最小二乘支持向量機
- 基于改進最小二乘支持向量機組合模型的深基坑沉降變形預(yù)測
進最小二乘支持向量機組合模型；通過引入自適應(yīng)噪聲完備集合經(jīng)驗?zāi)B(tài)分解方法分解原始深基坑沉降變形數(shù)據(jù)，并結(jié)合粒子群優(yōu)化算法和遺傳算法對最小二乘支持向量機進行參數(shù)尋優(yōu)，對分解的數(shù)據(jù)分別訓(xùn)練、預(yù)測后再疊加，得到最終預(yù)測結(jié)果；應(yīng)用所提出模型對濟南市某深基坑的累積沉降量進行預(yù)測，同時與其他模型對比，驗證所提出模型的實用性和優(yōu)越性。結(jié)果表明：所提出模型預(yù)測深基坑累積沉降量的平均相對誤差為0.035%，均方誤差為0.080 9 mm2，均方根誤差為0.283 8 mm，
濟南大學(xué)學(xué)報（自然科學(xué)版） 2024年1期2024-01-12
- 改進灰狼優(yōu)化最小二乘支持向量機的鋰電池剩余壽命預(yù)測
化最小二乘支持向量機（improved gray wolf optimization least-squares support vector machine， IGWO-LSSVM）的鋰電池剩余壽命間接預(yù)測方法。該方法從電池放電特性曲線中獲取3種表征電池性能退化的間接健康因子，通過引入tent混沌映射、收斂因子非線性遞減與萊維飛行策略對灰狼算法加以改進，并結(jié)合LS-SVM模型，形成了具有全局優(yōu)化的改進灰狼優(yōu)化最小二乘支持向量機的鋰電池壽命預(yù)測模型。最后利
重慶大學(xué)學(xué)報 2023年11期2023-12-30
- 基于Isomap-MPA-LSSVM 軟測量模型的PVC聚合過程轉(zhuǎn)化率預(yù)測
;最小二乘支持向量機中圖分類號：TP273;TQ325.3 文獻標(biāo)識碼：A DOI： 10.7535/hbgykj.2023yx01003在復(fù)雜的化學(xué)工業(yè)中，聚氯乙烯（polyvinylchloride，PVC）樹脂在國民經(jīng)濟建設(shè)中占有非常重要的地位，由于本身具有良好的機械性能、耐腐蝕性和不易燃燒等特性，廣泛用于工業(yè)、建筑、日常用品等領(lǐng)域[1]。PVC 聚合方式主要有懸浮法、溶液法、乳液法和本體法等[2]，本文是以懸浮法作為研究背景，進行理論方法和應(yīng)用研究
河北工業(yè)科技 2023年1期2023-08-11
- 基于混沌尋參LSSVM的棉織物靛藍染色預(yù)測模型
用最小二乘支持向量機（LSSVM）算法建立了靛藍染色預(yù)測模型，并對模型的預(yù)測性能進行了驗證。結(jié)果表明：該模型對織物K/S值預(yù)測的平均絕對百分比誤差為1.759 7%，均方根相對誤差為0.029 4%，比網(wǎng)格尋參法的預(yù)測誤差更小，說明該模型具有較高的精度和良好的預(yù)測能力，可以為棉織物靛藍染色工藝的預(yù)測和優(yōu)化提供參考。關(guān)鍵詞： 混沌算法;最小二乘支持向量機（LSSVM）;Python;棉織物;靛藍;染色預(yù)測模型中圖分類號： TS190.9; TP181文獻標(biāo)志
絲綢 2023年7期2023-08-10
- 基于LMD形態(tài)濾波的LSSVM方法研究
在最小二乘支持向量機中參數(shù)選擇困難及稀疏性差的問題，提出了局部均值分解（LMD）形態(tài)濾波的最小二乘支持向量機（LSSVM）方法。該方法首先利用LMD對信號進行分解得到PF分量，并對信號做相關(guān)分析去除虛假分量，形態(tài)濾波降噪后再進行LMD分解得到新PF分量，提取能量特征;其次，對LSSVM的核函數(shù)進行改進，解決核參數(shù)選擇的問題;應(yīng)用特征加權(quán)法對拉格朗日參數(shù)進行特征加權(quán)，取其加權(quán)平均值作為剪枝方法的閾值，降低稀疏性;最后將能量特征信號輸入LSSVM中，對信息進行
哈爾濱理工大學(xué)學(xué)報 2022年1期2022-05-10
- 基于最小二乘支持向量機的短時交通流預(yù)測
用最小二乘支持向量機方法來建立短時交通流預(yù)測的模型，在經(jīng)驗風(fēng)險和置信范圍之間尋求最佳折衷，并且通過實例研究來驗證其有效性。結(jié)果表明，該模型適應(yīng)小樣本情況下對非線性動態(tài)系統(tǒng)的學(xué)習(xí)，對短時交通流有較好的預(yù)測效果。關(guān)鍵詞 短時交通流預(yù)測;最小二乘支持向量機;結(jié)構(gòu)風(fēng)險最小化;核函數(shù)中圖分類號 U491.1 文獻標(biāo)識碼 A 文章編號 2096-8949（2022）07-0047-030 引言短時交通流預(yù)測是交通控制與誘導(dǎo)的重要基礎(chǔ)，也一直是智能交通研究領(lǐng)域的熱點
交通科技與管理 2022年7期2022-04-15
- 基于遺傳算法的最小二乘支持向量機風(fēng)速預(yù)測模型研究
用最小二乘支持向量機（LS-SVM）方法對風(fēng)速進行預(yù)測分析?？紤]到LS-SVM的參數(shù)選取方面尚無有效手段，嘗試結(jié)合遺傳算法對LS-SVM進行參數(shù)選取。選取山西省陽泵市風(fēng)場前15 d的實測風(fēng)速數(shù)據(jù)，采用遺傳算法優(yōu)化LS-SVM參數(shù)后的預(yù)測模型，對第16天的風(fēng)速進行預(yù)測分析。經(jīng)過模型計算，風(fēng)速的預(yù)測值與實測值的平均絕對百分比誤差只有5.95%。結(jié)果表明：模型計算結(jié)果理想，驗證了采用遺傳算法優(yōu)化LS-SVM參數(shù)后用于風(fēng)速短期預(yù)測的有效性。研究成果可為風(fēng)電場實際運
水利水電快報 2021年12期2021-12-20
- 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
和最小二乘支持向量機（LS-SVM）建立定量校正模型，并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動-差分進化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%，二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96，LS-SVM模型的各
