共查询到20条相似文献，搜索用时 406 毫秒
1.
支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。 相似文献
2.
支持向量机(Support Vector Machine,SVM)是一种新型机器学习方法,是一种建立在统计学基础上的分类器。首先简述了统计学习理论的主要内容,然后介绍并分析了支持向量机的工作原理、经典算法以及基本思想,归纳了支持向量机在化工生产、人脸识别、石油期货价格预测、高光谱反演、水资源质量分类评价等方面的应用。 相似文献
3.
为了提高文本分类的准确性和效率,提出了一种基于潜在语义分析和超球支持向量机的文本分类模型.针对SVM对大规模文本分类时收敛速度较慢这一缺点,本文将超球支持向量机应用于文本分类,采用基于增量学习的超球支持向量机分类学习算法进行训练和分类.实验结果表明,超球支持向量机是一种解决SVM问题的有效方法,在文本分类应用中具有与SVM相当的精度,但是明显降低了模型复杂度和训练时间. 相似文献
4.
5.
支持向量机(Support Vector Machines)方法,简称SVM方法。SVM方法是计算机学习的一种新方法,是基于历史数据建立预报预测模型的有效工具。这一方法数学推导严密,理论基础坚实,已经成为预测预报、模式识别、计算智能等领域的热点技术,受到了国内外的广泛关注。作为月降水定量预报方法的尝试,利用那曲县及安多县的月平均常规气象资料及74个环流场资料,利用国家局陈永义老师等开发的支持向量机学习建模预报软件平台(SVM2.0)作了那曲县月降水量预报试验,其结果显示出了该方法有一定的预报能力。 相似文献
6.
针对灰度图像中的人脸检测问题,提出了一种基于多种支持向量机的决策融合检测方法。该方法首先用传统的二类支持向量机(C—SVM)和单类支持向量机(One-Class SVM)分别对图像进行检测,然后决策融合两种分类器的检测结果。在MIT CUM人脸库上的实验结果表明,该方法具有良好的检测效果和较低的虚警率。 相似文献
7.
8.
论述了支持向量机SVM(support vector machine)的分类和回归算法,并对SVM在信息化装备状态趋势预测方面的应用进行了可行性分析,指出了传统预测方法的不足和SVM的优点,展望了SVM在信息化装备状态趋势预测方面的研究前景. 相似文献
9.
为了解决传统径向基网络结构确定难和故障样本不足的问题,本文结合支持向量机（Support Vector Machine,SVM）在解决小样本数据集及非线性问题上的独特优势,提出了一种基于支持向量机的径向基网络故障诊断方法：并将该方法应用在滚动轴承的故障诊断上,实验结果表明该方法不仅可以提高径向基网络的训练速度,而且还可以获得更准确的诊断结果。 相似文献
10.
11.
12.
针对传统的支持向量机在分类中不能够逼近任意的分类界面,而造成分类精度低的问题,本文在传统的支持向量机核函数基础上,提出了一种基于遗传算法优化的支持向量机结构模型,并将该方法应用在DNA序列分类上。实验结果表明了本文算法在同等条件下要比传统的SVM分类方法具有更加优越的特征提取性能。 相似文献
13.
14.
对影响电力负荷因素之间的非线性,有效提高电力负荷的预测精度,本文提出了一种最小二乘支持向量机(LSSVM)和粒子群优化技术(PSO)相结合的电力负荷预测方法。以历史负荷数据气象因素等作为输入,建立预测模型,对未来时刻电力负荷进行预测。该模型利用结构风险最小化原则代替传统的经验风险最小化,以充分挖掘原始数据的信息,并采用粒子群优化算法来优化最小二乘支持向量机的参数,旨在提高预测模型的训练预测精度。实际算例表明,使用PSO-LSSVM方法进行电力负荷预测,具有良好的可行性和有效性,与BP神经网络和LSSVM方法的预测结果相比,所提出的PSO-LSSVM模型预测平均误差仅为0.85%,具有更高的精度,适用于电力负荷预测。 相似文献
15.
讨论了支持向量机中高斯核函数中参数σ对支持向量机学习预测性能的影响,指出高斯核函数具有描述样本相似程度这一性质,通过数值实验给出一种选择高斯核函数的方法——拐点法。然后针对石油地质勘探的实际问题,将支持向量机运用测井曲线预测储层参数,同时与反向传播神经网络函数逼近法预测进行比较,结果表明该方法预测精度高、方法稳定有效,支持向量机较好的解决了小样本测井勘探的实际问题。 相似文献
16.
提出一种遗传算法优化支持向量机算法的网络安全检测方法。混合算法能够直接得到分类超平面的系数,采用最优支持向量机模型对归一化后的网络数据进行检测,最终得到网络入侵结果。本文通过对比分析传统的SVM网络安全技术,验证了GA-SVM技术的优越性。 相似文献
17.
支持向量机原理及其在模式分类中的应用 总被引：1，自引：0，他引：1
支持向量机是一种突出的小样本数据分析方法,它基于结构风险最小化原则,在一个高维特征空间中构造最优分类超平面,在解决很多实际问题中具有优于其他方法的特点,本文介绍了支持向量机原理及其在模式分类中多方面的应用,并阐述了SVM在算法上的最新研究。 相似文献
18.
最小二乘支持向量机（least squares support vector machine,LS—SVM）具有很好的非线形逼近能力和泛化能力,通过研究逆模型存在的条件,提出了基于LS—SVM的逆模型辨识方法。仿真结果表明基于LS—SVM的逆模型辨识方法在处理非线性对象时,辨识精度、辨识速度、泛化能力都要强于BP算法。 相似文献
19.
基于支持向量机的外贸出口预测 总被引：4，自引：0，他引：4
针对支持向量机(SVM)方法所具有的拟合精度高、推广能力强、全局最优且针对小样本等特点,本文将SVM回归建模方法引入到外贸出口预测中,对出口时间序列建立预测模型,并利用此法对重庆摩托车出口进行了预测,对其预测性能进行了验证比较。结果表明,SVM方法对非平稳的小样本出口时间序列数据有良好的建模和泛化能力,且可达到较高的预测精度。 相似文献