张真真[1]2008年在《支持向量机在大坝安全监测资料分析中的应用》文中进行了进一步梳理随着水资源的开发与利用,大坝的安全问题日益突出,正确地预报大坝安全监测量,对指导大坝安全运行和辅助决策具有重要的作用。大坝安全监控模型是分析、评价大坝性态的主要工具,在大坝安全监测中发挥着重大的作用,大坝安全监测资料分析及安全监测模型的建立是安全监测工作的最终价值体现。本文在分析传统的大坝监控统计模型上,利用一种数据挖掘中的新方法——支持向量机,建立了基于支持向量机的大坝安全监测统计模型,实际应用表明,将支持向量机应用于大坝安全监测资料分析是成功的。本文主要研究成果:(1)在大坝安全监测的建模分析中,建模因子主要考虑水压、温度、时效等因素,并以此建立其与效应量间的复杂关系,最小二乘回归统计方法是常用模型方法,但这种线性统计模型一般很难反映这种复杂关系,而支持向量机,通过引入核函数,将输入空间中的非线性问题映射到高维特征空间中在高维空间中构造线性函数判别,是一种很好的非线性模型,因此,本文建立了基于支持向量机的大坝安全监测统计模型。(2)支持向量机是求解一个凸二次规划,计算复杂,计算速度慢,最小二乘支持向量机采用等式约束替代不等式约束,加快了求解速度。因此,本文建立了最小二乘支持向量机大坝安全监测统计模型,加快了求解速度,减少了计算资源,比传统的支持向量机模型更具推广力。(3)针对大坝安全监测中,因子间的多重相关性,以及模型的非线性特点,本文将偏最小二乘回归与最小二乘支持向量机耦合,建立大坝安全监测模型。利用偏最小二乘回归对影响大坝渗流和变形的诸多因素进行分析,提取对因变量影响强的成分,从而克服了变量间的多重相关性问题,降低了最小二乘支持向量机的输入维数。实例分析表明,偏最小二乘支持向量机的学习训练效率比最小二乘支持向量机有较大的优势,更适合于大规模的数据建模。
高美娟[2]2005年在《用于储层参数预测的神经网络模式识别方法研究》文中研究表明石油的产生有着不可重复性,不可实验性的特点。人们对地下油气储层的认识存在相当程度的模糊性和不确定性。由于某些不正确的认识会带来巨额生产资金消耗。研究准确识别与预测储层及参数空间变化的方法,在油气勘探开发中都具有重要的实际意义,可以提高生产效益,为国家节约巨额的资金。本文以油田的科技攻关项目为背景,以准确、清晰地再现地下油气储层及参数空间展布,提高油气勘探开发的准确率,节约生产成本,提高生产效率为目标,将计算机模式识别技术和现代预测理论与石油生产相结合,围绕对地下油气储层及参数的识别与预测进行一系列的研究工作。主要内容如下:1.在系统分析研究人工神经网络原理的基础上,对误差回传神经网络(BP)的结构、计算公式进行了深入研究。针对地下储层参数与地震特征参数是复杂的非线性关系,很难用精确的表达式表示出来这一问题,指出了神经网络以其自身的非线性逼近能力是解决上述问题的有利工具,同时给出了神经网络进行储层参数预测的过程描述。2.在深入分析径向基函数(RBF)神经网络和遗传算法理论的基础上,提出了一个基于自适应遗传算法的径向基函数神经网络的结构优化算法,并将该算法成功地应用于储层参数的横向预测,取得了非常好的效果。该算法将基函数的中心参数和宽度参数编成染色体,将网络结构优化和参数学习分两个阶段进行,训练和进化。先用梯度下降法学习某一染色体对应的网络的中心和宽度参数,而后用最小二乘法学习网络的线性权值和偏移常数;再用遗传进化算法优化隐节点数。通过这两个过程的交替进行,得到满足误差要求的具有最小隐节点数的并且隐节点基函数具有不同宽度参数的RBF神经网络。3.深入研究分析小波变换理论和边缘检测原理,并将地震数据剖面看成是二维数字图像,地震剖面上的反射界面相当于二维数字图像的边缘。