距离加权极端支持向量机

由于极端支持向量分类机(ESVM)在对样本进行分类时并没有考虑到数据集中样本点的分布情况,对所有样本点的误差项都给予了相同的惩罚因子,使得分类器的分类效果很容易受到噪声、野值数据的干扰,针对这个问题,在ESVM的基础上提出了一种基于距离加权的极端支持向量机(WESVM)。由于不同的样本到其类中心距离的不同,因此对不同的样本给予不同的权重。分类实验结果表明WESVM与ELM、ESVM相比具有更好的分类精度。

基于邻域粗糙集与支持向量极端学习机的瓦斯传感器故障诊断

针对于瓦斯传感器故障诊断速度慢、诊断精度不高的问题,以常见的冲击型、漂移型、偏置型和周期型传感器输出故障作为研究对象,提出一种基于邻域粗糙集(NRS)和支持向量极端学习机(SVM-ELM)的故障诊断方法。首先对瓦斯传感器的特征属性值进行归一化处理,然后利用NRS信息约简理论降低属性维度,提取出影响瓦斯传感器的关键属性构成约简集。将约简集作为SVM-ELM的输入进行训练,利用训练好的SVM-ELM对测试样本进行模式识别。最后通过实验对比验证该方法具有训练速度快、分类精度高的特点,辨识正确率在95%以上,能够显著提高故障诊断的速度和准确性。

采用傅里叶描述子和支持向量机的服装款式识别方法

为解决当前服装款式识别领域中,服装轮廓特征提取技术较复杂,其分类方法的效率低、适应性差等问题,提出一种新型的服装款式的识别方法。首先创建了一个服装图像样本库,并从这些服装图像中提取服装轮廓,然后使用傅里叶描述子描述服装的轮廓特征,以多分类支持向量机进行分类。结果表明,该方法能够准确提取服装轮廓,傅里叶描述子的识别效果优于Hu不变矩和融合特征(Hu不变矩和傅里叶描述子);对傅里叶描述子进行主成分分析不能提高识别准确率;支持向量机的分类效果优于极端学习机;该方法能够达到95%以上的识别率,尤其对轮廓特征明显的款式有更好的识别率。

基于机器学习的KRAS抑制剂活性预测模型研究

Kirsten大鼠肉瘤病毒癌基因同系物(Kirsten rat sarcoma viral oncogene homolog,KRAS)基因是最常见的突变癌基因之一,发现KRAS抑制剂对存在该基因突变的癌症患者具有潜在的治疗作用。本研究将机器学习应用于KRAS抑制剂的定量构效关系(quantitative structure-activity relationship,QSAR)模型,从ChEMBL、BindingDB、PubChem 3个数据库中收集了1857条KRAS小分子抑制剂的IC50和SMILES(simplified molecular input line entry system),采用3种不同的特征筛选方式结合随机森林、支持向量机、极端梯度提升机3种机器学习模型,构建了9个不同的分类器。结果表明,SVM模型结合互信息筛选显示出最佳性能:AUC_(test)=0.912,ACC_(test)=0.859,F1_(test)=0.890,并且在外部验证集上也表现出良好的预测性能(AUC_(Ext)=0.944,Recall_(Ext)=0.856,FPR_(Ext)=0.111)。该研究为使用人工智能方法在天然产物数据库中进行KRAS抑制剂筛选提供了新的技术路线。

基于样本熵和极端学习机的超短期风电功率组合预测模型

该文提出一种经验模态分解(empirical mode decomposition,EMD)–样本熵(sample entropy,SE)和极端学习机(extreme learning machine,ELM)相结合的风电功率超短期预测方法。该方法首先利用EMD-SE将风电功率时间序列分解为一系列复杂度差异明显的风电子序列;其次利用最小二乘支持向量机(least squares support vector machine,LSSVM)、极端学习机和经原始岭回归(primal ridgeregression,PRR)改进的极端学习机(PRR-ELM)对各子序列建立组合预测模型,并采用交叉验证法和重构相空间法确定各模型的参数和输入向量维数,以提高各组合模型的预测精度;最后以某一风电场实际采集的数据为算例,结果表明基于EMD-SE理论的ELM和PRR-ELM组合预测模型在预测精度和训练速度上都明显优于EMD-SE理论和LSSVM的组合模型,且其预测结果更接近于真实值,为实现风电功率在线的较高精度超短期预测提供了可能。

