针对电力负荷的小样本、非线性、高维数和局部极小点等问题,提出采用最小二乘支持向量机方法建模,以历史负荷、温度、湿度等数据作为输入量,对短期电力负荷进行预测;针对最小二乘支持向量机在建模中存在的参数选取问题,采用一种根据种群多样性信息来指导初始种群选取和避免粒子早熟收敛现象的改进粒子群优化算法来优化最小二乘支持向量机的惩罚因子和核参数。仿真结果表明,基于改进粒子群优化算法和最小二乘支持向量机的短期电力负荷预测方法较最小二乘支持向量机预测方法、基于基本粒子群优化算法和最小二乘向量机的预测方法具有更好的预测精确度。

这是用于matlab的lssvm时序预测算法，亲测可用

这是最近使用的一个LS-SVM工具包，分享给大家，里面不仅有工具包还有LS-SVM相关的使用说明，以及我自己写的一个相关的应用的一段代码，代码若有写得不好的地方还望大家见谅。

PSO-LS-SVM代码

一个牛人翻译的matlab里面ls-svm工具箱的使用说明，转借过来的~找了很久才找到的~哈哈

针对目前结构损伤诊断方法的局限以及最小二乘支持向量机算法优点,提出采用最小二乘支持向量机来对 光纤智能结构损伤位置识别进行研究,并在 Matlab中编制了相应的支持向量机程序,建立了相应损伤诊断模型。以 实例数据为学习样本和测试样本,讨论了基于最小二乘支持向量机的光纤智能结构损伤诊断可行性。试验研究结 果表明,基于最小二乘支持向量机光纤智能结构损伤诊断识别方法具有较高的可靠性和精度且操作方便,是一种 性能优良的智能识别方法,为智能结构实现损伤自诊断提供了更为先进的方法。

最小二乘支持向量机LS-SVM的Matlab代码,比利时鲁汶大学网站提供，在Matlab里直接添加路径，即可使用 LS-SVMlab1.5.rar 249.09 KB, 下载次数: 293 , 下载积分: 资产 -2 信元, 下载支出 2 信元

最小二乘支持向量机（Least Squares Support Vector Machine，简称LSSVM）是一种扩展自标准支持向量机（SVM）的机器学习算法。它在处理非线性问题和大规模数据集时表现出色，特别是在解决回归问题时，相比原始的支持向量机，LSSVM在计算效率上有所提升。MATLAB作为一款强大的数值计算软件，提供了多种工具箱来实现不同的数学和工程计算，其中LS-SVMlab1.5就是专门用于LSSVM模型构建和分析的工具箱。 LS-SVMlab1.5工具箱是为MATLAB用户设计的，用于实现LSSVM的训练、预测和模型优化。该工具箱包含了各种函数和脚本，使得用户能够轻松地进行数据预处理、模型构建、参数调整以及结果可视化。对于初学者来说，这个工具箱提供了一套完整的流程，帮助他们理解和支持向量机的基本概念和操作。 LSSVM的工作原理是通过最小化平方误差来找到一个超平面，而不是像传统的SVM那样最大化边际。在分类问题中，LSSVM试图找到一个决策边界，使得所有样本点到此边界的距离尽可能大，而在回归问题中，LSSVM的目标则是使预测值与实际值之间的误差平方和最小。 使用LS-SVMlab1.5，用户可以进行以下操作： 1. 数据准备：用户可以导入自己的数据集，并对其进行预处理，包括标准化、归一化等操作，以便更好地适应LSSVM模型。 2. 模型训练：通过调用工具箱中的函数，用户可以选择不同的核函数（如线性、多项式、高斯等），并设定相应的参数，如正则化参数C和核参数γ，进行模型训练。 3. 预测与评估：训练完成后，用户可以使用训练好的模型对新数据进行预测，并通过各种评估指标（如均方误差、R^2分数等）来评价模型的性能。 4. 参数优化：工具箱通常包含网格搜索或随机搜索等方法，帮助用户找到最优的模型参数组合，以提高模型的泛化能力。 5. 结果可视化：LS-SVMlab1.5还可能提供一些绘图功能，让用户直观地查看模型的决策边界、样本分布等，从而更好地理解模型的行为。 6. 学习曲线和交叉验证：用户可以利用工具箱进行学习曲线分析，检查模型是否过拟合或欠拟合，同时通过交叉验证来评估模型的稳定性。 在实际应用中，LSSVM广泛应用于诸如图像识别、文本分类、生物信息学等领域。通过MATLAB的LSSVM工具箱，研究人员和工程师能够快速地探索和应用LSSVM技术，从而解决各种复杂问题。 MATLAB的LSSVMlab1.5工具箱是学习和应用最小二乘支持向量机的强大工具，无论你是初学者还是经验丰富的专家，都能从中受益。通过深入理解和熟练使用这个工具箱，你可以更有效地处理分类和回归问题，提高模型的准确性和效率。

最新版LSSVM工具箱，适合matlab使用。并且中文使用说明详细介绍了各种函数的使用方法，方便理解

用于Matlab的svm工具箱，1.6版本