核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的LSSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.

核主成分分析与支持向量机模型在储层识别中的应用

针对低孔、低渗致密储层识别较常规储层难这一问题,首次应用核主成分分析与支持向量机(KPCA-SVM)模型进行储层识别。该模型先通过核主成分分析(KPCA)进行非线性特征参数提取,然后将提取的特征参数作为支持向量机(SVM)的输入变量,最终实现储层识别。由于KPCA-SVM模型集成了核函数、主成分和支持向量分类机的优点,较好地解决非线性小样本的问题,能消除数据之间的噪音,降低维数,而又不缺失有效信息,达到准确快速预测的功能。将该模型应用到新场须二气藏新856井区储层预测中,预测结果验证了本模型的优越性,可作为致密储层预测的可选方法。

基于主成分分析的果蝇算法优化支持向量机回归的红枣产量预测

随着大数据技术和人工智能的快速发展,针对当前红枣产量预测模型精度低、模型优化时间过长等问题,以山西省1993—2020年的红枣产量及17个维度的因素作为基础数据,提出一种基于主成分分析的果蝇算法优化支持向量机回归(principal component analysis-fruit fly optimization algorithm-support vector regression,PCA-FOA-SVR)的红枣产量预测模型。首先利用主成分分析(principal component analysis,PCA)对数据进行降维处理,以5维的指标作为输入变量,产量作为输出变量;其次以支持向量机回归(support vector regression,SVR)为基础模型,利用果蝇优化算法(fruit fly optimization algorithm,FOA)对SVR参数惩罚因子c和核函数参数g进行寻优,构建PCA-FOA-SVR模型。对试验结果进行验证。发现PCA-FOA-SVR的均方根误差(root mean square error,RMSE)、平均绝对误差(mean absolute error,MAE)、决定系数R 2分别为3.11、3.01、0.96,SVR的各指标分别为5.33、4.07、0.9,分别提高了41.7%、26%、6.7%,最后通过GM(1,1)对各维度的数据进行预测,利用PCA-FOA-SVR模型对未来10年山西省红枣产量进行预测,结果显示在2025年红枣产量会达到一个峰值,对后续相关研究提供了一定的科学依据。

基于主成分分析-支持向量机算法的绝缘子污秽太赫兹检测研究

为解决绝缘子污秽程度检测问题,提出了一种基于太赫兹时域光谱技术结合主成分分析-支持向量机模型的绝缘子污秽程度的非接触式检测方法。使用太赫兹时域光谱系统对不同污秽程度的人工污秽样本进行检测,获取样本的太赫兹光谱数据;提取样本的吸收系数用于主成分分析,建立支持向量机分类模型用于划分样本有无污秽、样本的污秽程度。结果表明,硅橡胶表面污秽程度在时域、频域、折射和吸收谱图上没有明显差异;基于吸收谱数据的主成分分析-支持向量机模型区分出有无污秽准确度为100%;基于吸收谱数据建立的支持向量机多分类模型对于测试集的识别准确率为92.5%。太赫兹时域光谱技术可应用于绝缘子污秽程度的检测,为绝缘子污秽程度的检测提供了新方法。

基于核主成分分析和支持向量回归机的红外光谱多组分混合气体定量分析

提出了一种核主成分分析(KPCA)特征提取结合支持向量回归机(SVR)的红外光谱混合气体组分定量分析新方法。首先将特征吸收谱线严重重叠的混合气体光谱通过非线性变换映射到高维特征空间,然后在特征空间中再利用主成分分析法提取主成分,提取出的主成分作为SVR的输入建立校正模型,实现了甲烷、乙烷、丙烷、异丁烷、正丁烷、异戊烷以及正戊烷七种组组分特征吸收光谱严重重叠的混合气体的定量分析。用KPCA-SVR所建模型对未知浓度混合气体的七种组分预测的RMSE(φ×10-6)较仅用SVR模型预测的RMSE(φ×10-6)降低了一个数量级。结果表明,核主成分分析法具有很强的非线性特征提取能力,可以充分利用全光谱数据并有效地消除光谱数据噪声,降低数据维数,与支持向量回归机结合可以提高红外光谱分析的精度,缩短模型计算时间,是一种有效的红外光谱分析新方法。

基于核主成分分析及支持向量机的水轮机叶片裂纹源定位

结合核主成分分析(KPCA)以及支持向量机对水轮机转轮叶片裂纹源的声发射信号进行定位。结果表明,利用核主成分分析提取的特征参数进行定位的精度高于原始参数的定位精度,即输入9个特征参数时,支持向量机在叶片区域的识别率为100%,在裂纹源对焊缝距离的支持向量回归分析中的最大误差为20cm。因而结合KPCA和支持向量机对复杂的大尺寸结构进行定位是一种较好的方法,既减少了输入信号的维数,又提高了定位精度。

