粗糙ε-支持向量回归模型

在ε-支持向量回归和粗糙v-支持向量回归模型的基础上,研究了新的粗糙ε-支持向量回归模型.利用固定对称边界粗糙ε-不敏感损失函数,得到粗糙ε-不敏感管,构造固定对称边界粗糙ε-支持向量回归模型;利用固定非对称边界粗糙-不敏感损失函数,得到粗糙εu-εd-不敏感管,构造固定非对称边界粗糙ε-支持向量回归模型.通过引进Lagrange函数和根据KKT条件,处理粗糙ε-支持向量回归模型的对偶问题.

基于ε-支持向量回归理论的区域交通信号智能控制

城市交通信号控制是当前智能交通领域的研究热点之一。针对区域交通信号协同控制的实时性和准确性,提出一种基于ε-支持向量回归(SVR)非线性回归理论的智能控制方法(ICSRTS)。该方法在无线传感网络结构的基础上结合已有的数据汇聚算法,并采用分簇策略将区域交通控制系统建模成一类集成信息调度与控制的离散切换系统。在离散切换系统中,不仅考虑了数据包传输的网络时延和丢包率,而且观测器利用改进的ε-SVR训练方法实现对多数据源融合的交通信号状态的在线预测并通过控制器进行总体协调控制。运用Lyapunov函数方法验证了该系统的渐近稳定性及其可调度性。仿真结果表明,ICSRTS方法相比普通模糊神经网络控制和普通ε-SVR预测算法在交叉口平均延误时间方面具有较好的性能。因此,该方法能实时、有效地对区域交通信号进行协调控制,从而减少了区域内的交通拥堵和能源消耗。

基于GA的ε-支持向量机参数优化研究

ε-支持向量机(ε-Support Vectorreg ression Machine,SVM)是一种非常有前景的学习机器,它的回归算法已经成功应用到解决非线性函数的逼近问题。但ε-SVM参数的选择大多数是依靠经验选取,这不仅依赖于计算者的水平,还不能获得最佳函数逼近效果,很大程度上限制了该算法的发展。提出了基于遗传算法的ε-SVM参数选择方法。将该方法应用于测试函数,表明预测精度高,具有一定的推广意义。

ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multi-nomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。

基于ε-支持向量回归机的信道估计

在数字通信中,传输媒质引起的多径失真会导致发射信号的时间弥散从而产生码间干扰.严重时,可导致接收端无法正确识别发送信号,所以接收端就必须对数字信号的畸变进行处理以去除符号间干扰.信道估计决定了信号的高速高效传输,只有在保证信道估计准确及时的前提下,新的通信技术性能才有可能充分发挥.鉴于信道估计的重要性和关键性,提出基于ε-支持向量回归机的非盲信道估计新方法,该方法运用ε-支持向量回归机概念将移动通信中的非盲信道估计问题转化为求解一个二次规划问题,仅要求小数据量的训练序列便可以直接得到均衡器,可有效满足时变信道更新的实时要求.并通过仿真实验验证该新方法的有效性和可行性.

ε-支持向量回归方法在红外测温标定实验中的应用

为了处理红外测温标定实验所得到的数据和建立温度灰度标定数学模型,介绍了ε-支持向量回归机基本原理及其在红外测温标定实验中的应用。在黑体温度从30～72℃变化过程中,采集22组实验样本,其中17组为训练样本,其余为预测样本。在数据处理时引进ε-支持向量回归机方法,且通过训练样本与预测样本在MATLAB下拟合出模型曲线。与传统的最小二乘法比较,ε-支持向量回归方法具有较高的精度,可以成为一种红外测温标定实验数据处理方法。

