动态粒度支持向量回归机

粒度支持向量机(granular support vector machine,简称GSVM)可以有效提高支持向量机(support vector machine,简称SVM)的学习效率,但由于经典GSVM通常将粒用个别样本替代,且粒划和学习在不同空间进行,因而不可避免地改变了原始数据分布,从而可能导致泛化能力降低.针对这一问题,通过引入动态层次粒划的方法,设计了动态粒度支持向量回归(dynamical granular support vector regression,简称DGSVR)模型.该方法首先将训练样本映射到高维空间,使得在低维样本空间无法直接得到的分布信息显示出来,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离,找到含有较多回归信息的粒,并通过计算其半径和密度进行深层次的动态粒划.如此循环迭代,直到没有信息粒需要进行深层粒划时为止.最后,通过动态粒划过程得到的不同层次的粒进行回归训练,在有效压缩训练集的同时,尽可能地使含有重要信息的样本在最终训练集中保留下来.在基准函数数据集及UCI上的回归数据集上的实验结果表明,DGSVR方法能够以较快的速度完成动态粒划的过程并收敛,在保持较高训练效率的同时可有效提高传统粒度支持向量回归机(granular support vector regression machine,简称GSVR)的泛化性能.

基于距离和时序的层次粒度支持向量回归机

针对目前粒度支持向量回归机的粒划算法只考虑了距离因素,引入时序因素,提出适用于金融时间序列的基于距离和时序的层次粒度支持向量回归机(DTHGSVR).该方法首先将训练样本通过核函数映射到高维空间,并在该特征空间中进行初始粒划.然后,通过衡量样本粒与当前回归超平面的距离以及当前样本粒时序的综合因素,找到含有较多回归信息的粒,并通过计算其半径、密度及时序信息进行深层次的动态粒划.如此循环迭代,直到没有粒需要进行深层划分为止.最后,对不同层次的粒进行回归训练.采用提出的基于距离和时序因素的层次粒度支持向量回归机对基金净值进行预测,实验结果表明回归的泛化性有所提高.

基于支持向量回归的动态区域迁移建模方法及应用

提出了一种基于支持向量回归的动态区域迁移建模方法,该方法使模型随着区域的动态迁移进行在线更新,并采用动态调整ε的方法对同一区域内的数据给予不同程度的考虑,使得当前时刻加入的新数据要比以前时刻的旧数据在建模中所占的比重大。针对LF炉钢水温度预报问题,将此方法应用于预报建模。研究结果表明,该建模方法十分有效。

基于动态“时化”技术和支持向量机回归的区域物流需求预测——以长春市为例

本文对区域物流需求进行预测.预测方法的步骤为首先采用互信息方法对数据进行降维;其次,使用LIB-SVM支持向量机回归模型与动态“时化”技术对长春市物流货物量进行了预测.五年期的预测结果为,在2021年度内,50%的可能区间为（1.129亿吨,1.136亿吨）,95%的可能区间为（1.102148亿吨1.155852亿吨）.

基于动态网格优化算法的支持向量机回归应用

在支持向量机的回归分析过程中,由于多个参数需要同时调整,并且参数的取值范围大,给实际的工程应用带来很大困难,针对上述问题,本文提出了动态网格优化算法,使用优化后的参数来训练支持向量机,用测试样本对回归模型进行评价后可以得到较小的均方误盖值。

基于最小二乘支持向量回归机的燃煤锅炉结渣特性预测

对燃煤锅炉结渣特性建模预测并结合优化算法实现燃烧优化是降低锅炉结渣几率有效的方法。文中将煤的软化温度tST、硅铝比w(SiO2)/w(Al2O3)、碱酸比J、硅比G以及锅炉的无因次炉膛平均温度φt、无因次切圆直径φd等作为输入变量,以结渣程度作为输出,建立最小二乘支持向量回归机燃煤锅炉结渣预测模型。同时采用显微镜原理对惩罚参数γ和核参数σ进行寻优,快速有效地获得二者的最优组合。通过对5台锅炉结渣特性进行预测评判,结果表明此方法是合理可行的。同时依据本方法及面向对象的高级语言,开发了相应的预测评判系统。

基于支持向量机柔性机构动态可靠性分析

针对柔性机构可靠性分析中计算效率低和精度差的问题,提出一种柔性机构动态可靠性分析的支持向量机回归极值法。该方法利用蒙特卡洛法抽取柔性机构动态响应极值的小样本;基于这些样本和支持向量机回归理论,建立柔性机构动态响应极值的代理模型;使用该代理模型进行柔性机构动态响应可靠性分析。结合曲柄摇杆柔性机构实例,利用支持向量机回归极值法、蒙特卡罗法、人工神经网络代理模型和二次响应面代理模型方法,分别对连杆的变形和摇杆的摆角进行可靠性分析,通过对四种方法计算结果的比较,证明了支持向量机回归极值法在柔性机构动态可靠性分析中高效率和高精度,验证了支持向量机回归极值法在柔性机构动态可靠性分析的可行性和适用性。