基于核主成分分析与最小二乘支持向量机结合处理时间序列预测问题

探讨了最小二乘支持向量机时间序列预测的方法,提出了用核主成分分析提取主元,然后用最小二乘支持向量机进行预测．通过实验表明,这种方法得到的效果优于没有特征提取的预测．同时与主成分分析提取特征相比,用核主成分分析效果更好．

基于核主成分支持向量机的火成岩QAPF分类——以青海格尔木地区为例

利用核主成分(KPCA)较强的非线性特征提取能力对Hyperion高光谱数据进行降维及光谱特征提取,将特征信息作为支持向量机(SVM)建模样本的观测数据,建立KPCA-SVM回归模型,利用该模型进行研究区岩石氧化物百分含量反演。同时,依据国际地质科学联合会提出的QAPF火成岩分类方案对区内火成岩进行了岩性划分。研究结果表明:KPCA降维后的高光谱数据反演氧化物含量的效果良好;而基于QAPF模型的火成岩划分结果也十分理想,分类结果对已有地质图进行了有效的补充。KPCA-SVM理论模型为利用高光谱遥感数据进行岩性分类提供了一种快速可行的方法。

基于均匀设计的主成分分析-支持向量机模型及其在几丁质酶最适pH建模中的应用

采用主成分分析法对样本数据集进行预处理,将得到的新样本数据集输入支持向量机,籍均匀设计,构建了几丁质酶氨基酸组成和最适pH的数学模型。当惩罚系数C为10,epsilon值为0.7,Gamma值为0.5,模型对pH值拟合的平均绝对百分比误差为3.76%,同时具有良好的预测效果,预测的平均绝对误差为0.42个pH单位。该方法比用BP神经网络方法效果更佳。

基于主成分分析的最小二乘支持向量机短期负荷预测模型

提出了一种基于主成分分析(PCA)的最小二乘支持向量机(LS-SVM)短期负荷预测模型,模型中引入多元统计分析中的主戍分分析理论来解决输入变量的选择问题。该模型首先对样本的高维变量数据矩阵进行标准化处理,建立相关矩阵,计算特征值和特征向量,然后求取累计方差贡献率,并据此求取主成分作为最小二乘支持向量机的输入进行训练预测。主成分以较少的维数包含了原高维变量所携带的大部分信息,全面地考虑了影响负荷预测的各种因素,又避免了过多的输入导致的精度低、训练慢的不足。实例表明,所提方法可有效地消除众多影响因素间的相关性,减少输入变量个数,提高预测效率和精度。

基于低场核磁弛豫特性的油茶籽油支持向量机掺伪鉴别模型的建立与评价

油茶籽油商业价值高,有必要开发快速准确的油茶籽油掺伪鉴别方法。本实验研究低场核磁共振(low-field nuclear magnetic resonance,LF-NMR)弛豫特性结合支持向量机(support vector machine,SVM)鉴别油茶籽油掺伪的可行性。在比较了油茶籽油、3种其他种类的正常/氧化的食用油及多种二元掺兑油样的LF-NMR弛豫特性的基础上进行主成分分析,设计了具有二叉树结构的SVM多分类器,采用ReliefF算法进行特征筛选,建立并验证了油茶籽油掺伪的SVM鉴别模型。研究表明,油脂种类、氧化程度及掺兑比例均会影响油样的LF-NMR弛豫特性。当特征数为9时,SVM多分类模型性能最佳,准确率可达90.77%,对油茶籽油、掺兑类型及比例的平均召回率为90.87%、精确率为90.83%、F1分数为0.90。这表明基于LF-NMR弛豫特性的SVM模型可用于油茶籽油的掺伪鉴别。

基于主成分分析的支持向量机需水预测模型及其应用

需水预测是水资源优化配置、水资源规划和水资源管理的重要依据,其预测精度受到众多因素的影响,且实际用水量数据时间系列较短,制约了传统预测方法的应用。利用支持向量机在对小样本学习的基础上对其他样本进行快速、准确的拟合预测的特点,采用主成分分析与支持向量机相结合的方法,首先利用主成分分析法筛选需水量的主要影响因子,然后将其作为输入样本,对支持向量机模型进行训练和检验,寻找最优模型,并将该方法应用于洛阳市需水预测。结果表明,该模型预测结果平均相对误差为-0.83%,预测精度较高,可作为训练样本较少情况下的一种需水预测方法。