首次提出将小波变换模极大边缘检测技术应用到地震剖面图像的特殊处理上,使用于储层研究的地震资料具有较高的质量,即高信噪比、高分辨率。从而使计算机能更准确、可靠地预测储层参数的空间展布,提高勘探开发的精确度。用该方法对实际资料进行了处理,取得了较好的效果。4.在深入研究分析小波神经网络的结构、性质、算法和逼近能力的基础上,同时通过小波神经网络与常用网络的比较,提出了用于储层参数预测的小波神经网络优化算法,得到了较为优化的网络结构,并给出了系统的学习算法。由于人工神经网络具有自学习、自适应、鲁棒性、容错性和扩充性能,而小波分析具有时频局部特性和变焦特性,将两者的优势相结合,使得小波神经网络具有较强的逼近、容错能力。实际资料预测表明,本文提出的用于储层参数预测的小波神经网络具有收敛速度快,逼近非线性能力强的优点。5.在深入分析模糊系统理论和神经网络的基础上,针对神经网络和模糊系统各自的优点和不足,对模糊系统和神经网络的融合技术进行了深入研究,结合火山岩储层识别预测的特点和难点,提出了用于火山岩储层识别预测的模糊神经网络系统,同时给出了系统的结构和参数学习算法及识别预测火山岩储层的步骤。在方法研究过程中,充分利用现有的样本数据,发挥神经网络的自适应学习能力和模糊系
张扬[3]2009年在《城市路网交通预测模型研究及应用》文中认为随着城市经济的不断发展和私家车的急速增多，传统的交通模式在现代交通中遇到了越来越多的问题，如交通拥堵、空气污染、交通事故等。采用不断修建新道路的方法来缓解巨大的交通压力已不切实际。为了应对这些棘手问题，智能交通系统（Intelligent TransportationSystems，简称ITS）被引入到动态交通管理中，而且得到了快速发展。结合信息技术和交通理论，智能交通系统被用于道路交通控制、交通诱导等各个方面。经过近些年的应用，在缓解交通拥堵、提高出行效率等方面，ITS显示出巨大的潜力。作为ITS的一个分支，交通预测在智能化管理和动态控制中始终占有重要地位。对交通路网的动态控制，依赖于短时/中时交通状态预测的效果。对不同时间间隔的实时交通状态的连续预测能力是交通管理系统提供动态交通控制的必要需求。准确的交通预测模型对于更好地分析路网交通状况，规划交通网络和实现交通优化控制策略都有十分重要的作用。近几十年来，不同领域的研究者从各自的角度对交通预测的特性进行了分析，并建立了许多模型。本文以现有的交通预测模型为基础，分析了多种主要模型的优缺点，并提出了改进的预测模型。采用两种道路网络的真实交通数据，本文对各种模型进行了深入的分析，并比较其效果，初步探讨了交通预测建模在路网交通状态分析中的应用。一方面，城市道路交通分高速路网和城市主干道路网两种情况，本文对这两种路网分别进行了研究；另一方面，按照交通状态数据不同的时间间隔，本文同时检验了中时和短时预测两种情形，并对模型进行了对比研究。论文的主要工作如下：1.通过所获得的路网交通状态数据，充分利用空间-时间交通信息，可以对路网的交通运行状况作出准确的判断，给出更合理的预测。本研究通过美国高速公路评测系统（FreewayPerformance Measurement System，简称PeMS）网站获取了加利福尼亚洲际高速路网的行程时间指数（Travel Time Index，简称TTI）数据，对整合后的1-小时间隔的交通数据进行研究，实时分析了高速路网的整体运行状况。同时，本文还针对城市道路网络中的交通流数据进行了相关研究，利用悉尼交通自适应协调系统（Sydney Coordinated AdaptiveTraffic System，简称SCATS）所获取的上海市徐汇区衡山路、吴兴路路段15-分钟间隔交通流量数据，对城市主干道路网的交通状况建立了预测模型。