支持向量机的应用

支持向量机算法是十大经典算法之一,对于数据分类,数据回归方便有着极好的应用.在实际操作中,我们常用它来处理分类问题.但传统的支持向量机存在噪声太多,数据处理太慢和收敛过快的问题,可通过调整参数进行改进.本文将建立一个模型,实现对支持向量机的简单应用.     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

基于支持向量机的交通信息融合算法研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能。此方法能解决小样本、非线性及高维模式识别中的问题。本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试。同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果。     

基于支持向量机的柴油机故障诊断

本文研究了基于支持向量机的故障诊断方法。以传感器检测数据为输入,利用v-支持向量分类机进行故障分类识别。通过对柴油机燃油压力波动信息和柴油机振动监测数据的处理分析,结果显示基于支持向量机的故障分类器能够在样本有限的情况下出色的完成多种故障的诊断分类。     

基于启发式SVM的入侵检测系统研究

文章针对支持向量机参数一直存在根据经验确定不足的问题,提出将启发式支持向量机快速学习算法应用于入侵检测系统中。为了使支持向量分类机获得更好的分类性能,该算法提出以启发式规则选取对分类器最有利的样本进行训练,以确定支持向量机的参数,并采用内积矩阵分解算法提高分类速度,达到提高学习速度的目的。实验表明该算法在入侵检测系统中的应用优于标准支持向量机算法。     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

论提高装备故障预测准确度的方法途径——先进智能预测算法研究

提高故障预测准确度的方法有很多,研究先进的智能预测算法就是其中的一种。大量的先进预测算法都得到了广泛的应用,如专家系统、神经网络、支持向量机等。每种智能预测算法都有各自的优点和不足,首先介绍了常见的智能预测算法及其应用;然后重点介绍了支持向量机,主要包括其基本原理和主要问题;最后对支持向量机算法的改进方向进行了探讨。支持向量机作为智能预测算法的一种,对于提高故障预测准确度有很好的应用前景。     

SVM与神经网络在时间序列预测中的比较

神经网络和支持向量机都能有效地预测时间序列数据,但各自结构特点不同,导致其预测性能有差别。文章从理论和实践上比较了支持向量机与神经网络的优缺点。     

改进支持向量机的商业银行评级算法

对目前银行评级算法使用的传统的支持向量机进行了改进,构造了多核函数;平衡了核函数的全局性和局部性,有利于对样本数据的学习和推广;最后利用改进的支持向量机构造银行评级的算法。     

基于改进的SVM的交通信息融合方法研究

在对交通数据特性分析的基础上,提出基于改进的SVM多源交通信息融合算法。首先,在分析了传统SVM不足的基础上,提出了决策树-支持向量机算法(Decision TreeMethod-SupportVector Machines,DTM-SVM)。其次,对DTM-SVM多源信息融合算法的模型及其流程进行了研究,建立了DTM-SVM的分层结构模型。最后,经过实际数据测试,证明了该方法的高效性和实用性。     

电网建设项目物资需求预测研究

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人工鱼群算法,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.     

两种减少噪声对双支持向量机影响的方法

双支持向量机是Jayadeva等人在2007年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机的训练速度远远超过传统的支持向量机,计算效率大约是传统支持向量机的四倍.但双支持向量机没有考虑到不同样本点对最优超平面所产生的影响,而是同等对待所有的训练数据样本来构造最优超平面,从而无法降低噪声对分类面的影响.为了克服这个缺点,总结提出了两种方法,一是将模糊技术应用于双支持向量机中,对不同的样本采用不同的惩罚权系数,找到适合的隶属度函数来提高双支持向量机的分类准确率;二是将超球体技术与双支持向量机相结合,清除数据样本中的噪声,减小系统结构误差.实验证明这两种方法能有效的减少噪声的影响.     

