基于FA-SVM的舰船修理成本结构研究

在传统支持向量机(SVM)方法的基础上,引入因子分析(FA)方法,构建了FA-SVM模型,该模型解决了传统SVM方法存在的特征指标相关性的问题,最后利用舰船修理成本结构研究对该模型进行验证分析,结果证明这种FA-SVM模型在舰船修理成本结构预测中的有效性和实用性。这对于海军维修成本的管理有着很好的应用价值。

基于因子分析和支持向量机的粮食产量预测模型——以广东为例

广东省粮食产量连年下降,粮食安全形势非常严峻。为了制定有效的粮食安全对策和设施规划,对粮食产量等主要指标进行准确预测至关重要。在对常用的粮食产量预测方法,如指数滑移、灰色系统等进行研究之后,这些方法的预测结果仍然不够满意。考虑到广东省粮食产量变动的特点,尝试将因子分析和支持向量机相结合,构建了广东省粮食产量的因子分析支持向量机组合预测模型。研究结果表明:相对于其他单一预测模型,该模型具有更高的预测精度和泛化能力。

砂土地震液化预测的GA＿SVM＿Adaboost模型

为快速准确地对砂土液化情况作出预测,选取地震烈度、地下水位、覆盖厚度、标贯击数、平均粒径、地貌单元、土质及不均匀系数为主要影响因素,运用相关性分析和因子分析模型对其进行分析和属性约减,采用遗传算法(GA)对支持向量机(SVM)的参数寻优,结合Adaboost迭代算法,建立预测砂土地震液化的GA_SVM_Adaboost模型。选用唐山地震砂土液化现场勘察资料中的329组数据对模型进行训练,利用该模型对剩余68组砂土液化数据进行预测。最后,将预测结果与GA_SVM和SVM模型预测结果进行比较。结果表明,3个模型的平均预测准确率分别为100%、98.04%、89.71%,基于因子分析的GA_SVM_Adaboost模型的预测准确性优于GA_SVM模型和SVM模型,是一种解决砂土地震液化预测问题的有效方法,具有一定的应用参考价值。

一种基于联合模型的雷达自动目标识别方法

雷达自动目标识别是将目标识别应用于传统雷达的一项技术,随着信息技术的飞速发展以及战场形势的复杂多变,雷达自动目标识别技术近年来受到广泛关注。目标识别的方法按其模型可分为生成模型和判别模型,生成模型侧重对数据分布的描述,判别模型侧重区分不同类别数据之间的差异。将两种模型有机结合可兼顾二者优势提升模型识别性能。本文提出了一种最大间隔正则化因子分析(MMRFA)模型,该模型对因子分析模型(FA)和隐变量支撑向量机(LVSVM)建立联合模型。试验结果表明,该模型提升了识别性能且在低信噪比条件下表现优良。