暂无评论
本代码主要利用MATLAB工具进行SVM神经网络的回归预测分析的仿真，实现上证开盘指数预测的模拟
泵站管道振动响应预测资料，基于PSO_SVM算法的梯级
由于国际铀资源价格时间序列数据的非线性性与非平稳性，使用单一的预测模型很难捕捉到其综合趋势。为了进一步提高模型的预测精度，建立了基于差分自回归移动平均（ARIMA）和支持向量机SVM的组合预测模型，并
针对客户流失数据集的非平衡性问题和错分代价的差异性问题，将代价敏感学习应用于Veropoulos提出的采用不同惩罚系数的支持向量机，建立客户流失预测模型，对实际的电信客户流失数据进行验证。通过与传统S
为适应微网的建设和发展对其负荷预测效率及精度的要求，提出一种基于变概率混合细菌觅食优化算法（VHBFO）优化支持向量机（SVM）的微网短期负荷预测模型。首先利用CEEMD将非平稳的负荷序列按照不同波动
针对厚松散层薄基岩矿区开采沉陷变形预计中存在的下沉系数偏大问题,以23个开采工作面的地质采矿条件及其下沉系数为学习和测试样本,将文化-随机粒子群算法(CA-rPSO)和支持向量机(SVM)相结合,利用
基于GA-SVM 的高压输电线路弧垂预测模型
以锰酸锂动力电池为研究对象,对电池处于不同温度和荷电状态下的情况进行10 s峰值功率测试,同时测量电池内阻。对实验测试得到的温度、荷电状态、内阻及峰值功率数据进行统计分析,包括测试变量间的相关程度评估
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
针对目前常用的预测模型存在一定的问题,建立支持向量机预测模型,并将遗传算法与蚁群算法有效结合。用此组合算法对支持向量机模型参数优化。最终将建立的模型与单独两种算法所优化的模型进行精度对比。实例表明,组
暂无评论