基于支持向量机和自回归积分滑动平均模型组合的血糖值预测

根据动态血糖监测系统采集糖尿病患者血糖值,有效预测血糖值是治疗糖尿病的前提。为了预测糖尿病患者未来一段时间内的血糖值,本文根据最小方差将支持向量机(SVM)和自回归积分滑动平均(ARIMA)进行组合得到新的预测模型。为了验证本文方法的有效性,采用多组临床实验数据进行实验,同时对比ARIMA模型、SVM模型、神经网络模型结果。实验结果表明本文方法预测血糖值精度明显提高,弥补单一预测模型方法的不足,发挥了两种模型各自优势。

温室环境的支持向量机回归建模

温室气候是一个复杂的动态系统 ,传统的建模方法很难建立精确有效的温室气候模型。本文引入一种支持向量机回归建模方法来建立温室气候模型 ,这种方法根据历史数据建立气候模型 ,并用当前数据检验修正模型。对实际温室数据进行了建模实验 ,取得了较好的效果。

基于支持向量机的非线性动态系统辨识方法

讨论了辨识一类非线性系统模型的方法。先假设原非线性动态系统可由静态非线性子环节和动态线性子环节串联——H模型来表示。将H模型的非线性方程转换为类线性形式,从而建立线性过渡模型。对原始测量数据进行组合运算获得线性中间模型的训练样本集,并通过支持向量机线性回归算法求取过渡模型参数。最后再建立过渡模型与H模型系数之间的关系,从而反推出非线性模型参数,实现非线性动态系统辨识。仿真结果表明了该方法的有效性。

基于灰色系统的支持向量回归预测方法

根据部分时间序列数据贫信息、高噪声和非线性等特点,采用含边值修正的灰色模型进行预测,获取残差序列后运用支持向量回归(SVR)方法对模型进行残差修正得到复合的灰色支持向量回归模型.在支持向量回归中构造具有自适用性的动态惩罚参数Ci替代传统SVR中的不变参数来提高模型的准确性,同时构造算法决定ε以平滑过度调节.广东省工业生产指数的预测试验结果表明,复合模型具有比其他简单模型更理想的预测效果.

改进的支持向量回归机在电力负荷预测中的应用

电力预测是一项重要的工程应用。为了解决多层次粒度支持向量回归机(Dynamical Granular Support Vector Regression Machine,DGSVRM)预测电力负低荷精度的问题,提出一种基于萤火虫群优化(Glowworm Swarm Optimization,GSO)算法与模式搜索算法(Pattern Search,PS)的混合算法来优化DGSVRM预测模型的关键参数。仿真实验表明,通过优化参数之后,预测模型的预测精度得到很大提高。

基于网格服务的Nu-支持向量回归时间序列预测

利用计算网格实现高效率、低误差的时间序列预测,对科研、工商业等各个领域都具有重要的现实意义。使用Nu-支持向量回归方法建模时间序列预测问题;提出了数据集预处理方法,将原始时间序列转换成标准化的标记样本集;为了优化预测模型的参数,基于并行化和粒度控制提出两阶段搜索策略。在网格计算环境内设计了系统框架,以网格服务的动态组合实现时间序列预测。使用基准数据集对系统化预测方案进行性能测试,优化结果表明本方案能够针对特定数据集自适应的完成模型参数优化,且显著加速了优化过程。预测结果显示优化后的模型针对未知样本能获得较高的预测精度。

采用划分融合双向控制的粒度支持向量机

粒度支持向量机(granular support vector machine,GSVM)引入粒计算的方式对原始数据集进行粒度划分以提高支持向量机(support vector machine,SVM)的学习效率。传统GSVM采用静态粒划分机制,即通过提取划分后数据簇中的代表信息进行模型训练,有效地提升了SVM的学习效率,但由于GSVM对信息无差别的粒度划分导致对距离超平面较近的强信息粒提取不足,距离超平面较远的弱信息粒被过多保留,影响了SVM的学习性能。针对这一问题,本文提出了采用划分融合双向控制的粒度支持向量机方法(division-fusion support vec-tor machine,DFSVM)。该方法通过动态数据划分融合的方式,选取超平面附近的强信息粒进行深层次的划分,同时将距离超平面较远的弱信息粒进行选择性融合,以动态地保持训练样本规模的稳定性。通过实验表明,采用划分融合的方法能够在保证模型训练精度的条件下显著提升SVM的学习效率。

