基于核主成分分析的PSO－SVR的煤炭物流需求量预测

利用核主成分分析法对煤炭物流需求影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,利用粒子群算法对模型参数进行选择优化,从而构建出核主成分分析和粒子群优化支持向量机协同模型,并通过实例对模型的合理性和有效性进行验证。     

基于SVM算法的企业员工离职预警研究

人力资源是企业发展的重要资源,做好员工离职预警工作有助于企业长远发展。本文采用国网青海省电力公司2010—2018年的员工离职数据,分析得出人才流失的主要影响因素,使用支持向量机(SVM)算法进行员工离职预测分析。该预警模型使用部分员工数据作为训练集,其余作为测试集,使用精确度为92.7%的中值高斯核函数型支持向量机(Medium Gaussian SVM)进行预测,模型预测精度符合预期,为电网企业人才流失预警提供了有效的方法。     

基于混合两阶段模型的上市公司信用风险评价

利用支持向量机(SVM)-Logistic回归的混合两阶段模型来对上市公司信用风险进行评价。通过Logistic回归分析来对SVM的输出结果进行修正,降低了传统SVM方法的经验风险,提高了分类准确率。对SVM-Logistic回归模型、SVM和神经网络-Logistic回归模型进行实证比较,结果表明,支持向量机-Logistic回归模型的总判别准确率高于其他判别模型。     

基于组合评价的纺织行业财务风险预警模型研究

将主成分分析（PCA）和最小二乘支持向量机（LSSVM）结合,提出了一种适用小样本空间的财务风险模型：PCA—LSSVM模型。以传统年度财务指标为基础,通过主成分分析,简化了输入变量,并利用LSSVM作为判别企业风险等级的工具。该模型可以在纺织行业中的上市公司选中1个或多个企业参与,避免了传统算法模型在解决财务风险预测的缺陷。算例结果表明了所提出模型能有效地提高预警方案的可行性,为财务风险的在线实施提供了方便。     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用

针对铁路货运量与其影响因素间的复杂非线性关系,建立自适应粒子群最小二乘支持向量机(APSO-LSSVM)模型用于铁路货运量预测研究,利用最小二乘支持向量机的优良特性预测铁路货运量,并采用自适应粒子群算法优化选择LSSVM的参数。通过对我国铁路货运量的实例分析检验APSO-LSSVM模型的预测性能。结果表明,APSO-LSSVM模型有效地预测了我国铁路货运量,具有较高的预测精度及较快的收敛速度。     

一种基于近红外光谱的常用塑料分类方法

塑料制品以其质轻、美观实用等特点广泛应用在日常生活及各行各业中,其大量使用给环境造成了严重污染,消除污染最积极的办法是对其进行回收再利用,但常用塑料的种类繁多,不同塑料制品的成分及可塑性不同,进行回收利用的价值也不同,只有对塑料进行分类收集处理,才能提高回收利用率.本文基于近红外光谱法提出了一种塑料分类的新方法.该方法选择测定了60个样本的近红外光谱数据,引入支持向量机算法对其进行训练预测:选用40个样本作为训练集,建立模型;20个作为预测集,优化模型;利用该模型对采集的未知样本进行分类预测,得到较高的准确率.新方法对快速处理废旧塑料具有积极的作用.     

基于PCA-SVM的港口集装箱吞吐量预测模型研究

从影响港口集装箱吞吐量的若干因素出发,本文依据主成分分析法和支持向量机回归法的基本原理,提出了一种基于主成分分析和支持向量机回归算法的建模预测方法。以连云港1999—2016年的统计数据为例,将该方法与指数平滑法、多元线性回归法及支持向量机回归法相结合,预测精度较高,最后利用主成分分析和支持向量机回归算法预测了2019—2020年的港口集装箱吞吐量,为港口决策提供重要依据。     

基于GA-SVM的物流园区物流需求预测及分析

文章基于支持向量机模型对物流园区物流需求进行预测,相较于传统的网格式搜索对支持向量机参数寻优,使用遗传算法对支持向量机参数寻优,能在实数集内连续地寻找最优参数组合,构建出GA-SVM物流需求预测模型。并通过成都市实例验证了GA-SVM预测模型的有效性。     

煤粉锅炉结焦分析及防治措施探讨

锅炉结渣(焦)是煤粉锅炉频发性问题,严重影响锅炉的安全运行,造成的事故屡见不鲜。通过某锅炉三次渣井严重结焦事故,从煤灰结渣特性、锅炉设计的影响、运行操作等方面分析了结渣的原因,进而提出了防止结渣的对策。     