安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25
- 馬鈴薯可溶性固形物的近紅外光譜快速定量模型及優(yōu)化
和最小二乘支持向量機（LS-SVM）建立定量校正模型，并用競爭性自適應(yīng)重加權(quán)采樣法和風(fēng)驅(qū)動-差分進化混合算法完成相應(yīng)模型的特征波長和參數(shù)優(yōu)化。[結(jié)果]優(yōu)化的PLS模型和LS-SVM模型波長變量分別減至全光譜的8.67%、67.80%，二者的Rc2、Rp2、RMSEC、RMSEP、RPD分別為0.970 8、0.954 2、0.258 6、0.262 8、5.91和0.987 3、0.983 0、0.170 5、0.173 4、8.96，LS-SVM模型的各
安徽農(nóng)業(yè)科學(xué) 2021年20期2021-11-25
- 基于BFO-LSSVM模型的爆破料級配預(yù)測研究
及最小二乘支持向量機（LS-SVM）理論構(gòu)建基于BFO算法的LS-SVM優(yōu)化模型（BFO-LSSVM）。使用35組爆破數(shù)據(jù)作為訓(xùn)練樣本對模型預(yù)測精度進行檢驗，選取孔排距、堵塞、孔深等因素作為輸入因子，爆破料級配作為預(yù)測模型輸出因子。結(jié)果表明，BFO-LSSVM預(yù)測模型的預(yù)測結(jié)果精度高于相同樣本容量下LS-SVM模型。以阿爾塔什水利樞紐工程料場開挖爆破數(shù)據(jù)為例，BFO-LSSVM模型預(yù)測結(jié)果平均誤差為1.47%，驗證了該預(yù)測模型的可行性及實用性。關(guān)鍵詞：爆破
科技信息·學(xué)術(shù)版 2021年26期2021-11-18
- 一種利用單通道母體腹部心電信號提取胎兒心電信號的新技術(shù)
和最小二乘支持向量機（LSSVM）的胎兒心電提取新方法. 首先，利用SVD從單通道母體腹部心電信號中重構(gòu)分解矩陣，估計出母體心電參考信號，并利用SW方法對估計出的母體心電參考信號進行平滑處理;然后，利用LSSVM建立非線性估計模型，通過該模型和平滑后的母體心電參考信號估計出腹部信號中的母體心電成分，并采用布谷鳥搜索算法（CS）優(yōu)化LSSVM的超參數(shù);最后，將腹部混合信號與CS-LSSVM模型估計出的母體心電成分相減，即可獲得初步胎兒心電信號，為了進一步消除
湖南大學(xué)學(xué)報·自然科學(xué)版 2021年10期2021-09-14
- LabVIEW 與 MATLAB 聯(lián)合編程在制冷系統(tǒng)故障診斷中的應(yīng)用
入最小二乘支持向量機（LSSVM ），作為故障診斷的內(nèi)核，建立了制冷系統(tǒng)故障診斷平臺。對離心式冷水機組七類典型故障的診斷實驗結(jié)果表明：該聯(lián)合編程方法可行，可以實現(xiàn)界面友好、功能豐富、方便快捷的制冷系統(tǒng)故障診斷;所建立的 PSO?LSSVM 模型總體診斷正確率高達99.70%，正常和每類故障的診斷正確率均在99%以上。該平臺具有一定的開放性和擴展性，后續(xù)可以根據(jù)需要對診斷算法及其他功能模塊進行更改或添加，也可增加不同算法之間的比較分析或集成診斷，改善其靈活性
能源研究與信息 2021年4期2021-08-08
- 有限二氧化碳資源條件下的溫室光氣耦合優(yōu)化調(diào)控模型
于最小二乘支持向量機（LS-SVM）的光合速率預(yù)測模型;然后，基于提出的光合速率預(yù)測模型，構(gòu)建在有限CO2資源條件下溫室CO2優(yōu)化調(diào)控模型數(shù)據(jù)庫，可根據(jù)用戶輸入的CO2資源總量，自動尋優(yōu)獲取最佳補氣時間與單位補氣量;最后，提出以光照度增長相對價值為評價指標(biāo)的經(jīng)濟性相對最優(yōu)的補光策略，在確定的補氣時間段內(nèi)進行補光，最終實現(xiàn)了有限CO2資源條件下的溫室光氣耦合優(yōu)化調(diào)控，進一步提高了設(shè)施溫室環(huán)境因子調(diào)控的精準(zhǔn)度與智能化水平。關(guān)鍵詞：?光合速率預(yù)測;光氣耦合;調(diào)控
江蘇農(nóng)業(yè)學(xué)報 2021年2期2021-06-30
- 基于LS-SVM的直冷機組凝汽器積灰狀態(tài)預(yù)測研究
;最小二乘支持向量機;換熱系數(shù)1引言我國燃煤發(fā)電量占比高達72%，其所需的煤炭與水資源地理分布矛盾顯著，為了克服火電機組增加的需求和缺水之間的矛盾，從2002年開始，有著明顯節(jié)水和環(huán)保效用的直接空冷機組，被廣泛應(yīng)用于火力發(fā)電[1]。然而"三北"地區(qū)揚塵多，灰塵易于積聚在空冷凝汽器（Air Cooled Condenser，ACC）翅片管上，ACC長期置于室外運行，其特有的緊密排布結(jié)構(gòu)使其更易累積灰垢[2]。灰垢的累積增加了翅片管散熱的難度，降低了冷流體帶走
電子樂園·上旬刊 2021年1期2021-05-19
- 風(fēng)電齒輪箱復(fù)合故障診斷方法研究
的最小二乘支持向量機（DEWOA-LSSVM）故障診斷模型進行故障診斷。通過變分模態(tài)方法將收集的信號分解為K個模態(tài)分量，通過加權(quán)排序熵對其進行量化處理，得到特征向量，將特征向量輸入到經(jīng)過改進鯨魚算法優(yōu)化后的最小二乘支持向量機模型完成故障診斷，并通過試驗驗證該方法的有效性。關(guān)鍵詞：故障診斷;變分模態(tài)分解;加權(quán)排序熵;鯨魚算法;最小二乘支持向量機中圖分類號：TH165.3文獻標(biāo)識碼：A文章編號：1003-5168（2020）17-0072-04Research
河南科技 2020年17期2020-08-04
- 基于LS-SVM的艦艇修理能力評估研究
響最小二乘支持向量機（LSSVM）回歸性能的參數(shù)進行優(yōu)化。通過專家打分?jǐn)?shù)據(jù)驗證，結(jié)果表明，該方法在小樣本條件下的泛化能力較好，能夠科學(xué)、準(zhǔn)確地評估艦艇修理能力，具有較高的評估效率。關(guān)鍵詞：艦艇修理;評估;最小二乘支持向量機;粒子群優(yōu)化Abstract： Evaluation of warship maintenance capability is limited by several factors， The historical data is lack
