导读:本文包含了支持向量聚类论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:向量,负荷,数据挖掘,光照度,通流,模糊,费用。
支持向量聚类论文文献综述
韦修喜,黄华娟,周永权[1]（2019）在《基于AP聚类的约简孪生支持向量机快速分类算法》一文中研究指出孪生支持向量机TWSVMs分类过程的计算量和样本的数量成正比,当样本个数较多时,其分类过程将会比较耗时。为了提高样本集的稀疏性,从而提高TWSVMs的分类速度,提出了一种基于AP聚类的约简孪生支持向量机快速分类算法FCTSVMs-AP。首先对原始数据集进行AP聚类操作。聚类的中心为约简后新的样本集,按照分类误差最小的原则构建优化模型,用二次规划方法求解新的决策函数的系数,并证明了当样本集压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始数据集进行AP聚类操作。在人工数据集和UCI数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FCTSVMs-AP可以通过有效压缩样本数量的方式提高分类速度。(本文来源于《计算机工程与科学》期刊2019年10期）
申航杰,琚生根,孙界平[2]（2019）在《基于模糊聚类和支持向量回归的成绩预测》一文中研究指出现有的成绩预测模型往往过度使用不同类型的属性,导致过于复杂的分数预测方法,或是需要人工参与.为提高学生成绩预测的准确率和可解释性,提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵,根据学生的历史成绩进行聚类,随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外,结合学生学习行为等相关属性,对最终的预测结果做调整.在多个基准数据集上进行了实验测试,验证了该方法的有效性.(本文来源于《华东师范大学学报(自然科学版)》期刊2019年05期）
贾犇,钟建伟,戴小剑,田波,龙玉雪[3]（2019）在《基于K-means聚类与支持向量机相结合的短期负荷预测》一文中研究指出精确的负荷预测对提高电力系统运行的可靠性和经济型起着重要作用。针对当存在大量数据样本时,支持向量机在进行训练时收敛时间太长的问题,本文首先利用K-means聚类算法按照影响负荷的因素挑选相似日,然后用利用支持向量机对聚类后的数据进行负荷预测,并将预测结果与神经网络算法预测的结果进行对比。结果表明,基于K-means聚类与支持向量机相结合的负荷预测方法可以提高收敛速度和荷预测的精确度。(本文来源于《数字技术与应用》期刊2019年08期）
文俊浩,万园,曾骏,王喜宾,梁冠中[4]（2019）在《光照度聚类和支持向量机在路灯节能控制策略中的应用》一文中研究指出传统路灯行业主要采用时间、经纬度、光照度等策略控制路灯开关。其中,光照度控制的理论节能效果最佳,但受采集数据误差、安装角度等环境因素影响,节能效果没有达到最大化。针对该问题,提出一种融合光照度聚类和支持向量机算法的路灯节能控制策略。该方法收集光照度、时间、安装角度数据,并使用K-means算法对光照度数据进行聚类,把原本变化剧烈的光照度数据变为5个等级(1-5),然后通过SVM对数据进行学习训练,在不考虑其他外在因素的情况下预测路灯的开关时间。实验研究结果表明,该算法可有效降低路灯的用电量。(本文来源于《计算机科学》期刊2019年07期）
杨成荣[5]（2019）在《基于支持向量机-R型聚类的上市公司被特别处理的预警研究》一文中研究指出本文首先介绍了上市公司ST的成因、国内外研究现状,并对本文构建模型起主导作用的支持向量机学习法进行介绍;然后构建上市公司ST预警指标体系,具体分为两轮指标筛选:第一轮是通过支持向量机方法筛选出可以显着影响上市公司ST状况的指标,第二轮是通过R型聚类方法剔除信息冗余指标,然后利用ROC曲线法检验预警指标体系的有效性,从而构建了一套既能显着区分ST公司与非ST公司、又不存在信息冗余指标的上市公司ST预警指标体系;其次为上市公司ST预警模型的构建,基于支持向量机两分类模型建立起一个上市公司ST预警模型,并利用MATLAB 2015a和SPSS 20结合国泰安数据中心的上市公司财务数据,对构建的模型进行应用;最后通过模型的实证结果找出上市公司被ST的主要影响因素,对上市公司避免被ST提供一定的建议。本文主要创新点如下:第一,选用Levene方差齐性检验统计量W值识别预警指标的ST状况鉴定能力,采用R型聚类法按准则层聚类并保留每类指标中W值最大的指标,既删除了信息冗余指标又保留了具有显着ST状况鉴定能力的预警指标;第二,在ST预警指标体系的构建上,现有研究主要是人为挑选指标,这可能造成丢失部分重要指标以及存在信息冗余指标,本文通过支持向量机方法和R型聚类方法的双重筛选机制筛选预警指标体系;第叁,上市公司是否被ST与预警指标之间为非线性关系,现有研究多基于线性关系构建多变量预警模型,扭曲了其实际关系从而降低了模型的预测精度,本文在支持向量机中选用高斯径向基核函数解决了这种非线性问题:第四,现有的财务预警模型多基于传统统计模型,如线性分类分析等,这些方法计算复杂、精度不高、泛化能力弱,本文采用人工智能方法中的支持向量机模型,该模型计算简单、精度高、泛化能力强。(本文来源于《内蒙古农业大学》期刊2019-06-01）
