基于支持向量机的股票投资价值分类模型研究

本文遵循价值投资理念,建立基于支持向量机的股票投资价值分类模型。首先随机抽取500支A股股票作为样本,并选取对股票投资价值影响显著的财务指标构造样本特征集,然后采用支持向量机方法建立股票投资价值分类模型,最后将其与BP神经网络和RBF神经网络相比较,结果表明支持向量机的分类效果和泛化能力最优。     

基于支持向量机的高新技术企业与传统企业的类型辨识模型研究

基于支持向量机神经网络理论,首创性地建立了一个由业绩产出财务指标辨识高新技术企业与传统企业类型的支持向量机模型。模型以企业的业绩产出财务指标数据为基础,以径向基函数作为核函数,使用网格寻优方法调节模型参数,得到优化后的模回去型,并使用测试集数据验证了模型。对结果进行二元分类决策分析,结果表明:该模型的准确率和决策率等主要评价指标都达到了85%以上,具有较高的辨识能力和可信度,为高新技术企业和传统企业的类型辨识提供了一种可靠的、简单方便的方法,可以直接量化地判别企业是否属于高新技术企业。     

基于PSO与LSSVR的坝体顺流向位移预测

顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。     

基于SVM的企业竞争情报自动分类系统模型

针对企业竞争情报的自动分类问题,介绍了基于支持向量机(SVM)方法的自动分类技术的原理,探讨了该技术在企业竞争情报分类系统中的应用,并结合多Agent思想构建了基于支持向量机的企业竞争情报分类系统模型,重点研究了竞争情报的自动分类方法。     

基于P-SVM的绿色供应商评价模型

首先根据绿色供应链管理理论的内涵和环境管理标准,对传统供应商评价体系进行修正,增加了反映绿色信息的若干指标。在分析标准支持向量机模型所面临问题的基础上,引入了一种新的支持向量机模型方法—P-SVM,进而以P-SVM为工具,采用支持向量机分类的1-v-1策略建立了绿色供应商评价模型。数据仿真显示该模型同标准支持向量机模型相比不仅具有更好的推广能力,而且具备较好的特征变量自动选取功能。     

基于遗传算法参数优化的最小二乘支持向量机财务困境预测

传统支持向量机应用于财务困境预测时,需要求解复杂的二次规划问题,求解难度大。而最小二乘支持向量机模型可以将二次规划问题变成一个线性方程组来求解,有效降低了模型求解的难度。尤其是将遗传算法应用于最小二乘支持向量机模型参数和核参数的优化时,显著提高了模型预测的正确率。本文从沪深两市随机抽取了2002年-2007年252家A股上市公司作为研究样本,并把研究样本分为两组,对这两组样本数据分别进行了短期及中长期预测。实证结果表明,基于遗传算法的最小二乘支持向量机模型的预测效果不但好于传统统计类Logit模型,也优于传统支持向量机模型。短期预测效果显著优于中长期预测效果,训练样本数直接影响到模型的预测效果,二者呈正相关关系。     

基于最小二乘支持向量机的数据挖掘应用研究

随着数据仓库技术、联机分析技术的发展。基于数据库的数据挖掘已成为一种重要的数据处理手段。最小二乘支持向量机作为一种新的机器学习方法。具有全局收敛性和良好的泛化能力。本文将其应用于数据挖掘的分类与预测研究。通过棱函数的选择及参数优化，并结合支持向量机、多层感知器神经网络模型及判别分析方法进行比较研究，证明最小二乘支持向量机作为一种有效的数据挖掘算法具有较高精度。     

基于模糊支持向量机的学生抗压能力分析

抗压能力大小判定是一个多指标、多目标的评价系统,传统计算方法存在繁琐、客观性差的问题。提出了一种改进的模糊支持向量机的评价模型,对抗压能力进行评价。建立模糊隶属度函数,在减少训练集中异常样本点对分类超平面干扰的同时,并没有降低边缘样本点对分类超平面的影响。实验表明,改进的模糊支持向量机提高了抗压能力评价的准确率,模糊支持向量机的泛化能力也得到了提高。     

一种基于核聚类的模糊支持向量机方法

模糊支持向量机（FSVM）具有很好的抗噪声能力,受到了很多专家的重视。然而模糊支持向量机算法的时间复杂度通常较高。针对这一不足,本文提出了一种基于核聚类的模糊支持向量机算法。首先根据核聚类算法对每一类原始样本进行聚类,然后对每一簇求样本中心,用样本中心作为新的样本点替换该类别的原始样本。最后本文算法利用中心距离型计算新样本的模糊权重,并利用模糊支持向量机算法进行求解。实验充分验证了本文算法相对于传统模糊支持向量机方法具有更快的分类速度。     

改进的支持向量机的DNA序列分类方法

针对传统的支持向量机在分类中不能够逼近任意的分类界面,而造成分类精度低的问题,本文在传统的支持向量机核函数基础上,提出了一种基于遗传算法优化的支持向量机结构模型,并将该方法应用在DNA序列分类上。实验结果表明了本文算法在同等条件下要比传统的SVM分类方法具有更加优越的特征提取性能。     

一种改进的基于SVM的网络入侵检测算法

研究了支持向量机与自组织神经网络的原理,利用支持向量机的小样本学习与推广能力强的特点,结合自组织神经网络良好的学习能力与收敛速度,实现了对支持向量机算法的改进.利用Lincoln实验室入侵检测系统评估数据集合对改进算法进行测试,并将实验结果与BP神经网络进行了比较,结果表明,改进的算法在检测精度与训练时间方面均优于BP神经网络.     

