基于PSO-SVR的气膜薄壳钢筋混凝土穹顶储仓的工期预测

为客观、合理地进行气膜薄壳钢筋混凝土穹顶储仓的工期预测,提出了基于PSO-SVR的预测方法。采用粒子群算法(particle swarm optimization,PSO)对支持向量回归机(support vector regression,SVR)的参数进行优化,并运用优化后的支持向量回归机对气膜薄壳钢筋混凝土穹顶储仓的工期进行预测。通过实例验证表明:PSO-SVR模型的预测效果优于遗传算法(GA-SVR)和串联型灰色神经网络(SGNN)。     

基于支持向量回归机的物流需求预测模型研究

通过介绍物流需求和支持向量机的基础理论,利用经济与物流需求之间的关系,提出了基于支持向量回归机的物流需求预测模型,给出了构建模型的具体分析步骤,并通过实例详细阐述了模型的应用过程,预测结果验证了模型的可行性和有效性。     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。     

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.     

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.     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

支持向量机在装备维修备件需求量预测中的应用

利用支持向量机回归算法建立备件需求模型,对未来备件需求进行了预测,并结合实例将支持向量回归算法与传统的最小二乘拟合方法作比较。结果表明,支持向量回归算法在预测精度上具有明显的优势,该方法能够较好地适应样本数量较少、需求呈非线性特征的备件预测问题。     

解决空心板顶板预制厚度缺陷的方法初探

文章通过对多边形橡胶芯模的性能分析和实践应用,提出了一种解决预制混凝土空心板厚度缺陷的方法。     

支持向量回归机在装备维修器材消耗预测中的应用

首先介绍了ε-支持向量回归机(ε-SVR)的基本原理,而后把它引到装备维修器材的消耗分析当中,建立了预测模型,并结合例子进行仿真实验。仿真结果表明,模型可行、准确。     

基于Logistic—SVM的上市公司总经理离职行为预警模型研究

文章在建立上市公司总经理离职行为预警指标体系基础上，提出了Logistic和支持向量机（SVM）相结合的上市公司总经理离职行为预警模型。对原始指标数据进行标准化处理，然后通过Logistic回归分析对SVM的输出提供支持信念以修正支持向量机的结果。