2.选择时间间隔不同的两个交通数据源可以更全面地分析各种预测模型的性能，考虑到交通数据的不完备性问题，本研究提出两种不同的方法对路网交通状态作出分析。其一是对所获取的路网数据进行适当整合，对整个道路网络的交通状况进行宏观判断；其二是从微观角度出发，以路网中各路段的拓扑关系为基础，进行交通状态参数的相关性分析，运用时空信息进行交通预测。选择两种交通数据可以分别验证这两种分析方法，实验采用了绝对平均误差（Mean Absolute Error，简称MAE）、均方根误差（Root Mean SquareError，简称RMSE）、平均绝对百分误差（Mean Absolute Percentage Error，简称MAPE）和绝对百分方差（Variance of Absolute Percentage Error，简称VAPE）等对各种预测模型进行误差分析和比较。3.以源自两种路网的交通状态数据为基础，对基本预测模型进行分类研究，提出时空状态空间法与模型相结合的方法，验证了最小二乘支持向量机模型（Least Squares SupportVector Machines，简称LS-SVM）和T-S模糊预测模型（Fuzzy T-S）两种非参数预测模型的有效性。同时，分析了卡尔曼滤波预测模型（Kalman Filtering，简称KF）、自回归移动平均模型（Autoregressive MovingAverage，简称ARMA）、历史平均模型（Historical Mean，简称HM）、线性最小二乘回归模型（Linear Least Squares Regression，简称LLSR）、径向基函数神经网络模型（Radial Basis Function Neural Network，简称RBF-NN）和支持向量回归模型（Support Vector Regression，简称SVR）的预测性能，考察了多种模型参数，进行实验比较，并采用多种误差标准对其分析。4.以获取的两种交通数据和对基本预测模型的分析为基础，考虑到基本模型预测各自的特点具有优势互补性，以及组合预测模型能够有效减少单个模型预测过程中一些环境随机因素的影响等特点，并以交通信息发布、处理的实时性要求为依据，在交通领域改进并发展了线性组合预测的思想，并详细验证了六种线性组合方法：等权值预测法（EqualWeights，简称EW）、最优权值预测法（Optimal Weights，简称OW）、最小绝对值误差法（Minimum Error I&II，简称ME I&ME II）和最小方差法（Minimum Variance I&II，简称MV I&MV II）。通过多个误差标准对202种组合模型进行的误差分析和性能比较证明，2-模型线性组合预测的预测精度和稳定性都要优于基本预测模型。5.受变权值线性组合预测模型的启发，同时考虑到交互式多模型（Interacting Multiple Model，简称IMM）在混合系统估计中表现出的相似特点，本文提出了IMM组合预测模型。IMM算法的递归性、模块化、计算量固定这叁个理想的特性决定了它可以用于实时交通状态预测。而且，使用IMM选择多个预测模型进行组合符合交通信息处理的要求。采用两种时间间隔不同的交通数据，实验通过排列组合研究了所有基本模型的各种IMM组合，并与基本模型和线性组合模型作出比较，其分析结果证明了2-模型IMM组合预测的有效性和鲁棒性。