基于改进集成学习的交直流配电系统短期负荷预测方法

交直流(AC/DC)配电系统中的负荷类型更加多样化和复杂化,因此负荷变化规律也更加难以掌握,精确的负荷预测对AC/DC配电系统的调度非常重要.针对神经网络、灰色理论和支持向量机等传统的短期负荷预测方法存在的预测精度不高的问题,本文采用改进集成学习算法对传统的预测方法进行改进,提出了一种基于浅层神经网络的梯度提升算法(GBSNN)以及基于长短期记忆网络的极度梯度提升(XGBLSTM)算法.同时,本文采用Huber函数作为预测模型的损失函数,该函数对异常的负荷数据具有很强的鲁棒性,可以有效减小模型的泛化误差.最后通过仿真分析证明本文提出的基于GBSNN和XGBLSTM的短期负荷预测方法比其他方法具有更高的预测精度,在AC/DC配电系统负荷预测中具有更好的效果.     

基于潜在语义分析和HS-SVM的文本分类模型研究

为了提高文本分类的准确性和效率,提出了一种基于潜在语义分析和超球支持向量机的文本分类模型.针对SVM对大规模文本分类时收敛速度较慢这一缺点,本文将超球支持向量机应用于文本分类,采用基于增量学习的超球支持向量机分类学习算法进行训练和分类.实验结果表明,超球支持向量机是一种解决SVM问题的有效方法,在文本分类应用中具有与SVM相当的精度,但是明显降低了模型复杂度和训练时间.     

基于支持向量机的上市公司财务预警模型研究

基于近年来在智能学习系统领域发展起来的新理论,引入小样本学习的通用学习算法——支持向量机(SVM),建立了上市公司财务预警模型,通过与神经网络模型的比较,证实了该方法用于财务预警的有效性及优越性。     

LSSVM在教学质量评价中的应用

教学质量评价是为了督促教师不断提高教学实践能力,传统方法利用主观权重计算评价成绩其合理性受到质疑,需要寻求一种更加科学、合理的评价方法.最小二乘支持向量机(LSSVM)算法有着优良的推广性能,本文提出了一个基于LSSVM的教学质量评价模型,经检验该模型能够获得良好的评价结果.     

基于支持向量机的上市公司财务预警模型研究

基于近年来在智能学习系统领域发展起来的新理论,引入小样本学习的通用学习算法--支持向量机(SVM),建立了上市公司财务预警模型,通过与神经网络模型的比较,证实了该方法用于财务预警的有效性及优越性.     

ICS优化SVM在模拟电路故障诊断中的应用

针对容差模拟电路软故障,为了提高诊断的准确率,提出了一种基于改进布谷鸟算法优化支持向量机的故障诊断模型。首先,利用Hear小波分析对模拟电路进行故障特征提取;然后将提取的故障特征输入支持向量机进行故障诊断,同时为了使模型更稳定,利用改进布谷鸟算法选择最优惩罚参数和核函数参数以优化SVM。最后,以Sallen-key带通滤波器电路为例进行仿真实验,通过与神经网络、传统SVM分类模型进行对比,结果表明了该方法的优越性和可行性。     

基于模糊支持向量机的无人艇控制方法研究

本文利用模糊支持向量机算法设计无人船控制器。模糊支持向量机采用SMO算法解决支持向量机在Lagrange算式下的参数问题,得到模糊支持向量机控制器模型。该控制器兼具支持向量机和模糊控制的优势,可以不考虑被控对象模型,具有较高的计算速度、较强的泛化和非线性建模能力。     

基于跨区域差异残缺数据分析的数据补齐方法

提出了基于支持向量机以及量化容差关系的数据补齐模型,针对不同区域数据塑造差异残缺数据的支持向量机预测模型,实现对跨区域差异残缺数据的预测,采用RBF神经网络修补残缺数据,通过基于量化容差关系的残缺数据补齐方法对残缺数据进行深度补齐,实现对跨区域差异残缺数据的进一步优化。实验结果显示了该种方法进行的跨区域差异残缺数据补齐效果优于传统方法。该种方法具有较高的补齐准确率,可获得满意的修补效果。     

基于VISSIM的交叉口服务水平识别方法

城市举办大型活动期间,相关交叉口单侧交通量会急剧增加,在这种情况下准确识别交叉口的服务水平对接下来制订交叉口优化方案十分重要。本文针对该问题提出了一种小波去噪-支持向量机模式识别的方法。通过VISSIM仿真模拟交叉口单侧交通量剧增的情形获取上游的交通流数据与对应的交叉口服务水平信息,进行小波去噪与类型筛选后得到识别算法的输入数据,对比BP神经网络模型方法与支持向量机这两种常用算法的识别效果后,采纳支持向量机作为识别算法并在MATLAB上实现对交叉口服务水平的识别。与传统方法相比,该识别方法具有模型输入数据易于获取,应用时效性更强的优势。