裝備維修技術(shù) 2020年31期2020-07-08
- 基于GP-LVM和LS-SVM航班延誤等級預(yù)測研究
;最小二乘支持向量機根據(jù)《民航行業(yè)統(tǒng)計發(fā)展公報》航班不正常原因統(tǒng)計分類中，天氣原因占50%左右，復(fù)雜的航空氣象影響著航班正常的運行，航班延誤問題逐漸增多成為民航運輸業(yè)發(fā)展道路上的阻礙。本文對樞紐機場的航班運行數(shù)據(jù)進行分析計算，預(yù)測得出機場航班延誤等級，給相關(guān)部門調(diào)度運行提供依據(jù)。氣象問題極大地影響了機場跑道的容量架次標(biāo)準(zhǔn)，甚至在惡劣的天氣條件下關(guān)閉跑道，對航班產(chǎn)生影響的氣象因素較多，將海量數(shù)據(jù)參數(shù)引入預(yù)測模型，在運算中使得模型訓(xùn)練時間加長且預(yù)測結(jié)果出現(xiàn)偏離
無線互聯(lián)科技 2020年6期2020-04-30
- 基于灰狼優(yōu)化算法的最小二乘支持向量機紅棗產(chǎn)量預(yù)測研究
?最小二乘支持向量機預(yù)測時，其參數(shù)的選取大部分只依賴于人工經(jīng)驗，無法實現(xiàn)自適應(yīng)尋優(yōu)，阻礙了其學(xué)習(xí)與泛化能力。針對該問題，采用灰狼優(yōu)化算法對最小二乘支持向量機參數(shù)尋優(yōu)，以1978—2016全國紅棗產(chǎn)量數(shù)據(jù)為研究對象，利用最小二乘支持向量機的最優(yōu)參數(shù)對紅棗產(chǎn)量數(shù)據(jù)進行擬合與預(yù)測。為避免過擬合現(xiàn)象，將1978—2007和2013—2016年數(shù)據(jù)分別作為模型的訓(xùn)練與預(yù)測數(shù)據(jù)，2008-2012年數(shù)據(jù)用于交叉驗證，同時為檢驗該模型的預(yù)測性能，將其與ARIMA模型的預(yù)
安徽農(nóng)業(yè)科學(xué) 2020年6期2020-04-13
- 基于LS-SVM棉針織物軋烘軋蒸染色工藝的預(yù)測模型
于最小二乘支持向量機（LS-SVM），以氯化鈉質(zhì)量濃度、碳酸鈉質(zhì)量濃度、烘干時間和汽蒸時間作為預(yù)測模型的輸入變量，染色織物K/S值作為輸出變量，建立了多因素模型并進行預(yù)測。結(jié)果表明，織物實驗K/S值和模型預(yù)測值的相關(guān)系數(shù)高達0.999 96，平均相對誤差小于0.5%，說明該模型具有較高的精度，該建模方法可用于染色織物K/S值的預(yù)測，可以用于棉針織物軋烘軋蒸染色工藝的預(yù)測和優(yōu)化。關(guān)鍵詞：活性染料;軋烘軋蒸工藝;最小二乘支持向量機;多因素模型;棉針織物中圖分類
現(xiàn)代紡織技術(shù) 2020年1期2020-04-10
- 基于CEEMD-LSSVM的縫紉機軸承故障診斷
和最小二乘支持向量機（LSSVM）的縫紉機軸承故障診斷算法——CEEMD-LSSVM。首先，采用CEEMD算法，對縫紉機軸承振動原始數(shù)據(jù)進行分解，得到各固有模態(tài)分量（IMF）和剩余分量;其次，采用LSSVM算法，對各分量建立相應(yīng)的預(yù)測模型，進行仿真預(yù)測，尤其是為提高預(yù)測精度，采用改進粒子群算法對ERBF核函數(shù)進行優(yōu)化;最后，對各自預(yù)測得到的結(jié)果進行疊加，得到實際預(yù)測結(jié)果。以西安標(biāo)準(zhǔn)縫紉機公司GC-6730縫紉機電機主軸軸承為研究對象，對算法進行應(yīng)用，明確了
工業(yè)技術(shù)創(chuàng)新 2020年6期2020-01-11
- 光伏影響下考慮氣象負荷分解和LSSVM的負荷預(yù)測
和最小二乘支持向量機算法分別對二者進行預(yù)測。之后采用主導(dǎo)氣象因素辨識方法分析影響凈負荷的主要氣象因素，合理選取預(yù)測模型的輸入向量，實現(xiàn)了考慮光伏影響與氣象敏感負荷分解的LSSVM負荷預(yù)測。實驗證明所提出的模型能夠明顯提高負荷預(yù)測的準(zhǔn)確度。關(guān)鍵詞：光伏;實時氣象因素;氣象敏感負荷分解;最小二乘支持向量機;負荷預(yù)測中圖分類號：TP39? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? 文獻標(biāo)識碼：ALoad
計算技術(shù)與自動化 2020年4期2020-01-05
- 荊門市竹皮河流域地表水污染預(yù)報研究
用最小二乘支持向量機對8周的數(shù)據(jù)進行了測試。分析結(jié)果可知：只有第六個污染等級預(yù)報錯誤，其他的七個污染等級均預(yù)報正確。這可充分的說明，五個指標(biāo)與水污染等級之間存在一種強烈的對應(yīng)關(guān)系，也說明所使用的LS-SVM算法的正確性和有效性。同時為了對比說明，運用RBF神經(jīng)網(wǎng)絡(luò)進行了預(yù)測。訓(xùn)練數(shù)據(jù)和測試數(shù)據(jù)與LS-SVM預(yù)測法一致。對比預(yù)測結(jié)果發(fā)現(xiàn)：RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果與LS-SVM預(yù)測結(jié)果相比，存在預(yù)測精度不高的問題。同時，LS-SVM算法具有簡便的操作性。通過對
綠色科技 2019年16期2019-11-22
- 基于組合模型的接地網(wǎng)腐蝕速率預(yù)測算法
進最小二乘支持向量機與誤差校正的組合模型，將其應(yīng)用于接地網(wǎng)腐蝕速率預(yù)測。該法采用遺傳算法優(yōu)化最小二乘支持向量機參數(shù)，為提高模型的預(yù)測精度，應(yīng)用誤差預(yù)測校正模型修正其預(yù)測結(jié)果，降低了極大誤差出現(xiàn)的可能性，提高了預(yù)測模型的穩(wěn)定性。結(jié)果表明，采用組合模型對接地網(wǎng)腐蝕速率進行預(yù)測，比采用最小二乘支持向量機模型具有更高的預(yù)測精度，更適用于接地網(wǎng)腐蝕速率的預(yù)測。關(guān)鍵詞：接地網(wǎng);腐蝕速率;預(yù)測;最小二乘支持向量機;遺傳算法;誤差校正中圖分類號：TP301? ? ? ?
