共查询到10条相似文献,搜索用时 15 毫秒
1.
2.
针对传统单一灰色最小二乘支持向量机(GLSSVM)高程拟合方法的不足以及LSSVM模型参数选择的随机性,该文提出了一种基于PSO-GA算法优化的灰色最小二乘支持向量机高程拟合模型。模型将灰色模型与最小二乘支持向量机模型相结合,建立GLSSVM模型,并结合粒子群算法与遗传优化算法寻找GLSSVM模型的最优参数组合。为进一步验证提出模型的可靠性与有效性,通过具体工程实例,并将拟合结果分别与粒子群算法优化的最小二乘支持向量机模型(PSO-GLSSVM),遗传算法优化的最小二乘支持向量机模型(GA-GLSSVM)及单一GLSSVM模型进行对比分析,结果表明,PSO-GA-GLSSVM模型拟合精度更好,可靠性更高,为高程拟合研究提供了一种思路。 相似文献
3.
4.
基于SVR的GPS高程拟合模型研究 总被引:2,自引:0,他引:2
研究基于支持向量机回归(SVR)的GPS高程拟合模型,介绍SVR的基本原理,在选择不同样本量的情况下与多项式曲面拟合方法进行比较.试验结果表明,支持向量机回归方法的精度优于曲面拟合方法,尤其在小样本条件下,能够利用有限的样本信息获得最好的学习效果和泛化能力,比常规方法更具优越性. 相似文献
5.
基于核主成分分析和粒子群优化支持向量机的滑坡位移预测 总被引:3,自引:0,他引:3
利用核主成分分析法对滑坡位移影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,其中模型参数通过粒子群算法进行选择优化,构建出核主成分分析和粒子群优化支持向量机协同模型,对滑坡相对位移进行预测.预测结果的平均绝对误差和相对误差分别为0.760和7.563%,与其他预测模型相比,其拟合和泛化能力最优,表明核主成分分析和粒子群优化支持向量机协同模型的预测结果与实际监测值具有很好的一致性. 相似文献
6.
7.
8.
讨论了利用粒子群优化(PSO)算法来优化选择支持向量机(SVM)参数的原理,分析了三种方法在地表沉降预测中的实例,结果表明PSO-SVM模型预测精度高。 相似文献
9.
本文论述了支持向量机的回归算法,提出了基于支持向量机的GPS高程异常拟合方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的GPS高程异常模型.以实例数据讨论了基于支持向量机的GPS高程异常分析方法.研究表明:用支持向量机技术建立GPS高程异常模型是可行的和有效的. 相似文献
10.
分析在基于最小二乘支持向量机的卫星钟差预报中样本数据预处理的必要性,列举了归一化、标准化和相邻历元一次差3种数据预处理方法。然后结合实例,对比分析不同数据预处理方法对基于最小二乘支持向量机的钟差预报精度的影响,得出不同方法对钟差预报精度的影响不同,其中,基于一次差方法的预报精度最高。最后,将基于一次差方法的最小二乘支持向量机预报模型与常用的二次多项式模型和灰色系统模型进行比较,结果表明,最小二乘支持向量机模型的预报效果明显优于两种常规模型。 相似文献