多元混沌时间序列的加权极端学习机预测

针对多元混沌时间序列具有强非线性,难以建立数学模型进行准确预测的问题,本文提出一种加权极端学习机预测算法.首先对多元混沌时间序列进行相空间重构,并根据相空间中输入数据对预测误差的影响施加不同的权重.然后,提出一种支持向量极端学习机预测模型,具有支持向量机的核映射表达能力以及极端学习机的一步快速训练能力,因此训练简便且具有较好的泛化性能.所提算法具有和训练样本三次方成正比的计算复杂度,因此适用于102?103样本规模的平稳时间序列.基于Lorenz混沌时间序列和年太阳黑子和黄河年径流混沌时间序列预测的仿真结果证明所提算法的有效性.

基于混合鸡群算法和核极端学习机的锅炉NO_x排放的预测

以某300MW亚临界循环流化床锅炉为研究对象,对锅炉的NOx排放量进行预测。利用模拟退火混合鸡群算法(SACSO)和核极端学习机(KELM)对不同工况下NOx的排放量进行建模;对比了差分进化算法,粒子群算法和原始鸡群算法,证明了改进后算法的优越性;之后,又对传统BP算法,支持向量机,极端学习机和核极端学习机模型进行对比;最终确定的SACSO-KELM模型具有更高的预测精度和稳定性以及更好的泛化能力,可选择将此模型用于锅炉NOx排放的建模预测。

基于主成分分析和极端学习机的测谎方法研究

为了克服当前基于P300的测谎方法训练时间长、个体识别准确率不够高的缺点,提出了将主成分分析(Principal component analysis,PCA)和极端学习机(Extreme Learning Machine,ELM)相结合的PCA_ELM测谎方法.该方法使用典型的三刺激测谎范式,记录30名随机划分的撒谎和无辜者在Pz电极上的脑电(EEG)信号,选择探针刺激响应并对每名受试者的每5个响应波形进行平均,然后对两类信号提取小波特征.PCA被用于对原始特征空间进行特征选择.降维后的特征样本被送到ELM分类器,该分类器学习速度快,泛化能力强,但是对于其隐层节点数的指定一直未有有效的解决方法.我们通过对特征子空间的维数和ELM的隐层节点数进行二维的网格搜索算法,基于交叉验证的方法,对两个参数进行同步优化选择,训练得到最佳参数下的分类模型.实验结果表明,提出的PCA_ELM方法不仅在训测谎准确率上高于当前的广泛使用的分类模型,而且训练时间大大缩短,尤其适合于在线的测谎系统.

基于集合预报极端天气预测指数的浙江分类强对流预报模型

利用2016—2021年ECWMF集合预报资料、浙江自动站实况资料等,计算浙江短时强降水、雷暴大风和冰雹等强对流天气相关物理量的极端天气预报指数(EFI:Extreme Forecast Index),分析EFI分布特征,并构建了分类强对流预报模型。结果表明:强对流天气与物理量的EFI有密切联系,发生短时强降水时,对流有效位能、整层可降水量、850 hPa与500 hPa温差和位温差的EFI较大,而垂直风切变的EFI为负值,因而较小的垂直风切变更有利于出现极端降水;发生雷暴大风和冰雹时,对流有效位能、850 hPa与500 hPa温差和位温差以及850 hPa温度露点差的EFI较大,700 hPa露点温度的EFI为负值,与上层干冷下层暖湿的有利层结条件有关。利用支持向量机多分类方法,将强对流天气相关物理量的EFI作为特征值开展训练,构建的预报模型对于非局地强对流天气有较好的预报效果,其中短时强降水的误判率明显低于雷暴大风。