計算技術(shù)與自動化 2019年3期2019-11-05
- 基于近紅外光譜分析技術(shù)的轉(zhuǎn)Bt基因水稻種子及其親本快速鑒別方法
用最小二乘支持向量機方法建立光譜反射率值與類別值之間的預(yù)測模型。3種水稻種子樣本數(shù)均為350個，共計1 050個樣本，將其分成900個訓(xùn)練集樣本和150個預(yù)測集樣本，預(yù)測準(zhǔn)確率達94.67%。說明本研究提出的方法對于轉(zhuǎn)Bt基因水稻種子及其親本具有很好的分類和鑒別能力，且檢測過程比傳統(tǒng)理化檢測手段簡單，操作性強。該研究為今后轉(zhuǎn)基因水稻種子及其親本的快速無損檢測提供了新的方法。關(guān)鍵詞：轉(zhuǎn)基因水稻;ISOMAP流形降維;最小二乘支持向量機;近紅外光譜技術(shù)中圖分類
江蘇農(nóng)業(yè)科學(xué) 2019年13期2019-10-25
- 基于光譜和Gabor紋理信息融合的油桃品種識別
的最小二乘支持向量機（least squares support vector machine，簡稱LS-SVM）和極限學(xué)習(xí)機（extreme learning machine，簡稱ELM）油桃品種判別模型。結(jié)果表明，基于融合特征的LS-SVM和ELM模型識別率分別為94.7%、92.1%，較單獨采用光譜信息和紋理信息的識別率都高，說明采用光譜信息和Gabor紋理信息融合的方法可以實現(xiàn)油桃品種判別，為農(nóng)產(chǎn)品無損檢測提供參考價值。關(guān)鍵詞：油桃品種識別;光譜信
江蘇農(nóng)業(yè)科學(xué) 2019年6期2019-09-25
- 基于PSO-LSSVM算法的造紙過程短期電力負荷預(yù)測模型
和最小二乘支持向量機（LSSVM）相結(jié)合（PSO-LSSVM）的短期電力負荷預(yù)測方法，該方法可對造紙廠未來每30 min的電力負荷進行預(yù)測。結(jié)果表明，采用PSO-LSSVM算法對短期電力負荷進行預(yù)測時，預(yù)測結(jié)果的相對百分誤差絕對值的平均值約為0.75%，精度高于其他行業(yè)的電力負荷預(yù)測值，模型具有良好的可行性和有效性。關(guān)鍵詞：數(shù)學(xué)建模;短期預(yù)測;電力負荷;最小二乘支持向量機;粒子群優(yōu)化中圖分類號：TS7文獻標(biāo)識碼：A近年來，我國造紙工業(yè)產(chǎn)能迅速擴大，紙及紙板
中國造紙學(xué)報 2019年1期2019-09-10
- 基于大數(shù)據(jù)分析的網(wǎng)絡(luò)安全態(tài)勢評估
—最小二乘支持向量機對網(wǎng)絡(luò)安全態(tài)勢樣本進行訓(xùn)練，建立網(wǎng)絡(luò)安全態(tài)勢的評估模型，并進行具體網(wǎng)絡(luò)安全態(tài)勢仿真測試。結(jié)果表明，所提模型可以準(zhǔn)確描述網(wǎng)絡(luò)安全態(tài)勢變化特點，獲得高精度的網(wǎng)絡(luò)安全態(tài)勢評估結(jié)果，評估誤差要遠遠低于對照模型，為網(wǎng)絡(luò)安全管理提供了一種有效的研究方法。關(guān)鍵詞： 大數(shù)據(jù)分析; 學(xué)習(xí)樣本; 仿真測試; 樣本重構(gòu); 最小二乘支持向量機; 網(wǎng)絡(luò)安全中圖分類號： TN915.08?34; TP391 ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A ?
現(xiàn)代電子技術(shù) 2019年13期2019-07-08
- 基于粒子群最小二乘支持向量機的股指波動率預(yù)測
化最小二乘支持向量機（LSSVM-PSO）的波動率預(yù)測方法，利用LSSVM優(yōu)良的非線性逼近能力預(yù)測波動率，通過PSO算法的全局快速優(yōu)化特點選擇LSSVM最優(yōu)參數(shù)。以中國股市實際交易數(shù)據(jù)為樣本，通過樣本內(nèi)預(yù)測和樣本外預(yù)測驗證了該方法的有效性。結(jié)果表明，LSSVM-PSO模型具有較高的預(yù)測精度和計算效率，是一種有效的股指波動率預(yù)測方法。[關(guān)鍵詞]波動率預(yù)測;最小二乘支持向量機;粒子群優(yōu)化算法[中圖分類號]F830;TP1831 引 言股指波動率是衡量金融資產(chǎn)風(fēng)
新財經(jīng) 2019年7期2019-06-27
- 基于微粒群優(yōu)化LSSVM的室內(nèi)指紋定位算法
用最小二乘支持向量機（LSSVM）定位過程中參數(shù)選取對定位精度的影響，提出一種基于微粒群進行參數(shù)優(yōu)化的室內(nèi)指紋定位算法。該算法通過離線采集的RSSI數(shù)據(jù)訓(xùn)練最小二乘支持向量機，利用微粒群算法尋找并確定LSSVM全局最優(yōu)參數(shù)，獲得基于位置指紋的LSSVM定位模型。仿真結(jié)果表明，相對于傳統(tǒng)LSSVM定位，PSO-LSSVM有效提高了定位準(zhǔn)確度，并能在小樣本情況下保持良好的定位精度。關(guān)鍵詞：指紋定位;微粒群算法;最小二乘支持向量機;RSSIDOI：10. 119
軟件導(dǎo)刊 2019年4期2019-06-09
- 基于最小二乘支持向量機導(dǎo)彈訂購價格預(yù)測模型研究
用最小二乘支持向量機方法對數(shù)據(jù)樣本訓(xùn)練優(yōu)化，并應(yīng)用實例進行了建模分析研究。關(guān)鍵詞：性能;最小二乘支持向量機;訂購價格;預(yù)測中圖分類號：G641? ? ? ?文獻標(biāo)志碼：A? ? ?文章編號：1673-291X（2019）26-0187-02引言采取最小二乘支持向量機（LS-SVM）法對導(dǎo)彈訂購目標(biāo)價格進行預(yù)測，預(yù)測結(jié)果與傳統(tǒng)的支持向量機（SVM）預(yù)測結(jié)果相比較，不僅滿足了預(yù)測的精度，而且也解決了模型計算的復(fù)雜性，提高了求解的速度，對導(dǎo)彈全壽命周期費用的預(yù)測
經(jīng)濟研究導(dǎo)刊 2019年26期2019-04-17
- 基于EMD的金剛石砂輪磨損狀態(tài)聲發(fā)射監(jiān)測