虞国全[4]2007年在《基于支持向量机的智能故障诊断技术研究》文中提出支持向量机和神经网络都是目前关于机器学习技术的研究热点。不同的是，前者是基于结构风险最小化原理，后者基于经验风险最小化原理。两者都非常适合故障诊断，但后者实现故障诊断必须有大量的故障样本，同时还有训练速度慢、结构确定难、容易陷入局部极小、泛化能力差等缺点，而前者不仅能解决小样本的问题，并且还有全局最优、泛化能力强等优点。针对它们的优缺点，本文从支持向量机理论与方法出发，结合径向基神经网络，提出了基于支持向量机的径向基网络的设备智能故障诊断方法，并通过实例验证了该方法的有效性。本文从支持向量机和径向基神经网络的基本理论的出发，研究了支持向量机和径向基神经网络的技术特点及其优缺点。研究表明，支持向量机是一种凸优化问题，其解具有全局最优的特点，同时具有很强的泛化能力；径向基网络具有最佳逼近和全局最优等优点，不足的地方就是网络结构、隐层结点数和中心确定较难，泛化能力差。支持向量机最初是从线性可分和两类的分类情况下提出的，并发展成用来解决非线性和多类模式识别问题的有效手段。本文中主要介绍了用于处理此类问题的“一类对余类”的支持向量机。在此基础上，提出了基于SVM的径向基网络智能故障技术，将它们用于设备的智能故障诊断中。本文主要提出基于支持向量机的特征变换与径向基网络的诊断方法、基于支持向量机的结构优化的径向基网络的诊断方法和基于支持向量机的特征变换与结构优化的径向基网络相结合的智能诊断方法。通过对齿轮的故障诊断实例进行对比分析，得出如下结论：(1)基于支持向量机特征变换的径向基网络诊断方法可以简化样本数据的维数，提高径向基网络的训练速度，并获得更准确的诊断结果：(2)基于支持向量机的结构优化径向基网络故障诊断方法可以简化网络结构，提高网络的训练速度。(3)基于支持向量机特征变换与结构优化径向基网络相结合的诊断方法不仅可以简化样本数据的维数，而且可以简化径向基网络的网络结构，进一步提高了网络的训练速度，获得更准确的诊断结果。
边后琴[5]2002年在《基于支持向量的径向基函数神经网络的训练算法》文中认为径向基函数神经网络是一种结构简单、训练简洁、应用广泛的人工神经网络。网络性能好坏的关键在于中心的选取。中心的数量即隐层节点数量选得太多，容易导致过拟合，使得推广能力下降；中心数选得太少，所学习的网络对样本中包含的信息学习得不充分，也会使得推广能力下降。近年来，已经发展了多种中心选择算法，但是这些算法在推广能力方面存在一定的缺陷，并且这些中心选择算法大多数用于非线性函数的逼近学习中。在实际应用中，尤其是在解决分类问题的应用中，RBF网络的优势在于用线性学习算法来完成以往非线性学习算法所做的工作，同时又能保持非线性算法的高精度等特性。因此，它是一种既具有线性算法收敛快的特性，同时又拥有非线性算法所具有的准确率高等特点的神经网络。但是，在解决较高维数数据分类问题时，用以往的中心选择方法确定的网络在推广能力上的缺点很明显。支持向量机是一种基于VC理论的创造性学习方法，它能够使期望风险最小化，具有较强的推广能力。所以，挖掘这种学习机模型与传统的学习机模型之间的差异和相似之处，来提高传统学习模型的推广能力，同时拓宽新模型的应用范围，这将具有非常重要的意义。 本文主要由两部分组成： 第二章首先比较了在处理线性分类问题方面SVM方法和传统的单层感知器之间的差异；然后通过详细阐述非线性SVM方法，得出非线性SVM方法所产生的决策函数类似于传统的RBF网络分类器的结论；接着具体地论述了本文提出的RBF网络的中心概念，通过两个特殊例子说明对于高度非线性分类样本，可以找到非线性函数将样本映射到特征空间，在特征空间中可以找到超平面对样本进行线性分割，并用传统的选中心方法即K-均值法得到的RBF网络对这种少量的非线性样本进行分类，实验表明对于这样高度非线性样本得到的测试精度很低，这进一步直观地证明了本文RBF网络中心选择算法的优势；最后基于这种观点提出了一种径向基函数网络训练算法。 第叁章通过对几种模式识别数据的实验，表明对于非线性分类数据，采用非线性支持向量方法产生支持向量集，然后用支持向量集作为网络的中心集，用最小二乘的方法训练权值来构造RBF网络的方法，能够得到具有较好的推广能力网络的结论。