改进黑猩猩算法的光伏发电功率短期预测

针对晴空、非晴空条件下光伏出力预测精度不高等问题,提出一种改进K均值(K-means++)算法和黑猩猩优化算法CHOA(chimpanzee optimization algorithm)相结合,优化最小二乘支持向量机LSSVM(least squares support vector machine)的模型,进行光伏功率预测。首先,利用密度聚类和混合评价函数改进K-means++对原始数据进行自适应类别划分。其次,通过相关性分析和随机森林特征提取构建模型的输入特征集。最后,根据特征集建立基于DK-PCHOA-LSSVM的短期光伏发电预测模型。结合实际算例,结果表明:该模型在恶劣天气下预测精度明显优于其他模型,验证了其有效性和优越性。

基于ODR-ADASYN-SVM的极端金融风险预警研究

针对合成少数类过采样(synthetic minority over-sampling technique,SMOTE)方法在提升支持向量机(support vector machine,SVM)的非均衡样本学习能力中出现的过拟合(over fitting),引入自适应合成抽样方法(adaptive synthetic sampling approach,ADASYN)和逐级优化递减欠采样方法(optimization of decreasing reduction,ODR)分别克服SMOTE在生成新样本中的盲目性和在处理对象上的局限性,进而与SVM相结合,构造出改进SVM,即ODR-ADASYNSVM模型来预测中国极端金融风险;最后运用T检验对各模型预测精度的差异性进行显著性检验以及对各模型的预测稳定性进行评价.实证结果表明,ODR-ADASYN-SVM模型不仅能够显著地提升SVM的非均衡样本学习能力,同时也能够有效地克服SMOTE的过拟合,从而展示出优越的极端金融风险预测性能.

航空发动机传感器故障与部件故障诊断技术

结合局部学习思想与集成学习技术,提出了一种基于支持向量机-极端学习机-卡尔曼滤波器(SVM-ELM-KF,Support Vector Machine-Extreme Learning Machine-Kalman Filter)的航空发动机传感器故障与突发性部件故障诊断的方法.将改进的迭代约简最小二乘支持向量回归机训练技术推广到分类机中,用于区分传感器故障与部件故障,使得该分类机具有一定的稀疏性.对于传感器故障,利用ELM分类机对故障进行定位.对于部件故障,利用改进的卡尔曼滤波器对发动机各部件的健康参数进行估计,从而对部件故障进行定位.仿真结果表明,提出的故障诊断方法能够准确地区分传感器故障和部件故障,实现故障的有效定位,验证了方法的可行性.

基于RU-SMOTE-SVM的金融市场极端风险预警研究

本文以上证综指和深证成指为研究对象,将随机欠采样(RU)、合成少数类过采样(SMOTE)与传统支持向量机(SVM)相结合,提出了一种改进的SVM模型——RU-SMOTE-SVM模型来预测我国金融市场极端风险,并与传统SVM、SMOTE-SVM、RU-SMOTE-NN和RU-SMOTE-DT进行比较。实证结果表明,RU-SMOTE-SVM既优于传统SVM模型,又比SMOTE-SVM具有更高的预测精度,同时还展示出比RU-SMOTE-NN和RU-SMOTE-DT更为优越的预测性能。

不平衡样本下的金融市场极端风险预警研究

为了提高金融市场极端风险识别及预警能力,采用沪深300指数作为研究数据,通过少数类样本过采样算法(SMOTE)解决样本不均衡问题,利用因子分析提取特征,通过粒子群(PSO)优化的最小二乘支持向量机(LSSVM)算法构建(SMOTE-PSO-LSSVM)预测模型。使用SMOTE-PSO-LSSVM模型对2007—2010年沪深300指标样本进行预测,样本含极端风险样本193条,模型成功识别风险样本154条,识别准确率达到了83.1%。研究结果表明SMOTE-PSO-LSSVM模型对金融风险数据识别能力较强,能够较为精准地识别风险样本,且求解速度快运行效率高,比传统BP网络和支持向量机等方法性能更优秀。该研究结论对金融市场的风险识别、市场趋势把控、股市交易管制以及投资者决策具有一定意义。

