基于PCA和PSO-SVM的手写数字识别应用研究

针对当前手写数字识别正确率较低这一不足,提出了一种主成分分析(PCA)和粒子群算法优化支持向量机(PSO-SVM)的手写数字识别方法。首先,利用PCA降低输入数据的维数,然后把降维的数据作为SVM的输入,用PSO不断优化SVM中的核函数参数g和惩罚因子c,以提高分类精度。实验结果表明:同传统的SVM、GA-SVM、网格搜索算法、卷积神经网络(CNN)相比,PSO-SVM方法分类方法具有最高的识别准确率且运算效率也较高,达98.2%,性能上优于其他几种分类算法。     

基于MEA＿SVM空气质量指数预测

针对大气污染物的动态性和高时空变异性,分析了影响太原市空气质量评价的主要污染物,建立思维进化算法(MEA)与支持向量机(SVM)结合的新模型MEA_SVM,并将该模型用于空气质量指数(AQI)的预测。实验结果表明:MEA_SVM算法在保证SVM预测准确率的同时显著提高了预测速度,在预测可靠性、预测精度方面均优于遗传算法与SVM的结合方法和粒子群算法与SVM结合的方法,因此MEA_SVM算法在城市空气质量预测中有一定的实用价值。     

等距特征映射的支持向量机模型在上市公司信用风险评估中的应用

为了实现上市公司信用风险的科学定量管理,提出了一种基于支持向量机(SVM)的信用风险评估方法。考虑到财务数据特征的非线性和高维性,采用等距特征映射(Isomap)算法对财务指标进行特征提取,以减少数据的冗余,针对人为选择SVM参数的盲目性,应用遗传算法优化其参数。通过以中国上市公司财务数据为基础的实证分析表明:基于Isomap的SVM模型比BPNN(BP神经网络)、PCA-SVM(主成分-支持向量机)模型具有更强的信用风险评估能力,小样本评估准确率达到91%。     

基于WT-SVM-非参数方法的农业保险费率研究--以山东省棉花保险为例

构建了 WT-SVM-非参数方法农作物保险费率厘定模型,即首先采用小波分析法(WT)获得已知年份作物趋势单产;接着用支持向量机(SVM)对所得趋势单产进行拟合并预测,得到未来所保年份作物趋势单产;再接着运用非参数核密度法拟合作物损失概率分布;最后根据单产分布模型法计算作物保险费率.以山东省棉花保险为例验证模型的有效性,结果表明:WT-SVM-非参数方法能够有效提高农作物保险费率厘定精度;山东省目前收取的棉花保险费率稍低.     

基于RVM的网络流量分类研究

将相关向量机(RVM)分类模型应用于网络流量分类问题中。首先对实验数据进行了标准化处理,然后将RVM与其他机器学习算法进行了性能比较,最后在RVM分类结果预测概率中引入置疑区间概念,研究了置疑区间范围及其对分类准确性的影响,并基于此提出了一种新的混合流量分类方法。实验结果表明:1)RVM在准确性等3方面性能指标上优于SVM,且在小样本情况下仍具有较高的分类准确率;2)置疑区间[0.1,0.9]内的分类预测准确率较低,而置疑区间之外的分类预测准确率在98%以上。     

基于VPSO-SVM的磷酸铁锂电池寿命预测

随着锂离子电池在日常生活中的广泛应用,其寿命问题日益突出,并且在电池的循环过程中,影响其性能的因素很多,包括内部材料的损失以及外部环境的变化等,它们都会对电池的健康状态(state of health,SOH)产生影响,严重时可能会对人的生命财产造成损失,对其商业化的应用造成阻碍。因此,时刻掌握电池的SOH很有必要。针对SVM模型参数优化等问题,提出一种结合SVM和变异粒子群优化算法(variance particle swarm optimization,VPSO)的算法,将SVM参数作为VPSO的优化目标。实验表明:VPSO-SVM模型的预测准确性较高。     

高铁隧道断层破碎带围岩参数反演研究

针对隧道断层破碎段围岩力学参数缺失问题,基于遗传算法(GA)优化的支持向量机(SVM)算法,建立了高铁隧道围岩力学参数反演模型,以实际监测数据为理论依据,反演得到阳山隧道F26断层段围岩力学参数,结合有限差分软件FLAC 3D以阳山高铁隧道为工程实例进行正演分析,正演结果与实测数据对比完成误差分析。结果表明,样本数量影响算法的性能,具体表现为在设计样本数量区间范围内遗传算法参数寻优的结果精度及支持向量机模型的预测精度与设计样本数量呈正相关。模拟围岩变形值与实际监测数据的相对误差均低于10%,证明了反演方法及模型的可靠性。研究成果为解决高铁隧道断层破碎带围岩力学参数缺失问题提供参考。     

基于变量轮换法的支持向量机在隧道围岩变形预测中的应用

采用变量轮换法对支持向量机(SVM)参数进行优化处理，结合时间序列分析理论，建立起隧道围岩变形时间序列非线性模型，并以此对隧道围岩变形进行预测。结果表明：改进的支持向量机具有简单、方便、实时等特点，对围岩后续变形预报准确，可科学地指导现场监测和施工建设。     

改进PSO算法优化LSSVM的柴油机排气预测

针对柴油机SCR系统对排气流量、排气成分和排气温度控制精度要求高的特点,提出一种基于粒子群优化支持向量机的排气预测模型。该方法采用改进粒子群算法寻找支持向量机最优的惩罚参数和核函数参数,提高模型的泛化能力,根据柴油机运行时的转速和负载,实时精准测算出排气流量、温度以及氮氧化合物浓度。结合柴油机实际排放实验仿真表明,与未经优化的PSO-SVM模型相比,该方法对柴油机排气预测有很高的精确度,可以将误差控制在1. 6%以内,平均误差仅为0. 665%。     

小波去噪结合ARMA模型在电力设备故障率预测中的应用

针对电力设备故障率具有周期性、随机性和多变性等特点,提出小波相关性去噪算法与时间序列自回归滑动平均(ARMA)模型的电力设备故障率预测方法.将电力设备故障率数据进行小波相关性去噪,最大限度保留有效序列,把重构后的序列进行ARMA建模及预测,预测值与实际值进行比较.仿真结果表明,小波相关性去噪后的ARMA模型预测结果有较高的精度,实际故障率预测效果较好.