基于主成分分析法和遗传算法优化支持向量机模型的泥石流危险度预测

为准确预测泥石流危险度,提出了基于主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型。首先利用主成分分析法对7个泥石流危险度影响因子进行数据降维,将提取出的主成分作为支持向量机模型的输入向量,以泥石流危险度作为输出向量,并运用遗传算法寻优获得最佳支持向量机模型参数,最终建立了基于PCA-GA-SVM的泥石流危险度预测模型,并对9条泥石流沟的危险度进行预测,结果表明:PCA-GA-SVM模型的预测准确率达88.9%,满足工程要求。     

基于KPCA-ISSA-SVR的盾构施工诱导地面沉降预测模型研究

为了准确预测盾构施工诱发的地面沉降量,论文提出了核主成分—多策略融合的改进麻雀搜索算法优化支持向量回归机(KPCA-ISSA-SVR)预测模型。以73组地面沉降实例为总体样本集构建训练及测试样本,利用核主成分分析对影响地面沉降的地质因素及施工因素进行特征提取的基础上,采用ISSA算法优化参数C和g,建立KPCA-ISSA-SVR地面沉降量预测模型,并与核主成分-Tent混沌映射改进麻雀搜索算法优化支持向量回归机(KPCA-TentSSA-SVR)、核主成分—麻雀搜索算法优化支持向量回归机(KPCA-SSA-SVR)、麻雀搜索算法优化支持向量回归机(ISSA-SVR)模型进行对比。结果表明:KPCA能够剔除冗余信息,降低模型复杂度;ISSA全局寻优及局部探索能力强,能高效准确地确定模型参数;KPCA-ISSA-SVR预测精度更高,稳定性更强。     

基于粒子群优化的最小二乘支持向量机雾霾预测模型

论文通过主成分分析提取影响空气质量的主要因素,建立粒子群优化的最小二乘支持向量机预测模型的方法对石家庄市空气质量指数进行预测。结果表明:对雾霾天气影响因子降维后,主成分之和能够描述大于99%的信息表明主成分分析适用于雾霾影响因子的降维;基于粒子群算法计算得到的最小二乘支持向量机正则化参数和核函数参数分别为30、1.0386;粒子群收敛性能曲线稳定在0.0238左右,动态性能曲线稳定在0.015左右;未来七天的空气质量指数仿真预测结果与实际数值的相对误差平均值为0.01。可见基于粒子群寻优算法的最小二乘支持向量机预测模型在短期雾霾天气预测中具有很好的应用价值。     

一种基于支持向量机的带钢表面缺陷识别方法

鉴于支持向量机（SVM）在小样本、高维模式分类中具有的优良分类性能,可以基于多分类支持向量机来检测带铜表面的缺陷。本文构造了一类有向无环图支持向量机（DAGSVM）,利用交叉验证进行了参数和模型的选取,对冷轧带钢中几种现场易出现的缺陷进行分类,并与BP神经网络进行比较分析。实验结果表明,这类基于SVM的算法识别效率较高,较好地解决了小样本学习问题,避免了BP神经网络出现的过学习、收敛速度慢、泛化能力弱等缺点,可有效地应用于带铜表面缺陷检测。     

基于增量支持向量回归机的股价预测模型研究

随着越来越多的人加入到股票投资中,有效的股票预测方法就显得尤为重要。本文利用增量支持向量回归机对上证指数的收盘价进行预测,并同神经网络方法进行比较分析、实证研究,可发现,基于增量支持向量回归机的股价预测模型表现较佳,为股价预测模型研究提供了一种新的方法,进而为投资者提供了一定的参考信息。     

泥石流平均流速的PSO-SVM预测模型

泥石流平均流速的确定是泥石流防治工程设计的重要依据。由于泥石流系统复杂多样,各影响因素之间的不确定性强,故难以建立准确的物理预测模型。论文在阐述支持向量机(SVM)原理的基础上,采用粒子群算法(PSO)优化SVM参数,建立了PSO-SVM模型用于蒋家沟泥石流实测数据的训练和预测,并对比SVM模型和BP神经网络模型的预测效果。结果表明:SVM的泛化能力强于BP神经网络,更适合小样本情况下泥石流流速的预测。PSO-SVM模型较另外两个模型的预测效果更好,预测值更接近实际值,可为泥石流的治理与防治问题提供参考数据。     

网络舆论话题分类算法研究与实证分析

针对网络舆论话题的复杂性,设计实现了一种基于主成分分析法和朴素贝叶斯的网络舆论话题分类算法。首先使用主成分分析法对建立的舆论话题内容向量进行降维处理,并去除列向量之间的相关性,然后使用朴素贝叶斯算法进行分类分析,最后用实验对算法的有效性进行了验证。通过与其他分类算法的对比,可得到基于主成分分析法和朴素贝叶斯的网络舆论话题分类算法的分类效果或算法开销要优于其他一些分类算法.     