為最小二乘支持向量機的輸入?yún)?shù)，對金剛石砂輪的輕度磨損狀態(tài)和嚴(yán)重磨損狀態(tài)成功地進行了智能監(jiān)測.關(guān)鍵詞：氧化鋯磨削;金剛石砂輪磨損狀態(tài)監(jiān)測;聲發(fā)射;經(jīng)驗?zāi)B(tài)分解;最小二乘支持向量機中圖分類號：TG58，TP183 ??????????????????????文獻標(biāo)志碼：AAcoustic Emission Intelligent Monitoring of Diamond GrindingWheel Wear Based on Empirical Mode
湖南大學(xué)學(xué)報·自然科學(xué)版 2019年2期2019-04-13
- 基于灰色關(guān)聯(lián)分析的LS-SVM的高鐵客流量預(yù)測
和最小二乘支持向量機（LS-SVM），構(gòu)建基于GRA的LS-SVM高鐵客流量預(yù)測模型（GRA-LS-SVM）。將高鐵客流量的影響因素初步設(shè)為17項，利用灰色關(guān)聯(lián)分析從中選取主要影響因素，并將其作為輸入變量，構(gòu)建LS-SVM。以我國高鐵客流量數(shù)據(jù)為例，驗證GRA-LS-SVM的有效性。結(jié)果顯示，GRA-LS-SVM不僅簡化了模型結(jié)構(gòu)，而且提高了高鐵客流量預(yù)測精度。關(guān)鍵詞：高鐵客流量 灰色關(guān)聯(lián)分析 最小二乘支持向量機1.引言隨著各種交通工具的發(fā)展，客運市場競爭
中國市場 2019年31期2019-01-06
- 網(wǎng)絡(luò)大數(shù)據(jù)平臺異常風(fēng)險監(jiān)測系統(tǒng)設(shè)計
過最小二乘支持向量機對網(wǎng)絡(luò)大數(shù)據(jù)進行高效率建模，實現(xiàn)網(wǎng)絡(luò)大數(shù)據(jù)異常監(jiān)測。實驗結(jié)果表明，所設(shè)計系統(tǒng)具有監(jiān)測效率和穩(wěn)定性高、性能佳的優(yōu)勢。關(guān)鍵詞： 網(wǎng)絡(luò)大數(shù)據(jù)； 異常風(fēng)險； 監(jiān)測系統(tǒng)； 控制模塊； Hadoop； 最小二乘支持向量機中圖分類號： TN931+.3?34； TP314 文獻標(biāo)識碼： A 文章編號： 1004?373X（2018）22?0143?04Abstract： When the support vector machine is used
現(xiàn)代電子技術(shù) 2018年22期2018-11-13
- 基于偏最小二乘及最小二乘支持向量機的 と斯ぜ硬誶道糙率預(yù)測模型
合最小二乘支持向量機（LSSVM）建立了人工加糙渠道糙率預(yù)測模型。結(jié)合實例，通過對某人工加糙渠道相關(guān)試驗數(shù)據(jù)進行PLSLSSVM模型的訓(xùn)練及預(yù)測，并將預(yù)測結(jié)果與單獨使用PLS、LSSVM及公式法的預(yù)測結(jié)果進行對比，其結(jié)果顯示：基于PLSLSSVM模型的預(yù)測平均絕對百分比誤差MAPE為138%，均方根誤差RMSE為224×10-4，預(yù)測精度均優(yōu)于PLS、LSSVM及公式法的預(yù)測結(jié)果。結(jié)果表明，將PLS與LSSVM相結(jié)合的PLSLSSVM模型，綜合了PLS與L
南水北調(diào)與水利科技 2018年4期2018-11-12
- 基于數(shù)據(jù)挖掘的光伏發(fā)電預(yù)測
個最小二乘支持向量機預(yù)測模型，進行光伏發(fā)電量的超短期預(yù)測。通過實驗對訓(xùn)練好的模型進行預(yù)測精度的評估，結(jié)果表明，與未結(jié)合周天氣特征的預(yù)測模型相比，該模型的平均預(yù)測精度提高了30%左右。關(guān)鍵詞： 光伏發(fā)電量預(yù)測； 最小二乘支持向量機； 周天氣特征； 超短期預(yù)測中圖分類號：TP39 文獻標(biāo)志碼：A 文章編號：1006-8228（2018）08-36-04Forecast of PV power generation based on data miningZho
計算機時代 2018年8期2018-10-17
- 基于灰狼優(yōu)化算法的最小二乘支持向量機在軟件老化預(yù)測中的應(yīng)用
的最小二乘支持向量機參數(shù)主要涉及懲罰因子和核函數(shù)參數(shù)，這兩個參數(shù)的選擇將直接影響最小二乘支持向量機的學(xué)習(xí)和泛化能力。為了提高最小二乘支持向量機的預(yù)測結(jié)果，文章用灰狼優(yōu)化算法對其參數(shù)尋優(yōu)，建立軟件老化預(yù)測模型。通過實驗證明了該模型，對軟件老化的預(yù)測表現(xiàn)出很好的效果。關(guān)鍵詞：軟件老化預(yù)測；最小二乘支持向量機；灰狼優(yōu)化算法遺留在軟件中的缺陷會隨軟件系統(tǒng)長期持續(xù)運行造成計算機內(nèi)存泄漏、舍入誤差積累、文件鎖未釋放等現(xiàn)象發(fā)生，導(dǎo)致系統(tǒng)性能衰退甚至崩潰。這些軟件老化現(xiàn)象
無線互聯(lián)科技 2018年15期2018-09-20
- 基于圖像處理技術(shù)的火災(zāi)識別方法的應(yīng)用與研究
在最小二乘支持向量機超參數(shù)選取在快速留一法的基礎(chǔ)上，結(jié)合共軛梯度算法，提出改進的最小二乘支持向量機的火災(zāi)圖像處理方法，構(gòu)建了FR?LSSVM模型。通過對比采用BP神經(jīng)網(wǎng)絡(luò)、最小二乘法支持向量機、FR?LSSVM和標(biāo)準(zhǔn)支持向量機的實驗結(jié)果可以得出，改進算法具有更好的穩(wěn)定性、更快的運算速度和更高的識別率，有利于提高火災(zāi)識別的有效性，進而保護人們的生命財產(chǎn)安全。關(guān)鍵詞： 圖像處理； 火災(zāi)識別； 快速留一法； 共軛梯度； BP 神經(jīng)網(wǎng)絡(luò)； 最小二乘支持向量機中圖分
現(xiàn)代電子技術(shù) 2018年13期2018-07-10
- 組合模型在電子設(shè)備故障預(yù)測中的應(yīng)用
