吴恩达机器学习课程笔记+代码实现(19)Python实现支持向量机(Programming Exercise 6)-附件资源
2021-09-28 15:59:09
106B
1
为了提高矿山安全事故预测的可靠性，在灰色预测模型GM（1, 1）和支持向量机SVM的基础上，提出了矿山安全事故次数的灰色支持向量机G - SVM的组合预测模型。首先采用GM（1, 1）进行数据趋势预测，然后对于残差序列采用支持向量机预测进行捕获，最后将两种模型的结果进行融合，得到组合预测结果。结果表明，组合模型比单一的GM （1, 1）模型和SVM模型具有更高的预测精度。
2021-09-26 16:36:14
852KB
1
根据灰色理论(grey model，GM)所需原始数据少、建模简单、运算方便等优势，以及最小二乘支持向量机(least square support vector machine LS-SvM)所具有的泛化能力强、运算速度快、非线形拟合精度高、参数优化好、小样本等优点，建立了灰色理论和最小二乘支持向量机组合预测模型，并将此模型应用于灌区用水量预测中。预测结果与实际结果吻合良好，验证了所提出组合方法的有效性和实用性，可以作为灌溉用水量预测的有效工具。
2021-09-26 16:32:29
278KB
1
激光诱导击穿光谱技术结合神经网络和支持向量机算法的人参产地快速识别研究.pdf
2021-09-25 17:06:13
1.91MB
支持向量机相关理论源程序及仿真实验，运行平台matlab，以下为程序介绍：
chap3_1.m 第三章的基于SVR的线性系统辨识建模及校验的仿真程序
chap3_2.m 第三章的基于SVR的非线性系统辨识建模及校验的仿真程序
chap4_1.m 第四章的基于SVR的线性系统故障诊断的仿真程序
chap4_2.m 第四章的基于SVR的非线性系统故障诊断的仿真程序
chap8_1.m 第八章的基于SVR的线性系统逆模型辨识建模及校验的仿真程序
chap8_2.m 第八章的基于SVR的线性系统直接逆模型控制的仿真程序
chap8_3.m 第八章的基于LS-SVM的线性系统逆模型辨识建模及校验的仿真程序
chap8_4.m 第八章的基于LS-SVM的线性系统直接逆模型控制的仿真程序
chap8_5.m 第八章的基于SVR的非线性系统逆模型辨识建模及校验的仿真程序
chap8_6.m 第八章的基于SVR的非线性系统直接逆模型控制的仿真程序
chap8_7.m 第八章的基于LS-SVM的非线性系统逆模型辨识建模及校验的仿真程序
chap8_8.m 第八章的基于LS-SVM的非线性系统直接逆模型控制的仿真程序
chap9_1.m 第九章的基于SVR的线性系统内部模型辨识建模及校验的仿真程序
chap9_2.m 第九章的基于SVR的线性系统内模控制的仿真程序
chap9_3.m 第九章的基于LS-SVM的非线性系统内部模型辨识建模及校验的仿真程序
chap9_4.m 第九章的基于LS-SVM的非线性系统内模控制的仿真程序
chap9_5.m 第九章的基于SVR的非线性系统内部模型辨识建模及校验的仿真程序
chap9_6.m 第九章的基于SVR的非线性系统逆模型辨识建模及校验的仿真程序
chap9_7.m 第九章的基于SVR的非线性系统内模控制的仿真程序
chap9_8.m 第九章的基于加权LS-SVM的非线性系统内部模型辨识建模及校验的仿真程序
chap9_9.m 第九章的基于加权LS-SVM的非线性系统逆模型辨识建模及校验的仿真程序
chap9_10.m 第九章的基于加权LS-SVM的非线性系统内模控制的仿真程序
2021-09-24 15:29:45
2.98MB
1
将模糊隶属度概念引入最小二乘支持向量机, 提出一种基于支持向量数据域描述的模糊隶属度函数模型,
将输入空间中的样本映射到一个高维的特征空间; 然后根据其偏离数据域的程度赋予不同的隶属度. 该方法提高了
最小二乘支持向量机的抗噪声能力, 尤其适用于未能完全揭示输入样本特性的情况. 将提出的方法用于催化裂化分
馏塔轻柴油凝固点的软测量建模, 仿真结果表明, 该模糊隶属度函数模型能够提高最小二乘支持向量机的预测精度.
2021-09-24 14:42:41
282KB
1