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。

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。

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。

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。

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。

基于GA的ε-SVRM在传感器非线性校正中的研究

针对ε-SVRM在建立传感器回归模型时参数难确定的问题,提出了改进遗传算法对模型参数进行优化选取的方法。该方法在遗传算法前期通过限制个体间距离及采用保优策略,保持最优参数的多样性;在进化后期通过自适应调整进化参数从而加快进化速度,以提高模型的预测准确度和建模效率,并且与以往采用的网格搜索法进行了比较。实验结果表明:采用改进遗传算法进行参数优化得到的模型预测结果均方误差(2.091 6×10-5)较采用网格搜索法所得到的模型预测结果均方误差(1.371 22×-10-3)下降了2个数量级;同时,经过改进的遗传算法优化后建立的传感器回归模型使得传感器输出电压的最大相对波动由建模前的22.2%下降到0.038%,而采用网格搜索法使其下降到2.93%,显著地改善了传感器的稳定性。

SMO算法的简化及其在非正定核条件下的应用

SMO算法是求解大型支持向量机(SVM)的有效算法.已有的算法都必须判定4个Lagrange乘子位于哪个象限,从而使算法的实现更为复杂.此外,现有算法都假定核矩阵是正定的或半正定的,因此使其应用受到了限制.考虑到传统算法的不足,提出了一种用于-εSVR的简化SMO算法,进而将其用于求解非正定核的-εSVR.与已有的算法不同,通过将-εSVR的原始规划问题进行展开并求解其KKT条件,提出的算法只需考虑2个Lagrange乘子,从而有效地简化了算法的实现,并能方便地应用于非正定核SVR的求解.采用一个常用于衡量预测误差的函数对算法进行了测试,实验表明,与-εSVR现有的SMO算法相比,在不增加空间复杂度和时间复杂度的前提下避免了大量繁琐的判别条件,简化了算法的实现,这就为不同的损失函数所对应的SVR提供了一个通用的SMO算法,从而有利于SVR的推广应用.另外,提出的求解非正定核的ε-SVR的方法也为求解其他的非正定核SVR提供了一个思路.

基于异常识别和关联分析的桥梁数据复合诊断

提出了一种基于异常识别和多传感器关联分析的桥梁数据复合诊断方法。该方法利用超球面一类支持向量机对传感器数据特征进行异常识别,通过ε-支持向量回归机对多传感器测量值进行位置关联分析,从而判定该传感器数据异常是由外部荷载还是传感器自身故障引起。通过江阴大桥主梁加速度传感器的相关测量数据,表明了该方法的有效性。