支持向量机回归在桥梁线形RTK测量中的应用

桥梁线形测量是桥梁运营维护过程中的重要安全检测工作,传统测量方式作业效率低,对桥面交通影响大,是已通车的桥梁线形测量急需解决的问题。选择车载全球卫星导航系统(GNSS)的实时动态差分(RTK)测量技术成为桥梁运营维护阶段的首选测量作业方案,然而GNSS RTK测量的精度和可靠性在大型悬索和拉索桥面的复杂观测条件下,极易出现较大的观测误差数据。基于桥面进行多次往返GNSS RTK测量结果,采用支持向量机回归模型对测量结果进行优化建模,最终实现桥梁线形精密测量。基于某700 m长度桥梁的实测GNSS RTK结果和独立的水准测量对比结果显示,在GNSS RTK测量原始结果的整周模糊度固定率约为78.3%,在95%的可靠性条件下,固定解精度约为2.9 cm;采用回归建模方法,同样在95%的可靠性条件下,可将桥梁线形测量精度提升至1.3 cm。由此可认为,提出的支持向量机回归建模方法在桥梁线形测量应用中具有较强的实用性。

柔性机构动态可靠性分析的SVM回归极值法

为改善柔性机构动态可靠性分析的效率和精度,基于支持向量机(Support Vector Machine,SVM)回归理论,提出了一种柔性机构动态可靠性分析高效率高精度的SVM回归极值法(SVM Regression Extremum Method,SREM)。首先,介绍了柔性机构可靠性分析的基本理论;其次,结合蒙特卡罗法(Monte Carlo,MC)和SVM回归理论,建立了柔性机构动态响应极值的代理模型,并利用代理模型进行了柔性机构的可靠性分析;最后,以柔性夹紧机构的可靠性分析为例,利用SREM加以验证。结果表明:SREM的计算时间约为蒙特卡罗法的20%,远远少于蒙特卡罗法;SREM的计算精度几乎与蒙特卡罗法保持一致,当可靠度大于98%时,SVM回归极值法的计算精度与蒙特卡罗的计算精度完全一致。

动态粒度SVM学习算法

粒度支持向量机(GSVM)在处理分布均匀的数据集时较有效,但现实生活中数据集的分布往往是不可预测的,且分布不均匀.文中提出一种动态粒度支持向量机(DGSVM)学习算法,根据粒的不同分布自动粒划分,使SVM可在不同层次的粒上训练.标准数据集上的实验表明,与GSVM相比,DGSVM具有更好的分类性能.

时栅动态测量误差建模与补偿技术研究

为提高时栅传感器动态测量精度,针对时栅的误差特点,提出对动态测量误差的周期性成分和随机性成分分别建模的思想。采用傅里叶级数逼近的方法对误差中的周期性成分进行建模,利用最小二乘方法对逼近模型参数进行寻优,选取比重较大的谐波参数对误差的周期性成分进行分离,对于分离后残留的随机性成分采用支持向量回归(Support vector regression,SVR)模型进行预测,利用交叉验证的方法对回归预测模型进行参数寻优和细化,选取最优的核函数参数g和惩罚因子C,使得残差均方达到最小。研发误差补偿系统,对时栅动态测量误差进行补偿。试验结果表明,运用该建模方法和模型,时栅传感器动态测量误差的峰峰值由38.2″降至3″,有效地降低了测量误差,大幅度提高了传感器的测量精度。

基于Fisher信息和在线SVR的智能电网气象敏感负荷预测动态建模技术

智能电网大数据环境为解决短期负荷预测模型性能退化和精度随时间降低等问题提供了契机。基于此,该文提出一种基于在线支持向量回归(on-line support vector regression,OSVR)和Fisher信息(Fisher information,FI)气象因素处理及特征选择(features selection,FS)的动态建模新方法,用该方法来构建过程变量之间关系快速变化时的智能电网气象敏感负荷预测模型。首先,利用支持向量回归(support vector regression,SVR)模型的卡罗需–库恩–塔克(Karush-Kuhn-Tucker,KKT)条件推导出一种简洁的OSVR学习算法,使得每当有样本增加到训练集或从训练集移除时,该算法均能有效地更新已训练好的SVR模型,而不用对整个训练数据重新再训练。其次,提出一种基于Fisher信息的特征选择方法和气象因素引入方法,能够从捕获的数据中提取主要特征,并有效处理气象因素的累积效应。实际测试结果表明:所建立的预测模型能够使用最新的数据信息完成更新,在过程特征发生快速变化的情况下,其预测精度仍高于传统方法。

露天煤矿卡车路段行程时间的实时动态预测新方法

针对露天煤矿卡车优化调度中重要的行程时间预测问题,考虑影响卡车行程时间的各种因素,建立卡车行程时间预测模型,利用最小二乘支持向量回归算法(LS-SVR)和选择性集成学习思想,提出一种基于最小二乘支持向量回归的选择性集成学习算法实现卡车行程时间的动态预测。并在实际采集的露天煤矿数据上进行实验,得到较高的预测精度,说明了算法的有效性。