考虑梯度信息的ε-支持向量回归机

传统的ε-支持向量回归机(ε-support vector regression,ε-SVR)只是根据样本点处的响应值来构建模型,并没考虑样本点处的梯度信息.如果样本点处的梯度信息容易获得或者获得的成本并不高,那就应该将梯度信息应用到模型的构建中.已有的基于梯度信息的ε-支持向量回归机模型的构建是从泰勒展开的角度着手,简单地将梯度信息插入到泰勒展开式中;本研究另辟蹊径,并没有去估计样本点邻域内的函数值,而是将梯度信息作为第二类变量融入到核矩阵中直接构建优化模型,使模型的构建更为简捷直观,并据此得到一种新的基于梯度信息的ε-支持向量回归机(Gradient-enhancedε-support vector regression,GESVR)模型.所提模型通过了常用分析函数及精算领域中的生命表数据的验证,实验表明,与传统的ε-SVR相比,考虑梯度信息的GESVR模型显著地提高了其预测精度.

基于ε-支持向量回归机的小菜蛾预警模型

基于ε-支持向量回归机算法建立了小菜蛾在多发季节的预测模型,通过对广东省蔬菜小菜蛾试验数据进行分析,结果表明,在选择惩罚因子c为43、核函数参数κ为0.2的情况下,ε-支持向量回归机预警模型取得了较好的预测结果。

ε-支持向量回归的噪声敏感性研究

针对ε-支持向量回归机(ε-SVR)对噪声数据非常敏感的问题,提出应用贝叶斯估计理论,研究数据噪声水平与ε-SVR中不敏感参数ε之间的关系,将ε-SVR的优化问题转换成贝叶斯估计问题,探讨ε-SVR对噪声的敏感性。仿真实验表明:不同强度的噪声干扰,回归的效果受到较大影响,选取恰当的不敏感参数ε,能够降低ε-SVR对噪声的敏感性,同时也证明了应用贝叶斯估计理论推导的有效性。

支持向量机回归的碳通量预测

如何根据影响因素较好地预测碳通量是许多环境监测者非常关注的问题。但至今尚无一种非常有效的预测模型,为此研究ε-支持向量回归机在碳通量预测中的具体应用,并与BP神经网络模型的预测结果做了比较,分析了两种方法在核函数及相关参数、网络结构、神经元数目选择方面各自不同的特点。实验结果表明,基于ε-支持向量回归机和BP神经网络模型的碳通量预测结果与碳通量实测值之间存在显著相关性。但ε-支持向量回归机方法的预测过程更易掌控,整体预测精度高于BP神经网络的精度。

支持向量回归机不敏感因子ε对运动建模的影响

通过对仿真Z形试验数据的分析,应用具有不同不敏感因子ε的ε-支持向量回归机(Support Vector Regression,SVR)辨识了船舶操纵运动二阶线性响应模型中的K,T等操纵性指数,并利用回归得到的响应模型进行了Z形试验的数值模拟。通过比较采用不同不敏感因子ε所得首向角和转艏角速度的预报结果,表明可以通过调节不敏感因子ε值来控制样本输入中支持向量的个数与ε-SVR的回归精度。

支持向量机在钻井工程数据拟合中的应用

支持向量机(SVM)是近年来发展起来的一种通用的机器学习方法,在小样本数据的拟合中已获得了很好的效果。对于常见的支持向量回归机方法:ε-支持向量回归机和最小二乘支持向量回归机进行了归纳总结,并给出了一具体应用案例。

基于支持向量机的绿地径流系数预测模型的建立

以绿地为下垫面,分析了覆盖度等因素对径流系数的影响。结果表明:覆盖度低于80%时,草地的下渗能力较小,高于80%时显著增强,径流系数与覆盖度成非线性关系。为了准确预测绿地的产流量,根据多种影响因素与径流系数构成的多维非线性关系,提出采用-ε支持向量回归机建立绿地径流系数的预测模型,与LM-BP神经网络预测模型进行了比较。结果证明:-ε支持向量回归机建立的径流系数预测模型具有泛化能力强和预测精度高的特点,为城区绿地产流量的预测提供了新的计算方法。

