利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月~2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月~2006年12月Nino3区逐月海温...利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月~2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月~2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果。结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度。资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感。展开更多
针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了...针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了泡沫浮选矿浆酸碱度的软测量.将不同特性的核函数凸组合以提高模型性能,并采用最近邻山峰聚类算法约简核矩阵,降低计算复杂度,利用偏最小二乘回归提高模型鲁棒性.工业运行数据仿真结果表明,建立的软测量模型能够连续在线检测矿浆的酸碱度,并获得了比标准LSSVR、加权LSSVR及多核LSSVR更高的预测精度,可满足工业要求.展开更多
最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LS...最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。展开更多
文摘利用最小二乘回归支持向量机LS-SVMR(least square support vectors machines for regression)对2个不同长度的时间序列资料,国家气候中心1982年1月~2005年12月Nino3区逐月海温距平指数(短序列),及1950年1月~2006年12月Nino3区逐月海温距平指数(长序列)资料进行了预测试验,以验证支持向量机对气候变化中非线性时间序列的预测效果。结果表明:通过训练建立的最小二乘回归支持向量机模型,较好地反映了Nino3区海温距平指数的变化规律,36个月的预报效果较好,具有一定的可信度。资料的长度越长,预测结果与实测值的变化趋势越接近,但资料长度对均方根预报误差不敏感。
文摘针对酸碱度在线检测仪稳定性差、维护保养成本高等不足及人工检测严重滞后的问题,结合泡沫浮选工艺机理分析,以在线泡沫视频图像表观特征为辅助变量,采用最小二乘支持向量回归机(Least Squares Support Vector Regression,LSSVR)实现了泡沫浮选矿浆酸碱度的软测量.将不同特性的核函数凸组合以提高模型性能,并采用最近邻山峰聚类算法约简核矩阵,降低计算复杂度,利用偏最小二乘回归提高模型鲁棒性.工业运行数据仿真结果表明,建立的软测量模型能够连续在线检测矿浆的酸碱度,并获得了比标准LSSVR、加权LSSVR及多核LSSVR更高的预测精度,可满足工业要求.
文摘最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)通过求解一个线性等式方程组来提高支持向量机(Support Vector Machine,SVM)的运算速度。但是,LSSVM没有考虑间隔分布对于LSSVM模型的影响,导致其精度较低。为了增强LSSVM模型的泛化性能,提高其分类能力,提出一种具有间隔分布优化的最小二乘支持向量机(LSSVM with margin distribution optimization,MLSSVM)。首先,重新定义间隔均值和间隔方差,深入挖掘数据的间隔分布信息,增强模型的泛化性能;其次,引入权重线性损失,进一步优化了间隔均值,提升模型的分类精度;然后,分析目标函数,剔除冗余项,进一步优化间隔方差;最后,保留LSSVM的求解机制,保障模型的计算效率。实验表明,新提出的分类模型具有良好的泛化性能和运行时间。