刘青[6]2012年在《人工神经网络遥感影像分类系统的设计与实现》文中研究指明遥感图像分类一直是遥感研究领域的重要内容,如何解决多类别图像的识别并满足一定的精度,是遥感图像研究中的一个关键问题。神经网络技术的发展为解决这一问题提供了新的方法,它具有学习能力和容错特性并且无须就概率模型作出假定,适用于空间模式识别的各种问题的处理,因此神经网络技术正在被越来越普遍的应用于遥感图像分类的研究。在神经网络的不同算法中,应用和研究最多的是反向传播人工神经网络模型(简称BP网络)和径向基网络(简称RBF网络),但它们都存在无法对其推理过程和推理依据进行解释的问题。就国内对BP和RBF网络进行遥感影像分类的研究情况来看,主要技术方向分为利用专业遥感软件所提供语言进行神经网络算法的二次开发和利用Matlab神经网络工具箱+专业遥感软件的方法,但这两种方法都存在其缺点,第一种方法对于人工神经网络初学者而言难以实现,不便于初学者对网络性能的学习和研究,第二种方法虽然降低了人们对人工神经网络的上手难度,但却给遥感数据的管理带来了不便。本文首先针对人工神经网络结果难以解释的问题,模拟其对遥感影像数据的分类过程,结合特征向量在特征空间中的可分离度,线性关系和概率密度人为构造了16组不同的模拟数据,对BP和RBF网络的输入输出特性进行了研究,分析了不同条件下的特征向量对两种网络分类性能的影响,并通过实验给出了两种网络和模糊推理能够共同使用的原因,为后续Matlab分类系统的构建提供了实验依据和特征选择的一般性原则；其次,针对国内学者对BP和RBF进行研究时所采用的主要技术路线及其缺点,在两种网络输入输出特性研究的基础上,仿照专业遥感软件的监督分类过程,利用Matlab平台结合人工神经网络工具箱,设计并实现了遥感影像监督分类中特征分量的计算,特征向量构成和多块、多边形训练区域选取,分类结果后处理和精度评估等多功能集成的遥感影像分类系统,整个系统程序编写的最大特点在于采用模块化思想,可以根据实际分类问题的需要,更换分类器类型,特征提取和精度评估等相应算法模块；最后,以TM影像及其光谱特征数据作为研究对象,利用本文所开发的分类系统对BP网络和RBF网络进行了分类实验,并从两种网络原始分类数据的概率密度分布情况入手,对网络分类效果进行了对比,从实践的角度证明了该分类系统的有效性。通过对原始分类结果的概率密度曲线分析,可以初步判定分类结果是否能够利用模糊推理处理后得到理想的分类结果,同时,结合概率密度曲线的分析结果,对网络期望值逼近程度和收敛程度进行了说明。
殷菲[7]2004年在《支持向量机在新生儿黄疸诊断预测中的应用》文中研究表明新生儿黄疸预测模型 目的 现有的用于分类问题的方法的重要基础是传统统计学,前提是足够多样本,当样本数目有限时难以取得理想的效果。因此当传统分类方法用于新生儿黄疸预测问题时,未必能取得好的效果。支持向量机是一种新的分类学习算法。本研究应用支持向量机建立预测模型,对新生儿黄疸进行预测,同时也用概率神经网络方法建立预测模型对同样的数据进行预测,比较两种方法的预测效果。 方法 应用支持向量机理论建立新生儿黄疸诊断预测模型。为了防止发生过度拟合,在模型拟合过程中运用了交叉验证的方法。同时,建立基于概率神经网络的预测模型,并且对两种模型的预测结果进行比较。 结果 支持向量机的分类结果与实际情况吻合得较好。支持向量机的分类误差与概率神经网络相近,但支持向量机的使用较概率神经网络简单。 结论 支持向量机正在成为机器学习领域的一个新的热点,用支持向量机来解决分类问题是一种新的视角,有着光明的前景。
