛选得到最佳的结构参数,并建立线性回归模型;用所选的4个结构参数作为支持向量机的输入,建立非线性的支持向量机回归模型.预测结果表明:支持向量机回归模型性能(R2=0.89,MSE=0.06)要优于启发式回归模型的性能(R2=0.82,MSE=0.11).描述符HASA2,NO,FPSA3和E(CH)都是影响logB的主要结构因素.支持向量机模型简单快速,在药物设计中可以用来预测候选药物的logB值.