从支持向量机到非平行支持向量机

非平行支持向量机是支持向量机的延伸,受到了广泛的关注.非平行支持向量机构造允许非平行的支撑超平面,可以描述不同类别之间的数据分布差异,从而适用于更广泛的问题.然而,对非平行支持向量机模型与支持向量机模型之间的关系研究较少,且尚未有等价于标准支持向量机模型的非平行支持向量机模型.从支持向量机出发,构造出新的非平行支持向量机模型,该模型不仅可以退化为标准支持向量机,保留了支持向量机的稀疏性和核函数可扩展性.同时,可以描述不同类别之间的数据分布差异,适用于更广泛的非平行结构数据等.最后,通过实验初步验证了所提模型的有效性.     

基于线性ν-支持向量回归机的异常数据检测

讨论了线性v-支持向量回归机中参数v的意义,并给出了严格的理论证明。利用v-支持向量回归机中ε-不敏感损失函数及参数v的意义,提出一种回归数据中的异常值检测方法。采用线性模型使得该方法不仅速度快而且能处理大规模数据。数值实验证明其具有可行性和有效性。     

支持向量回归机和多小波变换在数字图像水印算法中的应用

给出一种多小波域上基于支持向量回归机的数字图像水印新算法,算法充分利用了多小波变换和支持向量回归机的优点.通过对新算法实验结果的分析和与其他算法的对比得到:算法对JPEG压缩、模糊处理、锐化等攻击具有很强的鲁棒性.     

基于超球结构的支持向量机增量学习算法

本文首先分析了增量学习过程中支持向量与非支持向量的相互转化问题,而后在此基础上提出了基于超球结构的支持向量机增量学习算法。该算法主要利用超球结构,完成对增量学习中训练样本的选取,进而完成分类器的重构。实验表明,该算法比传统支持向量机增量学习算法具有更高的分类精度。     

基于模糊Adaboost算法的支持向量回归机

针对单一支持向量回归机预测精度不十分良好的问题,结合Adaboost算法以及引入隶属函数,提出了一个基于模糊Aaboost算法的支持向量回归机模型。将该模型应用于金融时间序列预测问题的实验表明,预测精度有一定的提高,从而说明了该模型的有效性和可行性。     

支持向量机回归方法在地表水水质评价中的应用

将支持向量机方法应用于地表水质评价问题中,建立了多指标水质综合评价的支持向量机回归模型.在地表水质评价标准的基础上采用内插法获得学习样本,经过训练,得到水质评价的分类区间;然后以实测资料对所建模型进行检验,研究结果表明,支持向量机回归模型性能良好、预测精度高、简便易行,是水质评价的一种有效方法,具有广阔的应用前景.     

加权支持向量机在证券指数预测中的研究

支持向量机是基于统计学习理论的新一代学习机器.它使用结构风险最小化原则,运用核技巧,较好地解决了学习问题.本文提出了一种基于支持向量机的加权算法,并将其应用于证券,指数预测.与径向基神经网络相比较,加权支持向量机表现出了良好的性能.     

基于支持向量机的辽宁省粮食产量预测

随着中国经济的不断发展,城市化进程不断推进,总人口逐年增加;农村人口逐年减少,粮食的需求量逐年增加,某些贫困地区已经出现粮食短缺的状况.本文选取了1986年-2016年辽宁省年粮食总产量、有效灌溉面积、农业化肥施用量、农业机械总动力、播种面积以及受灾面积等相关数据.利用支持向量机回归、线性回归,随机森林三种方法,对辽宁省粮食产量进行了预测,并比较了三种方法预测的精准度.     

回归型支持向量机调节熵函数法的区间扩张研究

为减小由于二进制编码的舍入误差对该问题计算结果的影响,对求解回归支持向量机的一种调节熵方法进行了区间扩张,讨论了区间函数的相关定理与收敛性.对设计的区间算法做了收敛性证明,并给出了数值实验,验证了方法与算法的可行性和有效性.     