基于支持向量机的织物悬垂性能评估

分析ε-支持向量机及v-支持向量机模型,结合织物参数特点,建立基于支持向量机的织物悬垂性能评估模型.以棉织物为例,进行实验分析,结果表明这两种模型具有较好的准确性(训练和评估的相对误差都小于5%),并且需要的样本少,训练的速度快.特别是v-支持向量机的参数选取较简单,v在合适的范围内都可以得到比较好的输出结果,验证了基于该模型评估织物的悬垂性能是方便可行的,也为织物质量评估提供了新的思路.

支持向量回归机在装备维修器材消耗预测中的应用

首先介绍了ε-支持向量回归机(ε-SVR)的基本原理,而后把它引到装备维修器材的消耗分析当中,建立了预测模型,并结合例子进行仿真实验。仿真结果表明,模型可行、准确。

基于加权精度的ε-SVR组合参数优化

针对支持向量机参数的选取还没有一套完整的理论支撑,提出以加权精度来评价某一组参数的预测效果。通过循环交叉验证和全局变步长的方法,对最优参数进行搜索。考虑参数间的相互影响,研究参数的组合形式对精度的影响,确定参数的最优组合形式。实例分析表明,参数的最优组合能够提高支持向量机对设备费用的预测精度。

基于差异演化的ε-SVRM参数优化

参数优化是ε-支持向量回归机研究领域的重要问题,其本质是一个优化搜索的过程。基于差异演化算法在求解优化问题上的有效性,提出了以差异演化算法寻优技巧的ε-支持向量回归机参数优化方法。将该算法应用于受噪声影响的标准函数,与采用遗传算法、蚁群算法、粒子群算法对支持向量机进行优化的仿真实验结果对比表明由DE算法所确定的ε-支持向量回归机具有较好的预测性能。

基于ε-SVR的滑坡位移预测

我国是一个地质灾害多发的国家,特别是滑坡发生的次数比较多、危害性比较大。因此对滑坡的位移进行监控预测有着十分重要的意义。对于滑坡位移变化的非线性问题,可以利用支持向量机在回归分析中的方法——ε-支持向量回归机(ε-SVR)进行预测,该方法基于统计学理论,在处理小样本、非线性、高维数等问题上有一定的优势。以福建八尺门滑坡的监测数据为例,将前面的17个位移数据作为学习样本,后面的6个位移数据作为预测样本,采用不同的核函数分别进行位移预测来与原始监测值进行对比,比较其预测精度。结果显示,该方法产生的预测值与原始监测值之间的误差比较小,其位移变化趋势与原始数据的变化趋势也基本一致,这说明该方法预测精度高,实用性强。

基于GA的ε-SVRM参数优化研究

参数优化是ε-支持向量回归机(ε-Support Vector Regression Machine,SVRM)研究领域的重要问题,其本质是一个优化搜索的过程.考虑到遗传算法在求解优化问题上的有效性,提出了以遗传算法寻优技巧的ε-支持向量回归机参数优化方法.将该算法应用于受噪声影响的标准函数,仿真实验表明由该算法所确定的ε-支持向量回归机具有较好的预测性能.

基于ε-SVR的嵌入式小波图像编码算法

针对基于支持向量机的小波图像编码算法难以实现嵌入式特性问题,在小波域构建一种回归树结构作为回归基本数据集合,同时利用子带内和子带间小波系数的相关性,提出一种线性动态阈值选取方法,以利于逐次逼近并保证回归数据的均衡性,并基于选定的阈值动态选取ε误差参数对小波系数进行多次回归,保证了重要系数被优先编码,使压缩算法具有嵌入式特性,对获得的支持向量及其权重进行自适应算术编码。实验结果表明,在压缩比相近的情况下,重构图像的PSNR(Peak Signal to Noise Ratio)比同类算法提高1~3 d B。