基于PCA-BP的地裂缝危险性预测

为了更准确地对地裂缝的危险性进行预测，以苏锡常地区地裂缝为例，构建主成分分析(PCA)-BP神经网络模型。利用主成分分析法五个影响地裂缝危险性的指标进行分析，包括导水系数、地下水位、黏性土层厚度、基岩埋深以及基岩起伏程度。通过线性变换排除这些影响因素之间的相关性，并利用各主成分的贡献率对分析后的主成分进行筛选，得到三个主成分指标。对三个主成分进行全新解释：其中，第一主成分主要反应工程水文地质对地裂缝危险性的影响，第二主成分主要反应基岩起伏程度，第三主成分主要反应基岩埋深情况；利用BP神经网络对地裂缝的危险性进行预测。结果表明，PCA-BP神经网络模型对地裂缝危险性的预测效果相较BP神经网络更与实际吻合。PCA-BP神经网络模型可以作为一种对苏锡常地区地裂缝危险性预测的手段；全面细致地进行了主成分分析与BP神经网络在实际应用时的建模过程与结果分析，为PCA-BP神经网络模型的实际工程应用提供了一个有效参考。     

基于支持向量机的旅游客源预测模型研究

为了能够进行合理的旅游规划和管理,应该对旅游客源进行准确的预测,因此,深入地研究了支持向量机在旅游客源预测中的应用。首先,分析了支持向量机的基本理论;其次,分析了近年来我国境内旅游市场发展情况,并且分析了旅游市场变化的原因;然后,进行了旅游客源预测实际分析,首先根据1996-2011年期间我国旅游客数据验证了支持向量机的预测准确性,然后对2012-2018年我国境内旅游客源数量进行预测,从而为旅游机构进行旅游配套设施建立提供了有利的理论依据。     

粗糙集与支持向量机在冠心病诊断中的应用

提出了一种基于粗糙集(RS)与支持向量机(SVM)的冠心病诊断方法。利用粗糙集对原始数据进行属性约简,得到优化后的特征属性集和新的数据集,采用支持向量机对新的数据集进行分类训练和预测。结果表明该方法对冠心病预测的准确率达到91%以上,具有较好的应用前景。     

基于Mel系数和SVM的语音识别技术研究

本文研究了一种运用Mel频标倒谱系数作为特征参数和多分类支持向量机进行语音识别的方法。根据已有的分类方法,尝试将一种基于二叉树的多分类支持向量机用于语音识别。实验表明,基于Mel倒谱和多分类支持向量机的语音识别方法使系统的性能和速度大大提高,具有理想的识别效果和应用价值。     

基于学习分析技术的学习预警系统研究与设计

学习预警是提高远程学习者学习质量的重要手段。文章基于学习分析技术,分析了远程学习者在线学习行为对学习成绩的影响因素,构建了学习成绩预测模型,利用R语言工具,以国家开放大学远程学习者在线学习行为和期末成绩作为实验数据,利用朴素贝叶斯、决策树、前馈反向传播神经网络、支持向量机四种数据挖掘中的分类算法,通过学习者在线学习行为数据对学习者学习成绩进行预测,并利用ROC曲线等方式对上述分类算法预测结果进行对比分析,结果表明,朴素贝叶斯算法准确度高,是整体性能表现优秀的成绩预测算法。最后依据学习分析技术框架,在学习成绩预测模型的基础上,设计了远程学习预警系统,系统根据远程教育学习者在线学习行为,及时发现存在危机的学习者,为学习预警系统的实现提供了参考依据。     

基于PCA-PSO-SVM的边坡稳定性预测

论文通过主成分分析(Principal Component Analysis,PCA)的方法,对影响边坡稳定性的6个因素(坡高、坡角、内聚力、内摩擦角、容重和空隙压力比)进行了特征提取,消除影响因素间的相关性,降低维数;然后引进支持向量机(Support Vector Machine,SVM)方法对降维处理后的数据集进行训练,并利用粒子群优化方法(Particle Swarm Optimization,PSO)对SVM的参数进行优化;最后,通过对36组工程边坡实例中的31组进行仿真回归,建立了边坡稳定性的PCA-PSO-SVM预测模型,并对余下的5组进行预测。通过对比模型预测结果和实际值得出:模型预测结果的最大绝对误差为0.058,最大相对误差小于3.90%,满足实际工程的需要。从而表明,基于PCA-PSO-SVM算法的边坡稳定性预测模型在实际工程中具有较高的应用价值。     

