小波分析和支持向量机组合法预测应急血液需求研究

针对地震紧急救援阶段血液需求特点,提出用于预测其需求量的,基于小波分析(WA)和支持向量机(SVM)的组合方法(WA-SVM)。首先对原始血液需求进行小波分析,然后确定SVM输入向量和输出向量集合,构建各层序列的SVM预测模型,对血液需求进行预测。汶川地震案例表明,该方法的预测精度优于经验模态分解和SVM的组合预测模型以及SVM单项预测模型。

海平面变化的小波和自回归模型集成预测试验

针对海面变化预测时间序列模型中趋势组份和周期（准周期）组份的提取和预测问题，基于吴淞站1955-2001年月平均潮位序列，采用小波分析（wA）与自回归（AR）模型相结合的方案，对小波分解的不同尺度分量序列，借助于时间序列模型进行分量预测，再对它们进行叠加建立预测模型，进行了月平均潮位预测试验。以1955～1996年数据为基础建立模型，1997～2001年数据作为验证，结果表明两种方法的结合使用显示了较好的效果，具有较高的精度。

一种改进的含噪语音端点检测方法

语音端点检测是语音识别系统的重要环节之一。针对噪声环境下的语音端点检测困难,提出了一种改进的支持向量机的语音端点检测方法。利用小波分析(WA)提取含噪语音信号的特征向量。采用遗传算法(GA)得到最优的SVM核函数参数γ和惩罚因子C。建立语音端点检测模型。在Matlab软件平台下进行仿真实验,结果表明在不同的噪声条件下,GA-SVM算法的平均检测率达到94.5%,明显优于传统的双门限算法和普通的SVM算法。

基于WA-SVM模型的高炉铁水含硅量预测

基于小波在处理非线性、非平稳随机信号和支持向量机在解决非线性、高维数、小样本等问题的优点,提出了一种二者组合的预测模型。先用小波变换将铁水含硅量的时间序列分解成不同的高频和低频层次,对不同层次构建支持向量机模型进行预测,然后通过序列重构得到原始时间序列的预测结果。利用山东莱钢1号高炉在线采集的数据作为应用案例,WA-SVM组合模型与工程常用的AR模型和单一的最小二乘支持向量机模型的预测结果比较,预测精度有明显提高。