日气温多元时间序列局部支持向量回归预测

气温预报是天气预报的重要因素之一,但大气系统是一个复杂的非线性系统,要提高预报精度,需要探索新的预报方法。研究一种多元时间序列局部支持向量回归的日气温预测方法,以日最高、最低气温为例,使用C-C方法和最小预测误差法构造日最高、最低气温的多元时间序列,将分段提取最近邻点的方法应用于局部支持向量回归,建立提前1天的每日最高、最低气温局部预测模型。以中国753站资料包中的数据进行仿真实验,与欧氏距离提取最近邻点相比,分段提取最近邻点的方法能有效提高日气温的预测精度。多元时间序列局部预测模型在日气温的短期预测(10天以内)上比单元时间序列有着更好的应用价值。

局部支持向量回归在小麦蚜虫预测中的研究与应用

针对小麦蚜虫预测预警准确率不高的问题,本文提出了一种基于局部支持向量回归的小麦蚜虫短期预测算法。首先用相关分析法进行特征选择,然后进行归一化处理,最后使用局部支持向量回归进行小麦蚜虫百株蚜量短期预测模型的构建,并对未知样本进行预测。利用1990~2013年山东省烟台地区的小麦蚜虫数据及气象数据进行实验,并与标准的支持向量回归进行对比试验。局部支持向量回归的预测以及回代的均方误差为196362和198780,准确率为82.69%和91.03%;支持向量回归的预测以及回代的均方误差为199366和213108,准确率为80.77%和91.03%。实验结果表明,对于小麦蚜虫的短期预测,局部支持向量回归在准确率和推广能力上均明显优于支持向量回归。

灰色局部支持向量回归机及应用

为了解决全局支持向量回归机(Global-SVR)在大样本数据集中计算效率低下的问题,将局部支持向量回归机与灰色系统理论有机结合,并利用灰色关联度作为局部邻域函数构造灰色局部支持向量回归机(GL-SVR),该做法具有一定的理论价值.优化过程中采用留一法评估学习机的泛化性能,利用模式搜索法选择模型参数.真实的股价涨跌幅预测实验结果表明,该方法既加快了运算速度,又提高了预测精度.

局部最小二乘支持向量机回归在线建模方法及其在间歇过程的应用

当间歇生产切换于不同的工艺条件时,由于新工况下的样本一般很少,且批次间存在着不确定性(由于原材料波动或过程动态特性波动等),基于全局学习的建模方法(如最小二乘支持向量机回归,LSSVR)建立的模型泛化性能不强。将局部学习融入LSSVR中,提出一种局部LSSVR(local LSSVR,LLSSVR)的间歇过程在线建模方法。结合前一批次离线优化后的LSSVR参数,针对待预测新样本在线选择与之相关的近邻样本集并基于此进行建模。以建立青霉素发酵过程的菌体浓度为例,验证了LLSSVR算法能够从过程的第2个生产批次开始在线建立较准确的预报模型,较LSSVR有着更好的推广能力、适应性和鲁棒性。

基于SVR的齿廓图像边缘失真补偿算法

为解决齿廓图像边缘光学失真影响齿轮视觉测量精度问题,采用双-K-交叉验证方法改进支持向量回归算法(SVR)的参数寻优,以提高SVR拟合精度、实现基于局部支持向量回归的齿廓边缘失真补偿算法(L-SVR)。根据渐开线直齿圆柱齿轮相邻同名齿廓相似性,在齿廓局部失真区域选取齿廓失真区域待补偿信号的相邻同名齿廓极径rk、齿廓边缘信号μk、齿廓平均迹线εk、齿廓边缘信号动态分量υk组成L-SVR算法输入自变量,分别获取齿廓边缘失真区域补偿信号υk*、εk^*、μk^*。实验表明,补偿信号与该齿廓经过严格清洗后未出现边缘失真区域时的测量信号具有极强的相关性。基于L-SVR补偿算法的测量结果接近齿轮测量中心测量结果、相对误差更小,能够满足齿轮视觉测量的精度要求。