的最小二乘支持向量機（LSSVM）和隱馬爾可夫（HMM）組合故障預(yù)測模型，本模型充分利用了LSSVM解決小樣本數(shù)據(jù)時計算速度快，可對信號進行非線性預(yù)測和HMM數(shù)據(jù)結(jié)構(gòu)嚴(yán)謹(jǐn)，計算性能可靠，狀態(tài)識別精度高的優(yōu)點，將二者相結(jié)合實現(xiàn)故障狀態(tài)預(yù)測。實驗結(jié)果證明，文章所提出的組合故障預(yù)測模型能直接得到該設(shè)備的預(yù)測狀態(tài)，而且相對精度較高。關(guān)鍵詞：最小二乘支持向量機；隱馬爾可夫；狀態(tài)預(yù)測中圖分類號：TP206 文獻標(biāo)志碼：A 文章編號：2095-2945（2018）15-
科技創(chuàng)新與應(yīng)用 2018年15期2018-06-06
- 基于組合核CPSO—LSSVM模擬電路故障診斷
用最小二乘支持向量機作為分類器對模擬電路進行故障模式識別，并選用組合核函數(shù)作為分類器的核函數(shù)，對于最小二乘支持向量機系數(shù)的優(yōu)化選取，將采用混沌粒子群算法，在粒子群算法中加入混沌理論，增加種群的多樣性和粒子搜索的遍歷性，避免陷入局部最優(yōu)解，加快全局收斂，得到最優(yōu)系數(shù)。關(guān)鍵詞：故障模式識別；最小二乘支持向量機；組合核函數(shù)；混沌粒子群算法一、組合核LSSVM（一）LSSVM特點最小二乘支持向量機（Least Square Support Vector Machi
報刊薈萃（上） 2018年5期2018-05-30
- 灰色最小二乘支持向量機在電子產(chǎn)品壽命預(yù)測中應(yīng)用
及最小二乘支持向量機所具有的泛化能力強、運算速度快、非線形擬合精度高、參數(shù)優(yōu)化好、小樣本等優(yōu)點，提出了一種灰色理論和最小二乘支持向量機組合預(yù)測方法。與灰色GM（l，l）和單一最小二乘支持向量機對比表明，灰色最小二乘支持向量機組合預(yù)測模型具有較高的預(yù)測精度，是節(jié)省試驗費用及提高評價精度的一種簡便實用且高效的新方法。關(guān)鍵詞：壽命預(yù)測；灰色理論；最小二乘支持向量機；組合預(yù)測0引言灰色預(yù)測模型具有所需樣本少、計算簡便的優(yōu)點[1]，最小二乘支持向量機具有泛化能力強、
科學(xué)與財富 2018年8期2018-05-09
- 基于最小二乘支持向量機的電子音樂識別研究
于最小二乘支持向量機的電子音樂識別模型。首先收集電子音樂的數(shù)據(jù)，并采用小波分析對電子音樂數(shù)據(jù)進行去噪處理，然后提取電子音樂的特征，并對特征進行歸一化處理，最后采用最小二乘支持向量機對處理后的電子音樂數(shù)據(jù)進行訓(xùn)練，建立電子音樂識別模型。采用具體電子音樂數(shù)據(jù)對模型的有效性進行驗證，結(jié)果表明，與傳統(tǒng)電子音樂識別模型相比，支持向量機對噪聲數(shù)據(jù)具有良好的魯棒性，可以有效識別各種類型的電子音樂，而且電子音樂的識別速度更優(yōu)。關(guān)鍵詞： 電子音樂; 短時特征; 特征向量歸一
現(xiàn)代電子技術(shù) 2018年9期2018-05-05
- 基于灰色支持向量機模型的基金波動率預(yù)測
與最小二乘支持向量機組合預(yù)測模型在波動率上的應(yīng)用的可行性，通過對灰色模型進行殘差修正和背景值修正以及對最小二乘支持向量機進行參數(shù)尋優(yōu)，來提高組合預(yù)測模型的預(yù)測精度和推廣泛化能力。經(jīng)波動率預(yù)測的實證分析得出建立的組合模型比支持向量機模型有較好的預(yù)測效果?！娟P(guān)鍵詞】灰色系統(tǒng) 最小二乘支持向量機 波動率預(yù)測目前國內(nèi)外有關(guān)基金波動預(yù)測方法主要可以分為兩類：第一，統(tǒng)計方法[James D.，Parvez Ahmed.Chiang et al]。第二，人工智能方法[C
時代金融 2018年6期2018-03-26
- 最小二乘支持向量機和預(yù)測誤差校正的運動員成績預(yù)測
出最小二乘支持向量機和預(yù)測誤差校正的運動員成績預(yù)測模型。首先通過提升小波和最小二乘支持向量機對運動員成績進行建模和預(yù)測，然后通過誤差校正方式對運動員成績的預(yù)測結(jié)果進行校正，最后通過運動員成績預(yù)測實例對模型的有效性進行測試，并與其他運動員預(yù)測模型進行對比實驗，驗證其優(yōu)越性，結(jié)果表明，所提模型降低了運動員成績的預(yù)測誤差，并且通過誤差校正提高了運動員成績預(yù)測結(jié)果的穩(wěn)定性，預(yù)測精度要優(yōu)于其他運動員成績預(yù)測模型。關(guān)鍵詞： 運動員成績； 最小二乘支持向量機； 誤差校正
現(xiàn)代電子技術(shù) 2018年5期2018-03-03
- 基于PSO優(yōu)化的LSSVM的電力系統(tǒng)電壓優(yōu)化的研究
化最小二乘支持向量機（PSO-LSSVM）來對電力系統(tǒng)電壓進行優(yōu)化。通過實例的結(jié)果分析，該方法對電壓的合格率有所提高，對電壓性能有明顯的改善，損耗也下降了，且收斂速度加快，有助于解決地區(qū)電力系統(tǒng)電壓優(yōu)化和治理問題。關(guān)鍵詞：數(shù)學(xué)模型；粒子群優(yōu)化；最小二乘支持向量機；電壓優(yōu)化0 引言電力系統(tǒng)的無功優(yōu)化作為非線性的規(guī)劃問題，存在著多個不等式的約束條件。而且控制變量的類型也比較復(fù)雜，既有連續(xù)值，又有離散值。所以導(dǎo)致無功優(yōu)化的分析過程變得更加復(fù)雜。無功優(yōu)化的常見方法
軟件 2017年9期2018-03-02
- 分段最小二乘支持向量機的故障診斷
段最小二乘支持向量機的方法，該方法首先利用模糊C聚類（FCM）對樣本進行聚類分析，達到劃分發(fā)酵階段和建立局部模型的目的，然后采用最小二乘支持向量機（LS-SVM）的方法對各類樣本進行建模。實驗結(jié)果表明，使用該方法建立的啤酒發(fā)酵過程溫度故障診斷模型具有較高的準(zhǔn)確性。經(jīng)過比較，該方法建立的模型的泛化能力要強于其他SVM方法建立的模型。關(guān)鍵詞：支持向量機;模糊C均值聚類;最小二乘支持向量機;啤酒發(fā)酵;建模DOI：10.15938/j.jhust.2018.06.
