为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。

为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。

针对当前瓦斯实时监测工作存在的被动局面,结合当前的无线传输技术,提出一种基于CAN+ZigBee的瓦斯实时监测系统。系统中,以ZigBee+CC2530作为采集节点,完成巷道内空气湿度、风速、瓦斯浓度等的采集,并通过ZigBee路由节点将数据传输给后台监控主机。最后通过多源信息融合技术和GA-SVM完成对瓦斯浓度的预测。以某煤矿巷道作为研究对象,对其瓦斯浓度的实际值与测量值进行对比,得到其两者变化趋势大致吻合,验证了方案的可行性。

PSO SVM粒子算法优化的支持向量机,pso粒子群优化算法,matlab源码

鉴于传统单一预测对非平稳信号处理不佳且滤波不足、预测精度不够等缺点,提出基于SVM-Wavelet组合算法对通风机进行故障预测,运用小波进行信号滤波和特征提取,结合SVM训练样本建立模型,最终在与Matlab无缝连接的Lab VIEW上位机软件中实现模型预测。

SVM-Light详细使用说明，资料，SVM使用必备

基于SVM的人脸识别程序 用MATLAB编写 简单易懂

灰狼优化算法GWO优化SVM支持向量机惩罚参数c和核函数参数g，有例子，易上手，简单粗暴，替换数据即可，分类问题。 仅适应于windows系统

机器学习--贷款违约行为预测（基于逻辑回归和朴素贝叶斯和随机森林及SVM四种方法实现，资源包含完成则代码及数据，数据3万余条记录

为了解决矿井涌水量预测难题,在Grid-Search_PSO优化SVM参数的基础上,采用SVM非线性回归预测法,对大海则煤矿1999~2008年7月份的矿井涌水量进行了预测。分析对比SVM回归预测法和ARIMA时间序列预测法预测结果的数据误差,发现SVM回归法预测值与实测值之间的偏差比ARIMA时间序列法要小很多。可见在影响矿井涌水量各种因素值具备的情况下,SVM非线性回归预测所建立的模型能够更准确地预测矿井的涌水量,在矿井安全生产中具有很大的应用价值。