基于主成分分析和支持向量机分类模型的滚动轴承故障诊断

为了提高滚动轴承故障诊断的准确率,提出一种基于主成分分析(principal component analysis,PCA)和支持向量机(support Vector machine,SVM)模型的滚动轴承故障诊断方法。通过比较不同方法计算的标准差和拉依达准则对数据进行误差分析,利用MATLAB软件中的PCA函数对数据进行主成分分析,将8个原始变量降维成3个综合变量,分别从降维前和降维后的输入属性数据中随机选取70%的数据作为训练集来建立SVM分类模型和PCA-SVM分类模型,而把剩余的30%作为测试集来对模型的性能进行仿真测试。MATLAB仿真测试的结果表明,PCA-SVM模型的分类效果更好,其预测正确率对于绝大多数故障诊断来说是可以接受的,可以作为一种故障诊断的评价标准。

集合经验模态分解-主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。

基于核主成分-最小二乘支持向量机的区域物流需求预测

概述区域物流需求预测方法,分别阐明核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)模型的原理,提出将核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合,建立核主成分-最小二乘支持向量机(KPCA-LSSVM)预测模型。先利用KPCA对数据进行预处理,消除变量之间的相关性,提取非线性主成分,再通过LSSVM对提取的非线性主成分进行训练,建立预测模型。最后,通过实例验证比较LSSVM与KPCA-LSSVM两种模型的预测性能。结果表明,KPCA-LSSVM的预测精度较LSSVM明显提高,是一种有效的中短期区域物流需求预测方法。

基于主成分和支持向量机模型在人口预测中的应用

人口问题是一个复杂、受诸多因素影响的社会问题,准确地预测人口数量对于制定国民经济计划和社会发展战略有着深远的意义。针对神经网络预测算法易陷入局部极小、输入数据具有较强相关性的问题,建立了一种基于主元分析(PCA)与支持向量机(SVM)相结合的人口预测模型,并对我国人口总量进行预测。结果表明,该模型比单变量GM(1,1)和BP神经网络模型预测精度有了明显提高。

基于支持向量机和核主成分分析的车牌字符识别

给出了一种结合核主成分分析(KPCA)和支持向量机(SVM)进行车牌字符识别的新方法。该算法通过KPCA进行字符的特征提取,并利用SVM分类器完成字符的识别。实验证明,KPCA在高维空间具有较强的特征选择能力,SVM的识别率也明显高于BP神经网络。

基于核主成分提取和支持向量机的入侵检测

现有的入侵检测算法存在小样本情况下泛化能力差的问题。提出了利用核主成分分析和支持向量机结合进行入侵检测的方法。与传统算法相比,该方法对网络异常连接有很高的检测率、更强的泛化能力和更快的处理时间。最后在KDD CUP99数据集上进行的实验,证明了方法的适用性和高效性。

基于主成分分析和支持向量回归机组合模型的电子商务信用风险度预测研究

随着电子商务的快速膨胀,信用风险对电子商务发展的影响越来越突出。信用风险已成为电子商务企业所面临的最主要风险之一。文章结合企业的财会指标和电子商务运营能力构建企业电子商务信用风险度预测指标,并利用主成分分析对指标进行筛选,在此基础上通过支持向量回归机对电子商务信用风险度进行预测,并进行实证检验,实证结果表明,此方法与标准支持向量回归机和神经网络相比具有更高的分类精度,证实了该方法的可行性和优越性,为电子商务建立可靠的信用风险度预测系统提供依据。

基于核主成分分析的相关向量机人体动作分类新型模型

针对小样本人体动作数据分类泛化性能差等问题,提出一种基于核主成分分析的相关向量机人体动作分类新型模型。该模型有效利用核函数,融合核主成分分析与相关向量机,在高维特征空间挖掘更多蕴含人体动作差异信息的非线性特征,提升相关向量机准确表征人体动作差异稀疏分布的学习性能,提高小样本人体动作数据分类泛化性能。选用美国加利福尼亚州大学公开的可穿戴人体动作数据库UCI-HAR中所有30名受试者,共6类动作模式、10299个样本数据,采用十次交叉验证训练测试方法,评价所提出模型的有效性。结果表明,仅需约10个相关向量,分类准确率可达96%,分别高于基于核主成分分析的支持向量机和CNN-LSTM深度学习模型的分类准确率约5.4%和3.6%,有效提高小样本动作数据分类泛化性能,为准确鉴别人体动作变化提供一个新的思路和方法。