哈爾濱理工大學(xué)學(xué)報 2018年6期2018-02-13
- 大數(shù)據(jù)環(huán)境下的網(wǎng)絡(luò)流量異常檢測研究
于最小二乘支持向量機的網(wǎng)絡(luò)流量異常檢測模型；最后，在Maltab 2014平臺下進行網(wǎng)絡(luò)流量異常檢測實驗。實驗結(jié)果表明，該模型可以準(zhǔn)確對網(wǎng)絡(luò)流量異常現(xiàn)象進行檢測，獲得了比其他模型更優(yōu)的網(wǎng)絡(luò)流量異常檢測結(jié)果，具有更高的實際應(yīng)用價值。關(guān)鍵詞： 網(wǎng)絡(luò)安全； 流量異常檢測； HDOOP平臺； 最小二乘支持向量機； 大數(shù)據(jù)環(huán)境； 檢測模型中圖分類號： TN915.08?34； TP392 文獻標(biāo)識碼： A 文章編號： 1004?373X（2018）03?0084?0
現(xiàn)代電子技術(shù) 2018年3期2018-01-31
- LS—SVM和混合主元分析的電梯故障類型檢測研究
于最小二乘支持向量機（LS-SVM）和混合主元分析的方法。在此方法中，首先利用小波包分析對電梯轎廂X、Y、Z三個方向傳感器所得數(shù)值進行特征值提取，提取出9個特征向量用來描述電梯具體運行狀態(tài)。然后將特征向量送入LS-SVM進行訓(xùn)練和分類，得出每個特征向量與正常運行時的殘差值，根據(jù)殘差值判斷電梯狀態(tài)。最后利用混合主元分析得出主元特征向量，作出主元特征向量的組合形式貢獻圖判斷電梯故障原因。關(guān)鍵詞：最小二乘支持向量機；小波包分析；混合主元分析；主元特征向量中圖分類
科技創(chuàng)新與應(yīng)用 2017年21期2017-08-24
- 基于最小二乘支持向量機的無人機遙感影像分類
：最小二乘支持向量機；粒子群優(yōu)化；網(wǎng)格搜索；交叉驗證；無人機遙感中圖分類號： TP751；S127文獻標(biāo)志碼： A文章編號：1002-1302（2017）09-0187-05隨著無人機技術(shù)[1]的成熟，輕量型的多光譜傳感器被廣泛搭載并獲取數(shù)據(jù)[2-3]，在國土資源[4-5]、環(huán)境災(zāi)害[6-7]、農(nóng)情監(jiān)測[8-12]等眾多領(lǐng)域得到廣泛應(yīng)用。針對多波段影像數(shù)據(jù)的分類處理[13]也一直是各行業(yè)應(yīng)用所面對的首要問題，已經(jīng)成為研究熱點之一。支持向量機（support
江蘇農(nóng)業(yè)科學(xué) 2017年9期2017-07-15
- 基于自適應(yīng)最小二乘支持向量機逆系統(tǒng)的鏈?zhǔn)絊TATCOM控制策略
用最小二乘支持向量機自適應(yīng)地估計動態(tài)的模型非線性部分，通過反饋的方式加入到逆系統(tǒng)的輸入端，從而補償?shù)魧嶋H系統(tǒng)模型中的非線性部分，實現(xiàn)真正意義上的偽線性模型。由于是線性系統(tǒng)的解耦模型，采用線性二次型最優(yōu)控制算法，實現(xiàn)配電網(wǎng)的無功補償。仿真和實驗結(jié)果表明，本文所提的算法很好的解決了配電網(wǎng)的無功補償問題，且具有很好的魯棒性和動態(tài)性能。關(guān)鍵詞：最小二乘支持向量機；靜止同步補償器；逆系統(tǒng)；線性二次型調(diào)節(jié)器中圖分類號：TP273 文獻標(biāo)志碼：A 文章編號：1007-4
電機與控制學(xué)報 2017年7期2017-07-10
- 基于LS—SVM的制冷系統(tǒng)故障診斷
于最小二乘支持向量機（LSSVM）的制冷系統(tǒng)故障診斷模型，并采用ASHRAE制冷系統(tǒng)故障模擬實驗數(shù)據(jù)進行模型訓(xùn)練與驗證.對一臺 90冷噸（約316 kW）的離心式冷水機組的7類制冷循環(huán)典型故障進行了實驗.研究結(jié)果表明，LS-SVM模型對制冷系統(tǒng)七類故障的總體診斷正確率比支持向量機（SVM）診斷模型、誤差反向傳播（BP）神經(jīng)網(wǎng)絡(luò)診斷模型分別提高0.12%和1.32%；盡管對個別局部故障（冷凝器結(jié)垢、冷凝器水流量不足、制冷劑含不凝性氣體）的診斷性能較SVM模型
能源研究與信息 2017年1期2017-05-15
- 基于粒子群優(yōu)化的最小二乘支持向量機圖像分割研究
將最小二乘支持向量機（Least Squares Support Vector Machines，LS-SVM）應(yīng)用于圖像分割，并利用粒子群算法對其參數(shù)進行優(yōu)化。通過對經(jīng)典的二分類與多分類問題的測試及彩色實物圖像分割實驗，結(jié)果表明，LS-SVM能綜合使用圖像多種特征，能夠準(zhǔn)確實現(xiàn)對圖像感興趣區(qū)域的分割，且分割速度比一般的支持向量機提高很多。關(guān)鍵詞：最小二乘支持向量機；彩色圖像；圖像分割；參數(shù)優(yōu)化引言支持向量機（Support Vector Machine，
科技創(chuàng)新與應(yīng)用 2017年9期2017-04-26
- 基于EMD與果蠅參數(shù)尋優(yōu)的LSSVM的機場能耗預(yù)測
的最小二乘支持向量機（Least Squares Support Vector Machines，LSSVM）的能耗預(yù)測方法。在原有LSSVM方法基礎(chǔ)上，運用EMD對天津機場能耗數(shù)據(jù)進行預(yù)處理，得到若干個本征分量。根據(jù)各分量的變化規(guī)律構(gòu)造不同的最小二乘支持向量機模型分別預(yù)測，加入果蠅參數(shù)優(yōu)化算法尋找最優(yōu)的最小二乘支持向量機正則化參數(shù)與核函數(shù)參數(shù)。最后將各分量的預(yù)測結(jié)果疊加得到最終的預(yù)測值。仿真結(jié)果表明，經(jīng)過EMD處理后各個分量突出了原能耗數(shù)據(jù)的特性，降低了
計算機時代 2017年4期2017-04-26
- 基于LS?SVM的一次風(fēng)機振動在線監(jiān)測及故障預(yù)警
