共查询到20条相似文献，搜索用时 375 毫秒
1.
2.
支持向量回归机(SVR)在实际的学习应用中,由于数据时空的复杂性和算法本身的参数选择,学习模型难以达到预期的效果.针对这个问题,提出了基于Boosting集成的支持向量回归机方法.通过在原始数据集加权采样的基础上,进行多次迭代子SVR机器学习,不断调整样本权值再采样,优化机器学习模型,然后对迭代所得的每级支持向量回归结果按某种组合方法进行集成,得到最终的回归函数形式.应用该方法进行了仿真试验和滑坡变形时序预测研究.结果表明:使用集成的SVR进行回归预测较之单一的SVR具有更高的准确性和更好的泛化性.对Boosting与Bagging 2种不同的集成SVR,进行了比较研究,试验结果表明,2种算法性能相差不大,总体上前者强于后者. 相似文献
3.
为研究卷烟焦油预测模型,以焦油的释放量为研究对象,运用不同的回归方法进行焦油预测研究,以各个模型的标准化均方误差为评判尺度,对各个模型的预测效果进行了比较.结果表明,各模型的预测精度差别较大,整体来看机器学习方法对于焦油的预测精度较高,其中以随机森林算法回归对于焦油的预测精度最高,表现出较高的预测精度和良好的稳定性,其次表现较好的机器学习算法为支持向量机回归方法.因此,在焦油预测应用或研究中可以运用随机森林或其他机器学习方法对焦油进行建模预测. 相似文献
4.
在统计学习理论与支持向量机理论方法的基础上,将支持向量顺序回归算法与宏观经济预警研究相结合,建立了基于支持向量顺序回归经济预警模型;通过编制Matlab软件程序,结合黑龙江省经济数据,获得经济预警的分类超平面和预测警限区间,并进行内插和外推检验。结果表明,该预警模型预测的可靠性和拟合是有效可行的,具有很高的精度。 相似文献
5.
基于支持向量机的DNA序列分类系统的设计与实现 总被引：1，自引：0，他引：1
针对传统统计方法进行DNA序列分类时要求DNA序列样本的概率分布函数已知，但多数情况下概率分布函数未知这一问题，采用支持向量机这一新的机器学习方法对DNA序列进行分类；以VB和Matlab为主要工具开发了基于支持向量机的DNA序列分类系统。结果表明：该系统能够动态选择DNA训练样本、待测试样本．以及支持向量机模型中的参数，并根据用户的指定条件动态输出计算结果；对于预测一批已知正确分类答案的DNA序列，系统能够自动统计识别率，以观察参数变化对于算法执行结果的影响。支持向量机能够在概率分布函数未知的条件下对DNA序列进行分类。 相似文献
6.
针对回归型支持向量机(SVR)参数选取影响模型性能的问题,提出融合细菌觅食算法趋化操作的改进粒子群混合算法(C-IPSO),以优化SVR的惩罚参数和核参数。同时,为了实现对温室环境的精细控制,结合温室作物生长环境因子,建立一种基于趋化-改进粒子群算法优化的回归型支持向量机温室光合速率预测模型。以温室番茄幼苗期、开花期、结果期为例,与支持向量机和基本粒子群算法优化的支持向量机分别建立的模型进行实验对比。结果发现：建立的三个生长期光合速率预测模型的光合速率实测值和预测值的决定系数分别为0.954 8、0.985 4和0.951 5,均比另外两个预测模型更接近于1,表明该模型预测效果均更佳,并证明了所提算法的有效性,为指导温室环境根据作物光合需求进行精准调控提供了理论基础。 相似文献
7.
将粗集-遗传支持向量机模型运用到供应链绩效评价中,首先利用粗集理论剔除影响供应链绩效评价的冗余因素,获得核心影响因素,再采用支持向量机对于提取得到的核心影响因素预测供应链绩效所处的级别。在支持向量机分类过程中,利用遗传算法对支持向量机算法的参数进行寻优,获得最佳参数模型,而后预测得到供应链绩效评价级别。最后,实例运用此模型进行了预测,并与只运用粗集-支持向量机进行预测的结果进行对比。结果表明,利用粗集-遗传支持向量机方法对供应链绩效评价级别的预测准确率更高,预测结果更符合实际,是一种科学可行的方法。 相似文献
8.
支持向量机(Support Vector Machines,SVM)是一种具有坚实理论基础的新颖小样本学习方法。采用支持向量机回归(Support Vector Machine Regression,SVR)算法,用libsvm-2.89软件包对我国近年来的粮食产量进行回归预测,选择交叉验证法进行参数寻优,建立粮食产量和其影响因素的支持向量机回归模型。粮食产量预测平均相对百分误差为1.209%,均方根误差为581.191,相关系数为0.962 24。将预测结果与指数平滑模型、生产函数模型及多元线性回归模型进行了比较,用平均绝对百分误差、希尔不等系数及均方根误差对4种模型预测结果进行评价。结果表明,基于支持向量机的径向基核函数(RBF)模型预测粮食产量的精度优于其他预测方法。 相似文献
9.
针对大多数现有的机器学习算法处理大规模问题时需要的训练时间很长和存储空间很大的难点,提出了基于分类面拼接的快速模块化支持向量机算法(psfm-SVMs).在训练阶段,psfm-SVMs采用一簇平行超平面对大规模问题实施软划分,然后针对每个子问题并行训练支持向量机.在测试阶段,测试样本坐落于哪个子问题所在空间中,就由该子问题训练的支持向量机给出判别结果.在4个大规模问题上的实验表明:与采取硬划分的快速模块化支持向量机(fm-SVMs)相比,软划分能够使psfm-SVMs得到更加光滑的分类面,因而psfm-SVMs的泛化能力较高.在不增加训练时间的条件下,psfm-SVMs减少了由于训练集分割导致的分类器泛化能力下降. 相似文献
10.