基于支持向量机的飞行事故率预测模型

飞行事故率是表征飞行安全水平的重要指标,其预测是典型的小样本问题.针对目前飞行事故率预测中存在的预测精度不高的问题,提出了一种基于回归支持向量机的飞行事故率预测建模方法.最后结合实际算例,采用SVR进行了飞行事故率预测建模并把预测结果与灰色预测和灰色马尔柯夫链预测进行了对比.仿真结果表明SVR具有很高的建模精度和泛化能力,从而验证了采用SVR进行航空飞行事故率预测的合理性和先进性.     

基于最近边界向量的SVM增量学习算法

为了减少求支持向量过程中二次规划的复杂度,利用训练样本集的几何信息,选出两类中离另一类最近的边界向量集合,它是样本中最有可能成为支持向量的一部分,用它代替原样本集进行训练.对新增样本,若存在违反KKT条件的样本,只对这部分新样本进行学习.同时找出原样本中可能转化为支持向量的非支持向量样本.基于分析结果,提出了一种新的基于最近边界向量的增量式支持向量机学习算法.对标准数据集的实验结果表明,算法是可行的,有效的.     

基于粒子群-支持向量机定量降水集合预报方法

首先对ECMWF不同物理量场预报因子群进行自然正交展开,选取能充分反映每个预报因子场主要信息的第一主分量作为模型输入.进一步利用粒子群算法对支持向量回归机的相关参数进行优化,以南宁市8个气象站单站逐日降水作为预报对象,建立粒子群-支持向量回归集合预报模型,进行单站逐日降水的数值预报产品释用预报方法研究.利用模型对2015年5-6月南宁市8站进行了逐日降水预报业务试验,结果表明,模型具有较好的预报效果.并提出了利用隶属函数建立可信度函数对不同的预报模型进行评价.     

一种新的概念格增量维护算法

形式概念分析在数据分析以及机器学习领域得到了广泛的应用,作为核心数据结构的概念格的构造算法一直是形式概念分析领域的研究热点.根据概念外延的补集性质,给出并证明了概念的生成定理和超概念的生成定理,并以此为基础提出了一种新的概念格的增量维护算法,包括概念的生成和序关系建立算法,并给出了一个应用示例.     

支持向量顺序回归机的统计学习基础

对处理顺序回归问题的支持向量顺序回归机的统计学习理论基础进行研究.
首先, 利用结构风险最小化原则推导出一种顺序回归机,
称之为结构风险最小化顺序回归机, 其次,
证明了结构风险最小化顺序回归机与支持向量顺序回归机解之间的关系.
进一步从统计学习的角度证明了支持向量顺序回归机是结构风险最小化原则的一种直接实现,
并给出了惩罚参数C的含义.     

带优化参数的SVR模型及在软件成本估算中的应用

随着社会各行各业对软件开发投资的日益增长,产业界和学术界越来越关注可靠的软件成本估算,以有效控制软件开发过程中相关风险.为了能更准确地估算软件成本,提出一种带遗传算法优化参数的支持向量回归机模型,用遗传算法来优化支持向量回归机模型中的参数集(C,γ,ε),可以避免参数选择的盲目性,能显著提高支持向量回归机模型的预测能力.分别用IBM DP、Kemerer和Hallmark三个数据库来验证模型的有效性,并与常用的线性回归模型进行对比,结果显示采用遗传算法优化的支持向量回归机模型具有很好的学习精度和推广能力,在MMRE和Pred(0.25)两个标准上都优于线性回归模型.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

基于支持向量回归和核岭回归对血糖值预测的对比分析

为了对比支持向量回归(SVR)和核岭回归(KRR)预测血糖值的效果,本文选择人工智能辅助糖尿病遗传风险的相关数据进行实证分析.首先对数据进行预处理,将处理后的数据导入Python.其次,为了使SVR和KRR的对比结果具有客观性,使用了三种有代表性的核方法(线性核函数,径向基核函数和sigmod核函数).然后,在训练集上采用网格搜索自动调参分别建立SVR和KRR的最优模型,对血糖值进行预测.最后,在测试集上对比分析SVR和KRR预测的均方误差(MSE)和拟合时间等指标.结果表明:均方误差(MSE)都小于0.006,且KRR的MSE比SVR的小0.0002,KRR的预测精度比SVR更高;而SVR的预测时间比KRR的少0.803秒,SVR的预测效率比KRR好.