-
-
-
基于GWO-SVR的土壤镉元素含量含水率校正预测模型研究
... 荧光光谱(XRF)法检测结果存在严重干扰的问题,提出了一种基于灰狼优化(GWO)算法的支持向量回归(SVR)校正预测模型。完成光谱数据预处理之后,基于GWO-SVR建立净峰面积、含水率与镉元素含量之间的定量分析模型,并将GWO-SVR模型与其他模型对比。结果表明:SVR非线性模型比线性回归模型有更好的决定系数、更小的误差,在GWO下,各个模型指标均得到提升;与其他优化算法相比,GWO-SVR迭代次数更少,拟合效果更好,预测误差更小。所提模型也可为土壤中其他重金属 ...
-
改进粒子群算法优化SVR的LIBS钢液元素定量分析
... Cat-fish 粒子群(PSO)算法选出最优参数值,最后用测试集来验证模型的预测效果。实验结果表明:Cat-fish PSO-支持向量回归(SVR)的决定系数R2大于0.95,相对标准偏差RSD均值为3.53%,均方根误差RMSE在1.5%以内;所提模型优于普通SVR预测模型,能够快速精确检测出元素含量。该研究为LIBS在线准确定量分析钢液元素提供了借鉴性较高的优化算法。
-
基于SVR的网络安全评价模型的建立与仿真
针对目前基于主观评价或基于神经网络的评价方法在网络安全评价模型中存在的不足，文中在建立网络安全评价指标体系的基础上，结合ε不敏感损失函数和支持向量机SVM，建立了一种基于SVR的网络安全评价模型。该模型能够对训练样本进行学习和训练，得到SVR适宜的设置参数。经过对校验样本的预测可发现，该模型具有较强的泛化能力，预测精度也较高。其性能远优于目前所知的主观评价和神经网络评价方法，能为相关网络安全评价模型的设计与建立提供参考。
-
一种基于SVR节点数据预测改进算法
针对无线网络中部分传感器失效后无法进行有效或准确预测节点信息的问题，提出了一种面向无线传感网络的节点数据预测算法。该算法是在支持向量回归（SVR）算法基础上，引入了邻居节点影响因素（或称邻居节点数据的相关性），采用邻居节点相关性对其数据进行修正，从而实现了对SVR算法的改进，弥补了SVR算法在随机突发事件中预测不够准确的问题。经过仿真实验表明，该算法能够有效地应对突发或临时原因引起采集样本数据突然改变问题，预测更接近真实数据，准确性更高。
-
ACPSO-SVR结合的非线性建模预测算法研究
提出一种基于自适应混沌粒子群优化和支持向量机结合的非线性预测建模算法（ACPSO-SVR），引入ACPSO启发式寻优机制对SVR模型的超参数进行自动选取，在超参数取值范围变化较大的情况下，效果明显优于网格式搜索算法。选取UCI机器学习数据库中的Forest fires标准数据集进行测试，实验结果 ...
-
基于SVR的FBMC信道估计：基于SVR插值，提出了有关FBMC时变信道估计的新方法
基于SVR的FBMC信道估计
滤波器组多载波（FBMC）作为5G的候选系统，具有比正交频分复用（OFDM）更 ... 。 但是，这带来了固有的虚干扰的问题，导致信道估计的困难增加。 本文基于SVR插值，提出了一种新的FBMC时变信道估计方法。 新方法首先使用辅助导频消除虚干扰，然后通过SVR对时变信道矢量进行插值。 仿真结果表明，与传统算法相比，新方法的信道 ... ，效率损失很小，但估计精度较高。
这是我的论文“基于FBMC系统中基于SVR插值的时变信道估计”的matlab代码。 可以在以下URL上下载该论文：
并且 ...
-
-
-
-
Go To English Version 超过100万源码资源，1000万源码文件免费下载
