论文研究-基于GMDH-PSO-LSSVM的国际碳市场价格预测.pdf,  针对国际碳市场价格预测LSSVM建模输入节点和模型参数难以确定的问题, 建立了基于数据分组处理方法(GMDH)-粒子群算法(PSO)-最小二乘支持向量机(LSSVM)的国际碳市场价格预测模型. 首先利用GMDH算法获得LSSVM建模中的输入变量; 其次应用PSO算法对LSSVM建模中的参数进行优化, 进而使用训练好的LSSVM模型对测试样本进行预测; 最后采用该模型对欧盟排放交易体系(EU ETS)两个不同到期时间的碳期货价格(DEC 10和DEC 12)进行实证分析, 取得了令人满意的效果.

LS_SVMlab工具箱是一个方便的解决最小二乘支持向量机的分类以及回归问题的工具箱，附带工具箱使用方法，方便好用！

最小二乘支持向量机构造的函数链接型神经网络

结合相空间重构理论和统计学习理论.实现混沌时间序列的多步预测.采用微熵率法求得最优嵌入维数和时延参数,重构系统相空间,用最小二乘支持向量机建立混沌时间序列的多步预测模型,并与径向基函数网络预测模型比较.结果表明,所建立的模型能够捕捉到原混沌系统的动力学特征.前者的归一化均方根预测误差远小于径向基函数网络预测模型的预测误差,泛化能力较强,其预测效果较好.

介绍了GRNN与LSSVM算法的应用，利用这两种算法分别计算了煤的组分。

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

用PSO优化LSSVM的参数，得到最优参数，使得分类更加准确。(Using the PSO the LSSVM the parameter, the optimal parameters, more accurate classification. )

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

智能优化算法、神经网络预测、信号处理、元胞自动机、图像处理、路径规划、无人机等多种领域的Matlab仿真代码

LSSVM的特性   1) 同样是对原始对偶问题进行求解，但是通过求解一个线性方程组（优化目标中的线性约束导致的）来代替SVM中的QP问题（简化求解过程），对于高维输入空间中的分类以及回归任务同样适用；   2) 实质上是求解线性矩阵方程的过程，与高斯过程（Gaussian processes），正则化网络（regularization networks）和费雪判别分析（Fisher discriminant analysis）的核版本相结合；   3) 使用了稀疏近似（用来克服使用该算法时的弊端）与稳健回归（稳健统计）；   4) 使用了贝叶斯推断（Bayesian inference）；   5) 可以拓展到非监督学习中：核主成分分析（kernel PCA）或密度聚类；   6) 可以拓展到递归神经网络中。