利用最小冗余最大相关和SVM的SAR图像海上溢油识别

近年溢油事故频发,海洋污染日益严重。利用合成孔径雷达（SAR）卫星可以有效跟踪由海上溢油事故导致的油膜扩展情况。利用最大冗余最小相关-支持向量机（mRMR_SVM）算法进行SAR图像溢油识别,为溢油事故决策支持提供重要前提。首先采用mRMR提取最优特征向量集,对输入值进行降维; 然后采用SVM算法解决油膜图像分类问题,同时选择径向基函数（RBF）为核函数;使用训练集训练该模型,调整模型参数;以测试集特征向量作为输入,利用训练好的模型进行溢油识别。实验结果表明,mRMR_SVM模型对SAR图像的油膜和类油膜识别有效,准确率为96.875%.     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机．利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类。实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果。     

应用人工鱼群算法研究电网物资需求预测问题

为满足电网建设项目物资需求管理的发展要求,在现有企业资源计划(ERP)系统完成上线并能够提供初步数据支持的基础上,针对如何依据电网建设项目里程碑计划中的基本工程建设指标,合理预测物资需求的问题,借助支持向量机模型(SVM)和人工鱼群算法(AFSA)构建了电网建设项目物资需求预测模型。在支持向量回归机的基础上,融合添加混沌搜索后的改进工鱼群算法,优化了向量机核函数选取和参数设置,通过省级电网建设项目物资需求历史数据测试,模型预测结果满足实际使用要求,能够有效解决电网建设项目物资需求预测的问题。     

滤波-支持向量回归机

本文是在支持向量机、支持向量回归机的理论基础上,提出了一个新的回归算法,即滤波-支持向量回归机的算法.该算法主要思想是:对于有噪声的样本数据,导致分类错误率比较高.为此,我们先进行滤波处理,然后用单参数约束下的支持向量回归机的算法进行训练得到分类器.该算法可提高样本的稳定性,增强了分类器的分辨能力.地基土物理数据分类的实验结果也显示了该算法是有效的,在一定程度上优于硬ε-带支持向量回归机的算法,使得分类准确率从57.7%提高到96.15%.     

基于ACO-SVM方法的职工工资增长预测研究

在岗职工年平均工资一直以来都是一项重要的经济指标,其在某种程度上能够反映工作人员的收入水平,预测职工工资增长可以成为政府制定工资政策的重要依据,因此成为了时下民生领域较为关注的问题。文章介绍了支持向量机(SVM)的基本原理和算法,以及如何运用蚁群算法快速优化支持向量机的初始化参数,以便提高模型预测精确度。最后文章以1985—2014年福建省在岗职工年平均工资的相关变量数据为样本进行训练和测试。     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域，证据理论是有效的数据融合方法之一，但基本概率分配一般不易确定，从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法，具有普适性和全局优化等特点，但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法，通过建立基于分类超平面距离的模糊隶属度，训练模糊支持向量机提高传统支持向量机的基本概率分配，并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验，经精度、平均绝对百分误差、均方根误差等指标验证，精度提高10.5%，表明所提方法是一种可靠的多传感器的水质融合方法，较其他方法具有更高的融合精度。     

FA-SVM模型在上市公司财务预警中的应用

将因子分析和支持向量机相结合构建组合预测模型,并以317家制造业上市公司为样本,进行财务预警研究。结果表明:因子分析提高了支持向量机的判别效率,能有效预测企业的财务危机,该组合预测模型具有较强的实用价值。     

LS-SVM对城市用水量预测的探究

介绍了最小二乘支持向量机(LS-SVM)的回归算法,给出了基于matlab的工具箱LS-SVMlab对城市用水量预测的算法步骤。选择高斯径向基核函数作为核函数,利用最小二乘支持向量机(LS-SVM)映射出城市用水量和人均综合用水量及用水人口间的非线性关系,从而建立出基于LS-SVM的,模型参数分别为的关于城市用水量的预测模型。与神经网络的预测结果相比较,该模型具有较高的预测精度和动态适应性。     

基于支持向量机回归算法的气象预测的应用研究

支持向量机（SVM）是统计学习理论基础上一种新的学习方法,是关于非线性问题一种有效的解决方法。本文首先简要概述了支持向量机算法的原理,结合具体实例,并运用支持向量机在气象应用进行预测验证分析,试验结果显示,本算法的预测结果比较理想,证明了算法的有效性。