蒋燕,吴洋,栾毅,周彬彬,赵珍玉[6]（2019）在《基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究》一文中研究指出电力系统中的母线具有数量众多、负荷波动性大等特点,为提高预测精度,提出一种基于模糊C均值(fuzzy c-means,FCM)聚类算法和最小二乘支持向量机(least squares support vector machine,LSSVM)的母线负荷预测方法。利用改进的数据横向比较法对异常负荷进行修正。在此基础上,结合FCM算法将供电区域中具有相似负荷变化规律的母线进行聚类,选取聚类后的母线负荷数据对LSSVM模型进行训练和预测,并通过配比公式进行负荷分配。经数据验证,方法有助于提高母线负荷预测精度。(本文来源于《电气自动化》期刊2019年03期）
邓晶,张倩[7]（2019）在《聚类分析和支持向量机回归的交通流预测》一文中研究指出本文以交通流数据为研究对象,主要对数据挖掘技术在交通流预测方面的应用进行了研究和探讨。并基于研究内容,提出了基于聚类分析和支持向量机回归的交通流预测模型。并针对支持向量机参数选择,提出了人工鱼群算法使其快速寻找到最优参数组合。最后,通过实验数据论证本文所提出的算法和模型。(本文来源于《电脑知识与技术》期刊2019年15期）
李相蓉,韩颖[8]（2019）在《基于聚类和支持向量机的高血压患者住院费用分析》一文中研究指出[目的]利用数据挖掘方法衡量各因素对高血压患者住院费用的影响程度,克服传统分析方法局限,为减轻患者负担提供政策参考。[方法]以某市8所不同级别医院2016年2200例高血压住院患者为样本,将住院费用K-means聚类结果作为目标变量,结合单因素分析结果选择输入变量,构建支持向量机模型,评估各影响因素重要性。[结果]多项式核函数支持向量机模型分类准确率最高(93. 84%),住院天数、医院级别、有无合并症及合并症类别、是否手术、性别、付款方式的重要度大于0. 02,对高血压患者的住院费用起主要影响。[结论]数据挖掘方法能够对住院费用进行有效预测;高血压住院负担的控费关键是加强对药费和检查费的监管、缩短住院天数,根本上应充分发挥基层优势,筑起高效的高血压防治体系。(本文来源于《卫生软科学》期刊2019年05期）
陈默,蔡苗,黄阿红,沈梦雪,吴其[9]（2019）在《基于K-means聚类与支持向量机的大病患者住院费用影响因素与控制策略研究》一文中研究指出目的探寻有效方法分析大病患者住院费用的主要影响因素,为控制住院费用提供合理对策。方法样本选取2016年1月—2017年5月湖北省某市城镇居民基本医疗保险大病患者住院信息,采用K-means聚类和支持向量机进行分析。结果聚类优度检验提示将住院费用分为3类最佳,基于RBF核函数的支持向量机模型的预测准确度最高,住院费用的主要因素为主诊断疾病、住院日、医院级别、医保业务类别和医院类型。结论 K-means聚类与支持向量机模型可作为分析大病患者住院费用的有效方法,为控制住院费用提供策略。(本文来源于《中国医院管理》期刊2019年05期）
詹仁俊[10]（2019）在《基于K-means聚类的小波支持向量机配电网短期负荷预测及应用》一文中研究指出配电主站因量测能力不足制约着潮流计算、负荷转供等应用功能的工程实用化水平。在智能配用电大数据环境下,针对配电网负荷波动性和随机性大的特点,提出K-means聚类和小波—支持向量机相结合的配电网短期负荷预测方法。通过横向聚类分析提取日负荷典型特征曲线,补全历史缺失数据;通过纵向聚类分析对历史相似日归类,挖掘外部环境因素对负荷的影响。采用小波变换将历史数据分解到不同的尺度上,结合聚类结果形成各分支训练样本进行支持向量机预测,各分支预测结果迭加生成最终预测结果。基于配电变压器负荷预测的结果对负荷转供方案进行安全校验,为线路检修计划提供指导。(本文来源于《供用电》期刊2019年04期）
支持向量聚类论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
现有的成绩预测模型往往过度使用不同类型的属性,导致过于复杂的分数预测方法,或是需要人工参与.为提高学生成绩预测的准确率和可解释性,提出了一种融合模糊聚类和支持向量回归的成绩预测方法.首先引入模糊逻辑来计算隶属度矩阵,根据学生的历史成绩进行聚类,随后对每个聚类簇利用支持向量回归理论对成绩轨迹进行拟合建模.此外,结合学生学习行为等相关属性,对最终的预测结果做调整.在多个基准数据集上进行了实验测试,验证了该方法的有效性.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
支持向量聚类论文参考文献
[1].韦修喜,黄华娟,周永权.基于AP聚类的约简孪生支持向量机快速分类算法[J].计算机工程与科学.2019
[2].申航杰,琚生根,孙界平.基于模糊聚类和支持向量回归的成绩预测[J].华东师范大学学报(自然科学版).2019
[3].贾犇,钟建伟,戴小剑,田波,龙玉雪.基于K-means聚类与支持向量机相结合的短期负荷预测[J].数字技术与应用.2019
[4].文俊浩,万园,曾骏,王喜宾,梁冠中.光照度聚类和支持向量机在路灯节能控制策略中的应用[J].计算机科学.2019
[5].杨成荣.基于支持向量机-R型聚类的上市公司被特别处理的预警研究[D].内蒙古农业大学.2019
[6].蒋燕,吴洋,栾毅,周彬彬,赵珍玉.基于模糊C均值聚类算法和最小二乘支持向量机的母线负荷预测研究[J].电气自动化.2019
[7].邓晶,张倩.聚类分析和支持向量机回归的交通流预测[J].电脑知识与技术.2019
[8].李相蓉,韩颖.基于聚类和支持向量机的高血压患者住院费用分析[J].卫生软科学.2019
[9].陈默,蔡苗,黄阿红,沈梦雪,吴其.基于K-means聚类与支持向量机的大病患者住院费用影响因素与控制策略研究[J].中国医院管理.2019
[10].詹仁俊.基于K-means聚类的小波支持向量机配电网短期负荷预测及应用[J].供用电.2019
论文知识图