崔少泽, 王杜娟, 王苏桐, 夏江南, 王延章[8]2018年在《基于GMM-RBF神经网络的前列腺癌诊断方法》文中提出前列腺癌是近年来发病率上升速度最快的男性癌症,严重威胁着患者的身体健康,准确地判断癌症患者的患病情况对于节约医疗资源、提高患者满意度起着至关重要的作用。近年来,基于数据挖掘的癌症诊断方法逐渐成为疾病诊断领域的研究热点,在提高诊断准确性上显示出极大优势。针对现有前列腺癌早期诊断方法准确性不高的问题,提出一种基于高斯混合模型改进径向基函数神经网络的前列腺癌诊断方法——GMM-RBF神经网络方法。该方法通过使用高斯混合模型对径向基函数神经网络中径向基函数的参数进行预训练,使模型避免陷入局部最优,之后采用改进的粒子群优化算法对神经网络进行训练。采用国家临床医学科学数据中心提供的数据进行前列腺癌诊断实验,将所提出的方法与径向基神经网络、分类回归树、支持向量机和逻辑回归等主流的机器学习算法进行对比,并使用准确性、特异性、敏感性和AUC值对模型的性能进行评价。研究结果表明,与改进前的神经网络模型相比,GMM-RBF神经网络模型收敛速度更快、初始准确度更高;与其它机器学习算法相比,GMM-RBF神经网络模型在10折交叉验证中取得了较高的准确性、敏感性、特异性和AUC值。GMM-RBF神经网络方法在模型预测精度上比传统的径向基函数神经网络模型有很大提升,能够得到更为可靠的前列腺癌诊断结果,为医疗工作者初步诊断前列腺癌和穿刺活检操作提供有效的辅助决策支持,该方法的提出对于减少患者痛苦、提高患者满意度和节约医疗资源具有实际意义。
万鹏[9]2018年在《基于征兆分析的飞控地面故障诊断系统研究与实现》文中研究指明某型歼击机作为现代军事科技不断发展的产物之一,有着极大的战略威慑力和极高的装备价值,因此对装备的飞行安全有着极高的要求。设备故障是危害飞行安全的关键因素之一,飞控系统作为飞机的重要部分,对它的故障诊断进行研究,提高装备故障诊断效率,有着重大的意义。当前专家和地面维护人员使用维护自检测系统对歼击机飞控系统进行地面故障诊断,其可以读取飞控故障的征兆信息,供专家和地面维护人员故障诊断时使用,但是人工分析征兆和对专业知识的要求导致了地面故障诊断效率的下降。本文应用现代智能故障诊断方法,研究通过自动提取并分析征兆完成故障定位的地面故障诊断系统,提高故障诊断效率,主要工作如下:第一,分析故障诊断方法的研究现状,根据飞控系统组成架构,分析总结飞控系统故障特性以及故障与故障征兆之间的关系,结合飞控系统地面故障诊断的诊断流程,分析得出基于征兆分析的飞控地面故障诊断系统的功能需求。第二,通过对传统故障诊断的研究,发现在飞控系统使用过程中已经有很多描述征兆与故障映射关系的故障诊断经验性规则和故障诊断文本知识积累。本文基于这些知识的形式,针对性地设计存储知识的知识库,设计基于规则树图形化建模和文本录入相结合获取知识的规则学习机,设计适用于本文知识库的基于正反向混合推理的推理机,并采用预置文本法和追踪解释法对推理过程进行说明。形成基于规则的飞控故障诊断方法,实现对这类知识的快速学习运用。第叁,通过对误差逆传播神经网络、径向基函数(Radial Basis Function,RBF)神经网络、支持向量机的比较分析,选择RBF网络学习产生式规则不能准确表示的故障与征兆的映射关系知识,完成故障诊断。