搜索结果: 1-15 共查到“计算机科学技术 LS SVM”相关记录19条 . 查询时间(0.015 秒)
提出一种迭代再权q 范数正则化最小二乘支持向量机(LS SVM)分类算法。该算法通过交叉校验过程选择正则化范数的阶次q(0LS SVM对比3组癌症数据，实验结果表明，该算法能够实现自适应特征选择，且比LS SVM推广能力强，在算法耗时方面优于LS SVM。
将禁忌搜索和遗传算法相结合，提出一种改进的最小二乘支持向量机(LS-SVM)参数优选方法。利用自适应遗传算法进行全局搜 索，使用禁忌搜索进行局部寻优，由此提高求解速度和解的精度。采用某冶炼厂净化工段的现场数据建立模型进行仿真实验，结果表明，该方法能使LS-SVM模型具有较好的泛化能力，模型精度满足工艺要求。
基于混沌优化的LS-SVM非线性预测控制方法
LS-SVM 混沌优化 预测控制 滚动优化
2010/3/1
针对非线性系统的控制问题，提出了一种基于LS-SVM的预测控制技术。该方法将LS-SVM和非线性预测控制思想有机结合，利用混沌映射的特性，通过引入混沌优化技术对LS-SVM参数进行优化，同时又将其作为滚动优化策略，避免了非线性预测控制中复杂的梯度计算和矩阵求逆问题，仿真研究说明了该非线性预测控制器的有效性及实时性。
LS-SVM误差补偿的广义预测控制
广义预测控制 最小二乘支持向量机 误差补偿
2010/1/28
广义预测控制（Generalized Predictive Control，GPC）汲取了DMC（Dynamic Matrix Control）、MAC（Model Algorithmic Control）中的多步预测优化策略，抗负载扰动、随机噪声、时延变化等能力强，且选取模型参数少，利于控制。然而，据研究发现GPC对模型失配问题有一定的局限性。最小二乘支持向量机（Least Squares Su...
基于PSO的LS-SVM特征选择与参数优化算法
最小二乘支持向量机 特征选择 参数优化 粒子群算法
2010/1/12
针对最小二乘支持向量机特征选择及参数优化问题，提出了一种基于PSO的LS-SVM特征选择与参数同步优化算法。首先产生若干种群（特征子集），然后用PSO算法对特征及参数进行优化。在UCI标准数据集上进行的仿真实验表明，该算法可有效地找出合适的特征子集及LS-SVM参数，且与基于遗传算法的最小二乘支持向量机算法（GALS-SVM）和传统的LS-SVM算法相比具有较好的分类效果。
基于改进LS-SVM的来波方位估计
最小二乘支持向量机 遗传算法 来波方位 估计
2010/3/22
提取已知方位信号的协方差矩阵的上三角部分作为样本特征，构建方位估计模型。针对最小二乘支持向量机最优参数难以选定的问题，采用实值编码的启发式遗传算法，以模型的来波方位估计性能为目标，实现基于高斯核函数的SVM参数优化，提高了来波方位估计精度。实验结果表明，该方法估计精度较高、实时性好，在无线电测向领域具有广阔应用前景。
基于LS-SVM的恒定应力ALT非参数统计方法
加速寿命试验 非参数统计方法 支持向量机 最小二乘支持向量机
2009/10/27
针对某些产品寿命分布未知，无法采用参数方法对其加速寿命试验进行统计分析的问题，建立了基于LS\|SVM的恒定应力ALT非参统计方法，实现了对产品可靠度的预测及相关可靠性特征量的统计。仿真对比和应用实例结果表明，该方法统计精度高，且易于编程实现，适用于寿命分布未知及截尾试验情况下的恒定应力ALT统计分析。
基于LS-SVM算法的混沌时序递推预测
时间序列 预测 最小二乘支持向量机
2009/10/12
研究利用最小二乘支持向量机（LS-SVM）预测变参数混沌时间序列。支持向量机方法是基于结构风险最小化原理导出的，最小二乘支持向量机是一种在二次损失函数下采用等式约束求解问题的支持向量机，保留支持向量机优点的同时计算量大大减少。变参数混沌时间序列预测是典型的小样本学习问题，由于参数的慢变导致系统的动力学特性不断发生变化，全局建模预测方法很难适用，必须在线实时预测。为了快速跟踪预测变参数混沌系统的时间...
基于粒子群优化算法的LS-SVM财务预警
最小二乘支持向量机 粒子群优化算法 模式分类
2009/8/19
提出一种基于粒子群优化算法优化有关参数的最小二乘支持向量机的财务预警模型。通过提出适当的验证性能指标，用粒子群优化算法优化最小二乘支持向量机的有关参数，利用上市公司的财务数据对该方法进行实证财务预警分析。仿真结果表明，该模型的精确度令人满意，该方法是可行且有效的。
镇动信号的趋势预测是设备状态监测与故障诊断中的一个重要内容。随着运行设备的非线性、非平稳特点越来越明显，传统的数学建摸预报方法已不能满足设备的复杂化和现代化要求。提出了一种基于经验模式分解EMD（Empirical Mode Decomposition）和最小二乘支持向量机LS-SVM（Least Square Support Vector Machine）的新模型。首先，运用 EMD 将趋势时间...
基于LS-SVM的石油期货价格预测研究
预测 时间序列 最小二乘支持向量机
2009/7/21
建立了基于最小二乘支持向量机的石油期货价格预测模型。应用该模型对纽约商品交易市场的两种石油期货价格数据进行了预测，并将预测结果与RBF神经网络的预测结果进行了比较。研究结果表明最小二乘支持向量机预测模型具有较高的拟合和预测精度，明显优于RBF神经网络预测模型。
基于RS—LS-SVM的建筑物室内空气品质评价研究
粗糙集 最小二乘支持向量机 室内空气品质评价
2009/7/21
提出一种基于粗糙集（Rough Set，RS）—最小二乘支持向量机（Least-squares-Support Vector Machine，LS-SVM）复合的建筑物室内空气品质评价方法，选取描述室内空气品质的六项监测指标作为评价因子，利用RS理论，对室内空气品质监测数据进行属性约简，消除冗余信息，用约简后的规则集对LS-SVM进行训练，使其达到满意精度。实验仿真表明：该复合方法具有良好的收敛速...
基于LS-SVM的测井物性参数的预测方法
孔隙度 渗透率 饱和度
2009/6/23
支持向量机（SVM）是近年来发展起来的一种通用的机器学习方法，在小样本数据的拟合中已获得了很好的效果。采用新型的支持向量机——最小二乘支持向量机（LS-SVM）对孔隙度、渗透率和饱和度进行了预测，获得了满意的结果。该方法易于使用，很少受不确定性因素的影响，并具有较强的信息整合能力以及更高的预测准确性。
利用最小二乘支持向量机(LS-SVM)可以不考虑摄像机具体的内部参数和外部参数实现摄像机的标定。由于镜头的畸变主要由径向畸变引起，根据摄像机畸变特点对畸变区域进行划分，提出一种基于分割区间LS-SVM的摄像机标定法，对不同的畸变区域进行单独处理。该方法与BP神经网络和基本LS-SVM预测结果对比表明，分割区间LS-SVM摄像机标定法误差小、速度快、标定精度高。