基于相空间重构及自适应支持向量机的短期风速预测

风速具有较强的随机性和间歇性,导致大规模风电接入电网会严重影响电力系统的安全稳定运行以及电能质量。较为准确的风速预测可以降低风能对电网的不利影响,为电网运行调度提供可靠的依据。在对风速进行混沌属性分析及相空间重构的基础上,采用自适应支持向量机进行短期风速预测,结果表明该方法的预测精度高于BP、RBF等预测模型。     

基于GA-SVM的矿区采空塌陷预测模型

论文提出了用遗传算法(GA)优化支持向量机(SVM)来预测矿区采空塌陷的方法。结合某矿区的实际塌陷情况,选取了17组采空塌陷数据作为训练样本,以覆盖层类型、覆盖层厚度、地质构造复杂程度、矿区倾角、采空体积率、采空区距地表的垂深和采空区空间叠置层数7个指标作为模型输入,采空区稳定程度作为模型输出,构建GA-SVM矿区采空塌陷的预测模型。然后利用该模型对工区5组采空塌陷数据进行预测,其预测结果与实际情况相符。为了验证提出的模型的优越性能,将得到的结果与BP神经网络模型和常规SVM预测的结果进行对比了结果表明GA-SVM预测模型比BP神经网络和常规SVM具有更高的精度,进一步验证了该模型的有效性和可靠性。     

上市公司财务失败预测模型的预测能力比较

通过实证分析，建立了判别分析模型、主成分模型、主成分逻辑回归模型以及基于快速BP算法的ANN仿真模型四种财务失败预测模型，并对它们的预测能力进行了比较。结果表明，这四种方法都可以用来进行财务失败预测，但预测的效果是有差异的，基于快速BP算法的”州仿真模型是最有效的一种方法。     

基于EW-AHP改良未确知测度理论的泥石流危险性评价方法

针对泥石流危险性评价中确定指标权重过度主观的缺陷,以甘肃省陇南市武都区两水村大湾沟泥石流为例,根据其地质环境特征,选取一次泥石流最大冲出量、流域面积、主沟长度、流域相对高差、泥沙补给段长度比、24 h最大降雨量、人口密度共7个因子作为泥石流危险性评价指标,引入熵权和层次分析法(EW-AHP)组合赋权确定指标权重,建立基于未确知测度理论的单钩泥石流危险性评价模型。对研究区泥石流危险性评价结果表明：结合评价指标的主、客观赋权,本评价模型的评价结果较符合现场调查结论,说明评价方法合理有效,可为今后泥石流危险性评价提供一种新途径。     

基于遗传支持向量机算法的文本分类

支持向量机具有良好的泛化和高维模式识别能力,广泛地应用于文本分类中.然而,文本分类的准确性却很大程度上依赖于参数惩罚因子(C)和核函数(γ)的正确选择.运用遗传算法优化支持向量机参数,选取文本分类准确率作为适应度函数,通过种群进化实现支持向量机参数寻优,构造基于遗传向量机算法的文本分类器(GA-SVM).实验表明,改进后的文本分类器(GA-SVM)在准确度和运行速度都有明显的提高,具有较强的可行性和实用性.     

免疫粒子群算法下向量机参数选择及金融应用

针对粒子群算法易陷入局部最优值的缺点,将免疫原理引入粒子群算法中,利用免疫记忆与自我调节机制促使各适应度层次的粒子维持一定浓度,保证群体的多样性,从而避免算法陷入局部最优。随后将这种改进的算法应用于支持向量机参数的选择,并在BreaStCancer等数据集上进行了实验,实验结果表明利用免疫粒子群算法选取支持向量机最优参数,能够提高支持向量机的分类正确率,具有一定的实用性,特别在经济金融应用上前景可观。     

基于机器学习的学生成绩预警系统建模与研究

随着高校智慧校园建设的深入,所采集的校园大数据呈几何基数增长,如何充分利用大数据对校园学习生活进行科学的预测与示警是智慧校园建设研究的重大课题。为了弥补以往的技术不足,采用机器学习技术应用于成绩预警这个领域中,随机森林算法、应用支持向量机(SVM,Support Vector Machine)、线性回归、回归分类树等技术,详细论述了高校学生成绩预警系统的基于机器学习的成绩预警功能的设计与实现。