研究RBF网络的训练算法,采用递阶遗传训练算法训练RBF故障诊断网络,并提出基于训练样本初始化种群和利用差分进化算子进行部分交叉操作的改进,利用适应度高的初始化种群减少种群的进化代数,通过差分进化算子增强种群的多样性,克服种群早熟问题,提高训练算法性能,进而提高RBF网络的故障诊断性能。第四,提出采用基于规则的故障诊断方法和基于径向基函数(RBF)神经网络的故障诊断方法相结合完成故障诊断的总体方案。完成对基于征兆分析的飞控地面故障诊断系统的软件设计实现,并在飞行器仿真平台上验证了系统的有效性。
陈顺财[10]2008年在《基于支持向量机的时间序列预测研究》文中研究说明时间序列是指按照时间顺序排列的一组数列。在实际问题中,系统一般都是非线性的,由系统产生的时间序列也几乎都是非平稳的。对系统进行机理性建模往往比较困难,可以基于系统输入输出的观测数据,即时间序列建立模型,并对未知的数据进行预测。本文首先介绍了各种时间序列预测方法的建模预测原理,通过分析和比较,发现统计方法、灰色预测和神经网络各有优势,但是不能满足对复杂时间序列精确预测的要求,提出了支持向量机的方法。本文归纳了基于支持向量机的时间序列预测模型的设计方法,并以上证指数时间序列预测为例,通过仿真研究表明,支持向量机是一种有效的时间序列预测方法。支持向量机的参数对其学习能力和泛化能力有很大影响,到目前为止这方面还没有统一的理论指导,人们通常采用大量实验,人工选取满意的解,但这种方法耗时且获得的参数也不一定最优。交叉验证、经验公式和遗传算法也各有不足。针对支持向量机参数选择问题,本文引入了粒子群优化算法,粒子群优化算法简单有效,但容易陷入局部最小,所以采用了量子粒子群优化算法,量子粒子群优化算法全局搜索能力更强,但收敛速度不快。针对量子粒子群优化算法收敛速度慢的问题,提出了一种改进的量子粒子群优化算法,以太阳黑子时间序列为例,仿真结果表明,改进的量子粒子群优化算法全局搜索能力更强、收敛速度更快,预测误差更小,是一种有效的参数优化方法,可用于支持向量机对时间序列的预测。
参考文献：
[1]. 支持向量机在大坝安全监测资料分析中的应用[D]. 张真真. 西安理工大学. 2008
[2]. 用于储层参数预测的神经网络模式识别方法研究[D]. 高美娟. 大庆石油学院. 2005
[3]. 城市路网交通预测模型研究及应用[D]. 张扬. 上海交通大学. 2009
[4]. 基于支持向量机的智能故障诊断技术研究[D]. 虞国全. 南昌大学. 2007
[5]. 基于支持向量的径向基函数神经网络的训练算法[D]. 边后琴. 武汉科技大学. 2002
[6]. 人工神经网络遥感影像分类系统的设计与实现[D]. 刘青. 昆明理工大学. 2012
[7]. 支持向量机在新生儿黄疸诊断预测中的应用[D]. 殷菲. 四川大学. 2004
[8]. 基于GMM-RBF神经网络的前列腺癌诊断方法[J]. 崔少泽, 王杜娟, 王苏桐, 夏江南, 王延章. 管理科学. 2018
[9]. 基于征兆分析的飞控地面故障诊断系统研究与实现[D]. 万鹏. 电子科技大学. 2018
[10]. 基于支持向量机的时间序列预测研究[D]. 陈顺财. 兰州理工大学. 2008
标签：自动化技术论文; 支持向量机论文; 故障诊断论文; 径向基函数论文; 神经网络模型论文; 预测模型论文; 网络模型论文; rbf神经网络论文; 分类数据论文; 能力模型论文; 线性系统论文; 系统学习论文; 监督学习论文; 非线性论文; bp神经网络算法论文;