在介绍标准支持向量机（SVM）的基础上,引出近似支持向量机（PSVM）方法的基本原理,并提出一个改进其分类精度的新算法（PSVM-2）。针对葡萄酒质量鉴定这一实际问题,比较了SVM与PSVM及PSVM-2的表现能力,分析了3种算法的复杂性及其分类性能。 相似文献
11.
支持向量回归机在农业供应链预测中的应用 总被引：2，自引：0，他引：2
为了提农业供应链预测的能力,应用基于结构风险最小化准则的标准支持向量回归机方法来研究供应链预测问题。在选择适当的参数和核函数的基础上,通过对实例研究,对时间序列数据进行预测,并与人工神经网络方法进行对比,发现该方法能获得最小的训练相对误差和测试相对误差。结果表明,支持向量回归机是研究农业供应链预测的有效方法。 相似文献
12.
廖文婧 《西南大学学报(自然科学版)》2014,36(5)
该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率。通过自适应调整参数,可以更好地适应新增样本。采用 UCI（University of California Irvine）机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机。其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机。该文的方法更适合大规模数据集的增量学习。 相似文献
13.
14.
机器学习算法在森林生长收获预估中的应用 总被引：1，自引：1，他引：0
雷相东 《北京林业大学学报》2019,41(12):23-36
森林生长收获预估是森林经理学的一个重要方向,采用模型技术进行森林生长收获估计是森林经营决策的重要前提。传统的统计模型如线性及非线性回归模型、混合效应模型、分位数回归、度量误差模型等统计方法已被广泛应用于研究林木生长,但这些统计方法在应用时常常需满足一定的统计假设前提,诸如数据独立、正态分布和等方差等。由于森林生长数据的连续观测和层次性,上述假设通常难以满足。近年来随着人工智能技术的发展,机器学习算法为森林生长收获预估提供了一种新的手段,它具有对输入数据的分布形式没有假设前提、能够揭示数据中的隐含结构、预测结果好等优点,但在森林生长收获预估中的应用仍十分有限。文章对分类和回归树、多元自适应样条、bagging回归、增强回归树、随机森林、人工神经网络、支持向量机、K最近邻等方法在森林生长收获预估中的应用、软件及调参等进行了综述,讨论了机器学习方法的优势和挑战,认为机器学习方法在森林生长收获预估方面有很大的潜力,必将得到广泛应用,并和传统统计模型相结合成为生长收获模型发展的一种趋势。 相似文献
15.
基于支持向量机模型的大型灌区运行状况综合评价研究 总被引：1，自引：0，他引：1
支持向量机(SVM)是由VAPNIK等提出的建立在统计学习理论基础上的一种小样本机器学习方法.由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题.引入了核函数思想,使它将非线性问题转化为线性问题来解决,降低了算法的复杂度.提出了大型自流灌区运行状况综合评价标准,探讨了利用支持向量机多类分类算法,构建了大型灌区运行状况的综合评价模型.研究表明:该方法简便、客观,并具有较强的实用性,能够正确地对大型灌区运行状况进行综合评价. 相似文献
16.
17.
支持向量机是借助于最优化方法解决机器学习问题的新工具,它主要应用于解决两类分类问题。在两类分类的基础上介绍了一种基于SVM的多类分类算法———一对一分类法,并将其用于中国茶叶的分类。以31个中国茶叶样品为试验材料,随机抽取8个茶叶样品为待测样品,其余的23个茶叶样品组成训练集。利用一对一分类法建立关于训练集的多类分类模型,把待测茶叶样品分为3类,预测结果显示茶叶识别完全正确;而用层次聚类法对预测样品分类,识别正确率只有87.5%。由此表明一对一多类分类方法在农业与生物科学研究领域的多类识别问题上将有很好的应用前景。 相似文献
18.
为了预测水泵在运行中的振动状态,提高水泵运行的安全性和经济性,采用了统计学习理论中的核心算法--支持向量机与自回归方法相结合,建立了水泵振动预测模型(SVAR).并通过实例,与基于灰色理论建立的预测模型(GM)和基于自回归方法建立的预测模型(AR)进行了比较.结果表明:基于支持向量自回归的水泵振动预测模型(SVAR)具有精度高、速度快、易于建模的特点.应用该方法建立的预测模型能够很好地预测水泵运行中的振动情况.有效地避免水泵运行中由振动引起的故障. 相似文献
19.
介绍一种新的机器学习方法——相关向量机(Relevance Vector Machine)。相关向量机是一种新的基于贝叶斯统计学习理论的学习方法,与支持向量机(Support Vector Machine)的相比,可以有概率型输出、更稀疏和核函数选择更自由等优点。详细论述相关向量机的研究现况、理论基础及算法思想,并通过仿真实验说明该方法的有效性,最后展望相关向量机的研究发展趋势,且提出相关向量机中仍需解决的关键问题。 相似文献
20.
支持向量机(SVM)是一种基于统计学理论提出的新通用机器学习方法,它建立在统计学理论的结构风险最小原理和VC维理论基础上,能够较好的解决小样本、非线性、高维数和局部极小点等实际问题。现提出利用MATLAB编写支持向量机代码对稻米淀粉的近红外光谱进行预测分析。实验证明,通过MATLAB的libsvm工具箱建立模型对稻米淀粉含量进行预测是可行的。 相似文献