在研究时间序列数据挖掘框架时,发现使用线性映射函数描述误差与特征之间的关系并不能精确估计颅内压力信号。为提高估计精度,采用支持向量回归构建非线性映射函数,实验结果表明,这种方法显著优于先前基于线性最小二乘法的线性映射函数策略。
基于支持向量回归的颅内压时间序列精确估计方法(2011年)
相关推荐
颅内压无损估计:支持向量回归时间序列方法
吴少智和吴跃提出了一种基于支持向量回归的颅内压时间序列无损估计方法。该方法建立在先前的数据挖掘框架之上,利用时间序列分析预测颅内压。首先,研究构建了...
数据挖掘
13
2024-04-29
Matlab代码支持向量回归(SVR)和启示向量回归(RVR)分析及交叉验证
Matlab代码Pattern_Regression_Matlab支持向量回归(SVR)和启示向量回归(RVR)分析,包括交叉验证以评估预测能力。请在使用代码时引用相关论文:Zaixu Cui, Gaolang Gong,《机器学习回归算法及样本大小对基于功能连接特征的个性化行为预测的影响》,NeuroImage,2018年,178: 622-37;Zaixu Cui等,《利用灰质体积个性化预测阅读理解能力》,Cerebral Cortex,2018年,28(5):1656–72;Zaixu Cui等,《个性化预测阅读理解能力的研究》,2018年,Cerebral Cortex,28(5):1
Matlab
8
2024-08-24
基于支持向量机的区间数回归模型建模方法
分析了现有的精确数输入和区间数输出回归算法存在的问题,并提出了基于支持向量机的区间数回归建模方法。该方法将支持向量机从精确数回归推广到区间数回归建模,展示出在小样本训练集下良好的泛化性能,有效避免了现有算法中可能出现的下界大于上界的问题。以连续退火生产过程中冷却段出口带钢温度预测为例,仿真结果表明该算法的有效性。
数据挖掘
9
2024-08-04
支持向量机在金融时间序列预测中的应用
支持向量机, 一种基于统计学的新型机器学习和数据挖掘技术, 遵循结构风险最小化原则。金融时间序列数据通常具有非平稳性、复杂性、非线性以及噪声干扰, 传统预测方法难以取得令人满意的效果。本研究提出一种基于支持向量机的金融时间序列预测方法, 并将其应用于上证180指数预测。实验结果表明, 支持向量机方法能够有效地建模动态金融时间序列, 并取得良好的预测效果。
数据挖掘
15
2024-05-12
支持向量机分类与回归的matlab程序
支持向量机在分类与回归任务中具有广泛的应用,介绍了相关的matlab代码实现。
Matlab
9
2024-08-05
基于支持向量机回归的混凝土抗压强度预测 - Matlab 实现
利用支持向量机回归算法,构建混凝土抗压强度预测模型。本资源提供基于 Matlab 的程序代码,用于学习和交流支持向量机在材料科学领域的应用。
Matlab
12
2024-05-23
基于ARMA模型的时间序列分析
使用ARMA模型对海浪高度数据进行时间序列分析及预测拟合,代码中有详细注释,便于学习理解。
算法与数据结构
7
2024-07-13
基于部分支持度树的关联规则增量更新新算法(2011年)
关联规则挖掘是数据挖掘技术的一种简便实用方法,广泛应用于各个领域。提出了一种基于部分支持度树的关联规则增量更新算法,专为数据库新增数据时最小支持度不变的情况设计。该算法充分利用已挖掘的关联规则和保留的部分支持度树,显著提升了性能。新算法仅需一次数据库部分扫描即可完成更新,进一步提高了效率。实验结果验证了该算法在关联规则更新问题上的有效性和挖掘效率的提升。
数据挖掘
6
2024-07-23
时间序列表示方法比较
李俊奎和王元珍总结了各种典型的时间序列表示方法,从多个角度分析其特点。该研究有助于理解时间序列表示的进展和应用。
数据挖掘
9
2024-05-20