支持向量机预测煤层含气量

灰色神经网络与支持向量机预测模型研究，参考文献

：对变压器油中溶解气体进行预测有助于及时预测变压器的故障。提出一个基于支持向量机(supportvectormachine，SVM)的变压器故障组合预测模型及其求解步骤。在预测过程中，首先利用多个单一

这是一个基于PSO-LSSVM的负荷预测程序。用粒子群算法优化支持向量机的参数。

在机器学习领域，决策树和支持向量机是两个常用的预测模型。决策树是一种基于树形结构的分类模型，支持向量机则是一种二分类模型，可以用于非线性分类和回归分析。本文将详细介绍这两种模型的原理和应用场景，并给出

使用粒子群优化算法对支持向量机分类模型进行优化，实现高效准确的数据分类预测。通过多输入单输出的改进算法，提高模型精度和泛化能力。输出预测值对比真实值的混淆矩阵图，让结果更加直观。适合初学者学习，且易于

故障预测对煤矿机械的预知维修具有很重要的指导意义。闸瓦间隙是煤矿提升机的重要参数,通过采用基于最小二乘支持向量机的数学方法对煤矿提升机的闸瓦间隙进行故障预测,从而预测了煤矿提升机的故障发生时间。该研究

基于支持向量机的溷沌时间序列预测,该资料主要讲述了支持向量机和混沌理论的组合方法在时间序列预测上的应用，不错！！！

基于包钢6号高炉的在线生产数据,首先建立铁水硅含量序列的自回归AR(p)模型,分析其滞后阶数;然后对硅含量的自回归项及影响因素进行主成分分析,找到多元变量相互独立的有效信息作为输入变量;最后建立铁水硅

支持向量机matlab工具箱（含资料及gui模式）用于分类和回归预测

支持向量机SVM，回归。