于最小二乘支持向量機（LS?SVM）的一次風(fēng)機振動狀態(tài)估計和故障預(yù)警方法。結(jié)合山西河曲發(fā)電廠1號機組的1#一次風(fēng)機歷史運行數(shù)據(jù)，應(yīng)用Matlab對提出的方法進行驗證和分析。研究結(jié)果表明，該預(yù)測方法有較高的估計精度，能夠及時辨別一次風(fēng)機在運行中的振動異常，適用于火電廠輔機設(shè)備的故障診斷，具有一定的工程應(yīng)用價值。關(guān)鍵詞： 一次風(fēng)機； 在線監(jiān)測； 最小二乘支持向量機（LS?SVM）； 故障預(yù)警中圖分類號： TN911?34 文獻標(biāo)識碼： A 文章編號： 1004
現(xiàn)代電子技術(shù) 2017年7期2017-04-14
- 一種模擬電路故障診斷方法研究
最小二乘支持向量機； 粒子群優(yōu)化算法中圖分類號： TN710.4?34； TP391 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）06?0183?04Abstract： The LSSVM algorithm is applied to the analog circuit fault diagnosis model， and its parameters are optimized with particle swarm optimiz
現(xiàn)代電子技術(shù) 2017年6期2017-04-10
- 基于滾動時間窗的PSO—LSSVM的通信基站能耗建模
窗最小二乘支持向量機（LSSVM）的基站能耗建模方法.該方法通過選取預(yù)處理的基站配置參數(shù)與實時數(shù)據(jù)建立滾動時間窗，采用PSO優(yōu)化訓(xùn)練模型參數(shù)，并通過LSSVM回歸估計訓(xùn)練模型，得到隨時間窗數(shù)據(jù)變化的基站動態(tài)能耗模型.仿真試驗與樣本基站實測數(shù)據(jù)的驗證結(jié)果表明，本文建立的能耗模型具有較高的預(yù)測精度及泛化能力，對基站節(jié)能工程的評估具有良好的應(yīng)用前景.關(guān)鍵詞：通信基站；能耗模型；最小二乘支持向量機；粒子群；滾動時間窗中圖分類號：TP18；TN929.5 文獻標(biāo)志碼
湖南大學(xué)學(xué)報·自然科學(xué)版 2017年2期2017-03-17
- 基于最小二乘支持向量機的VaR計算方法研究
將最小二乘支持向量機與傳統(tǒng)的蒙特卡羅模擬法結(jié)合，對波動率進行估計。實證分析表明，該方法可行有效。Abstract： VaR is a tool making the investment risk quantification， which aims at estimating the possible or potential maximum loss in the future of a given financial asset or portfol
價值工程 2017年6期2017-03-15
- 電子商務(wù)交易風(fēng)險評估模型仿真分析
用最小二乘支持向量機對電子商務(wù)交易風(fēng)險評估樣本進行學(xué)習(xí)，構(gòu)建電子商務(wù)交易風(fēng)險的評估模型；最后對模型的有效性和優(yōu)越性進行分析。結(jié)果表明，該模型提高了電子商務(wù)交易風(fēng)險的評估精度，能夠為電子商務(wù)交易提供有價值的參考信息。關(guān)鍵詞： 電子商務(wù)； 交易風(fēng)險； 風(fēng)險評估； 最小二乘支持向量機中圖分類號： TN919?34； TP181 文獻標(biāo)識碼： A 文章編號： 1004?373X（2017）03?0140?03Simulation analysis of asses
現(xiàn)代電子技術(shù) 2017年3期2017-03-04
- 基于聯(lián)合互信息的動液面預(yù)測模型
立最小二乘支持向量機（Least Squares Support Vector Machine，LSSVM）模型，采用改進黑洞算法（Black Hole，BH）優(yōu)化模型參數(shù)，預(yù)測出動液面，然后計算輔助變量與動液面的聯(lián)合互信息，判斷聯(lián)合互信息的波動是否在合理范圍內(nèi)，以此作為模型更新的標(biāo)準(zhǔn)，提高動液面預(yù)測精度，最后將上述方法應(yīng)用到遼河油田某采油平臺實際生產(chǎn)數(shù)據(jù)中，仿真實驗結(jié)果驗證了該方法的有效性。關(guān)鍵詞：動液面；最小二乘支持向量機；聯(lián)合互信息；動態(tài)模型中圖分類
科技與創(chuàng)新 2016年18期2016-11-04
- 基于量子差分進化優(yōu)化LSSVM的短期負荷預(yù)測
的最小二乘支持向量機（least squares-support vector machine，LSSVM）模型。通過采用量子比特編碼方案有效選取最小二乘支持向量機的參數(shù)，克服了最小二乘支持向量機算法中依據(jù)經(jīng)驗選定參數(shù)的盲目性。實例驗證結(jié)果表明，與BP神經(jīng)網(wǎng)路和單純的最小二乘支持向量機算法相比，QDE-LSSVM有更高的預(yù)測精度，更適用于當(dāng)前中國短期負荷的需要?！娟P(guān)鍵詞】短期負荷預(yù)測；參數(shù)優(yōu)化；量子差分進化；最小二乘支持向量機引言“十三五”規(guī)劃期間，隨著電
成長·讀寫月刊 2016年9期2016-10-21
- 基于粒子群算法與最小二乘支持向量機的ET0模擬
與最小二乘支持向量機的ET0模擬鞠彬1,2,王嘉毅3(1.河海大學(xué)水文水資源學(xué)院,江蘇 南京210098; 2.中國電建集團華東勘測設(shè)計院有限公司，浙江 杭州310014;3.河海大學(xué)水利水電學(xué)院，江蘇 南京210098)摘要：以月最高氣溫、月最低氣溫、月平均氣溫、平均風(fēng)速、日照時數(shù)以及相對濕度6個氣象因子的不同組合作為輸入數(shù)據(jù),以FAO Penman-Monteith公式計算結(jié)果作為標(biāo)準(zhǔn)值,構(gòu)建基于粒子群優(yōu)化算法與最小二乘支持向量機的ET0預(yù)測模型(PS
水資源保護 2016年4期2016-08-13