极端环境下光电编码器误差补偿方法

针对高、低温环境对光电编码器的影响和传感器的误差补偿方法进行研究。通过温度判别光电编码器所处环境分区,并切换不同的补偿方法实现经济高效的误差补偿。常温区采用直线最小二乘法补偿模型,高、低温区采用处理非线性拟合更优的最小二乘支持向量机(LS-SVM)补偿模型。通过实验装置测试可知:在高、低温区,光电编码器测量误差呈非线性,而在常温区光电编码器测量误差呈线性。研究的极端环境下光电编码器误差补偿方法无论对常温区域内还是对高、低温区呈非线性变化的测量误差均有很好的补偿作用。

一种判别极端学习的相关反馈图像检索方法

针对基于支持向量机(SVM)的相关反馈图像检索方法计算复杂度高、缺乏判别能力以及图像特征提取不充分的问题,提出一种基于判别极端学习的相关反馈图像检索(DELM)方法。在图像特征提取阶段,通过连接图像的颜色、纹理及边缘直方图实现图像的特征提取,解决了以往多数检索方法仅使用单一图像特征造成的图像描述不充分的问题;在检索的反馈阶段,将最大边际准则(MMC)引入到极端学习机中,通过分析极端学习机隐层空间的类内离散度和类间离散度得到包含判别信息的分类模型,并给出降维和不降维两种形式,以提高相关反馈图像检索系统的检索能力。DELM方法能有效应用于基于内容的图像检索中,并显著提高图像检索的性能。实验结果表明,DELM方法和采用SVM、ELM和最小类别方差ELM的方法相比,在Corel-1K数据集下检索平均准确率分别提高了11.06%、5.28%和6.40%。

三种机器学习模型在太湖藻华面积预测中的应用

基于2014—2018年太湖气象水文水质数据与卫星遥感数据,分别采用支持向量机(SVM)、长短记忆神经网络(LSTM)、极端梯度提升树(XGBoost)模型模拟全太湖、贡湖、南部沿岸区、中西北湖区的蓝藻水华(简称藻华)面积。结果表明:(a)XGBoost全太湖与分区藻华面积回归模型模拟效果较好,其次是SVM、LSTM回归模型;不同时间尺度下SVM、XGBoost回归模型对全太湖藻华面积模拟结果偏小,但有效模拟了藻华的发展趋势。(b)XGBoost分类模型在全太湖、中西北湖区模拟准确率较高,优于SVM、LSTM分类模型;在贡湖、南部沿岸区,3种分类模型准确率均较高。(c)以当天、提前1 d的气象水文水质因子作为全太湖与分区藻华面积模型输入,XGBoost回归与分类模型模拟精度较高、稳健性较好,预测应用情景较好。

基于组合模型的极端降水预测方法

在极端降水准确预测问题的研究中,利用数据挖掘技术建立极端降水量预测模型,为极端降水事件的分析预测和洪涝灾害的防御工作提供参考依据。为提高预测精度,采用组合预测方法,提出极端降水组合预测模型。首先根据不同权重确定方法给支持向量机预测模型和自回归滑动平均预测模型赋予适当的权重,对两个模型的预测值计算加权平均,最后得到极端降水的最终预测值。应用于江西永修站极端降水量预测,仿真结果表明,组合预测方法预测精度高,用在极端降水预测方面具有较好的应用前景。

一种极端降水预测方法研究

为了提高极端降水量的预测精度,将小波分析、支持向量机以及遗传算法相结合,建立了一种极端降水预测模型。首先利用小波变换对极端降水数据进行分解,分离出序列中的低频信息和高频信息;然后对各子序列分别用遗传算法优化的支持向量机进行训练和预测;最后将各子序列的预测结果叠加,得到极端降水量的最终预测结果。实验表明,该组合模型能准确揭示极端降水的变化特性,具有更高的预测精度,从而为极端降水量的预测提供了一种有效方法。

重庆地区极端降雨事件预测模型研究

为了解重庆地区降水现状,文章计算了区域中雨日数(R10)、大雨日数(R20)、1日最大降水量(RX1)和湿日降水量(PRCPTOT)共4项极端降水指标,并基于改进粒子群算法优化的支持向量机模型(DPSO-SVM)构建了4种极端降水指数预测模型,结果表明:当输入气象参数组合为日最高温度、日最低温度、辐射和风速时,DPSO-SVM模型精度最高。