基于支持向量机和TOPSIS的驾驶风格分类评判

不同驾驶风格对驾驶安全产生重要的影响,针对各类驾驶风格做出安全性综合评价,通过实车试验采集50名驾驶人的行车数据,结合专家对被试者驾驶风格的评判并利用支持向量机算法对驾驶风格进行分类,构建TOPSIS评价法对各类驾驶风格进行综合安全评估并提出建议。结果表明,支持向量机对驾驶风格分类结果准确率高达80.5%,保守型驾驶风格的安全性最高。     

基于粗糙集和支持向量机的商业银行信用风险评估模型

结合粗糙集理论的属性约简和支持向量机(SVM)的分类机理,提出一种数据分类的混合算法;建立了基于此算法的商业银行信用风险评估模型。模型以粗糙集属性约简作为预处理器,删除冗余属性和冲突对象,但不损失有效信息;然后基于SVM进行分类建模和预测。实证表明,创建的模型分类性能良好,降低SVM分类过程的复杂度,一定程度上避免了训练模型的过拟合现象。通过与SVM和神经网络模型的比较,证实该方法用于信用风险评估的有效性。     

基于支持向量机的泵功图工况识别

支持向量机是基于小样本统计学习理论的分类算法,推广能力强。本文将支持向量机算法应用于泵功图模式识别,首先提取泵功图特征,再使用LibSVM工具箱对特征样本进行训练,建立分类器,并测试其分类能力,实验表明此方法可以应用于泵功图的模式识别。     

径流长期预报的支持向量机方法

支持向量机是近年来提出的一种新的机器学习算法,在解决小样本、非线性及高维模式识别问题中具有独特的优势。针对径流形成过程的不确定性和复杂性,提出了基于支持向量机分类模型的径流长期预报方法。相关研究表明,该方法是可行的,具有预测精度高和良好的可靠性等优点。     

基于改进FOA的SVM参数优化研究

为了提高支持向量机(SVM)分类性能,同时针对果蝇优化算法(FOA)寻优精度不高和易陷入局部最优的特点,提出了一种改进的FOA算法(LFOA),并将其应用于SVM的参数寻优中。该方法在运算个过程中根据果蝇种群的进化程度,动态的将种群分为较差子群和较优子群;较差子群在最优个体的指导下以基本FOA算法进行全局搜索,较优子群则围绕最优个体做Levy飞行,进行精细化局部搜索;两个子群的信息通过全局最优个体的更新和种群个体的重组进行交换。通过对UCI数据库中几个经典数据集的分类测试结果表明,基于LFOA优化SVM参数能够提高SVM的分类性能,效果优于其他几种方法。     

径流长期预报的支持向量机方法

支持向量机是近年来提出的一种新的机器学习算法,在解决小样本、非线性及高维模式识别问题中具有独特的优势.针对径流形成过程的不确定性和复杂性,提出了基于支持向量机分类模型的径流长期预报方法.相关研究表明,该方法是可行的,具有预测精度高和良好的可靠性等优点.     

基于支持向量机的消费者行为分类方法

"大数据"时代的来临,企业更加重视通过数据分析来洞察消费者行为,以实现更为精准的营销模式。现有对消费者行为的分类方法主要有层次分析法,聚类,贝叶斯网络等。文章引入支持向量机的方法应用在消费行为分析中,它是在统计学理论基础上发展起来的一种新的模式识别方法,在解决有限样本,非线性及高维模式识别问题中表现出许多特有的优势。最后,文章利用广东省烟草公司的实际调研数据进行支持向量机的训练。文章发现,相比于传统的消费者行为分类方法,支持向量机用于消费者行为分析是一种更精确有效的分类方法。     

基于文本挖掘的南京交通舆情研究

通过网络爬虫技术,以微博平台的南京道路交通相关信息为舆情分析的数据来源。以交通秩序、交通事故、交通标志标线为主要舆情主题得到初始数据,筛选有效微博内容后,利用分词系统及共现矩阵分析关键词与对应关系,获取2020年南京市舆情热点话题及交通事件多发地区。剖析博文中包含城市管理、部门执法、相关政策实施等问题的相关信息。研究结果可在宏观层面了解市民关注焦点、掌握南京市道路交通发展变化。此外,还可改善现有交通现状、制定群众认可度高的交通政策。