基于核主成分-最小二乘支持向量机的区域物流需求预测

概述区域物流需求预测方法,分别阐明核主成分分析(KPCA)和最小二乘支持向量机(LSSVM)模型的原理,提出将核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合,建立核主成分-最小二乘支持向量机(KPCA-LSSVM)预测模型.先利用KPCA对数据进行预处理,消除变量之间的相关性,提取非线性主成分,再通过LSSVM对提取的非线性主成分进行训练,建立预测模型.最后,通过实例验证比较LSSVM与KPCA-LSSVM两种模型的预测性能.结果表明,KPCA-LSSVM的预测精度较LSSVM明显提高,是一种有效的中短期区域物流需求预测方法.     

基于支持向量机的油料消耗预测模型研究

油料消耗预测是科学地进行油料供应管理工作的重要环节。当前部队油料消耗突发性强、可借鉴历史数据少,必须使用最近一段时间的油料消耗数据作为预测数据,即是有限样本。在此基础上提出支持向量机进行预测。     

基于支持向量机的车牌字符识别

作者将支持向量机SVM方法用于车牌字符的识别.算法首先采用Gabor变换和外围轮廓结构特征提取的方法提取车牌字符图像的特征参数,然后采用提取的特征训练SVM分类器,再应用SVM分类器分类和判别车牌字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

改进的蚁群算法求解后勤物资输送（LMT）问题

蚁群算法是模拟蚂蚁通过简单个体的自组织行为所体现出来的群体行为设计的算法。20世纪90年代初意大利学者Colorni和Dorigo等首次系统提出了蚁群算法（Ant Colony Algorithm,ACA）的最初模型——蚂蚁系统（Ant System,AS）,并用该项方法解决了一系列组合优化问题。     

基于双层规划的应急医疗物资物流网络优化及其算法研究

在突发事件发生前预先安排应急医疗物资配送,将大大提高救援效率。本文对基于双层规划的应急医疗物资物流网络优化问题进行分析,并通过对相关文献研究,归纳总结出双层规划模型以及应急医疗物资物流网络优化问题的研究现状,并将用于求解NP-Hard问题的启发式算法进行概括总结,最后总结研究现状,指出不足和下一步研究方向。     

交通能源需求预测的支持向量机模型研究

交通能源需求系统是一个复杂多变量的非线性系统.我国交通能源时间序列数据存在着高度的非平稳性和非线性,这使线性方法建立的交通能源需求模型受到了严峻的挑战.在这种情况下,非线性模型就引起了人们的广泛关注,为此根据交通能源时间序列数据的非线性特征,运用支持向量机理论构建我国交通能源需求模型,进行实证分析.并对比分析了基于非线性的支持向量机模型和基于线性的协整与误差修正模型,结果表明,前者比后者具有较高的预测精度.