一种求解分类问题的新算法

本文提出了基于支持向量回归机(SVR)的一种新分类算法.它和标准的支持向量机(SVM)不同:标准的支持向量机(SVM)采用固定的模度量间隔且最优化问题与参数有关.本文中我们可以用任意模度量间隔,得到的最优化问题是无参数的线性规划问题,避免了参数选择.数值试验表明了该算法的有效性.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

基于过程支持向量回归机的油田开发指标预测模型

针对传统支持向量回归机在机制上难以直接对时变信号进行处理,提出了一种用.于时间序列预测的过程支持向量回归模型,面向油田开发指标综合分析预测等问题,提出了一种过程支持向量回归机模型,建立了基于涡流搜索的优化学习算法,方法可综合历史数据和开发条件,实现对油田开发指标的预测.     

基于MGM(1,n)模型的多元核支持向量回归预测

根据灰色系统和支持向量机相结合的方法,采用多变量灰色模型MGM(1,n)对相互影响、相互制约的多变量时间序列进行模拟,获取残差序列后运用多元核支持向量回归机(MSVR)对残差进行回归以修正原模型,得到多变量灰色支持向量回归复合模型(MGM-MSVR).实证结论表明:复合模型具有比原模型更高的精度.     

基于支持向量机的商业银行对中小信贷企业选择方法的研究

引进了一种新的支持向量机的机器学习算法,解决了传统的机器学习算法在商业银行信贷企业选择方法上存在的局限性.以中小信贷企业为研究对象,运用支持向量机算法来解决分类问题和回归问题.通过某商业银行在中小信贷企业选择中的实际应用,并同神经网络训练得出的结果进行对比,证明这种支持向量机的机器学习算法,不仅具有较高的训练效率,而且有更高的精确度.     

基于LS-SVM的管道腐蚀速率灰色组合预测模型

为提高管道腐蚀速率预测精度,建立了一种基于最小二乘支持向量机的灰色组合预测模型.以各种灰色模型对管道腐蚀速率的预测结果作为支持向量机的输入,以管道腐蚀速率的实测值作为支持向量机的输出,采用最小二乘支持向量机回归算法和高斯核函数对支持向量机进行训练,利用训练好的支持向量机进行组合预测.预测模型兼具灰色模型所需原始数据少、建模简单、运算方便的优势和最小二乘支持向量机具有泛化能力强、非线性拟合性好、小样本等特性,弥补了单一预测模型的不足,避免了神经网络组合预测易于陷入局部最优的弱点.模型结构简单、实用,仿真结果验证了其有效性.     

EMD-SVM在南京市月平均气温预测中的应用

南京市月平均气温具有非平稳性、噪声大、序列宽频等特征.为了提高温预测精度,本文提出一种经验模态分解(EMD)和支持向量机(SVM)回归相组合的预测模型(EMD-SVM).首先应用EMD分解算法把南京市月平均气温分解成不同尺度的基本模态分量(IMF),再运用支持向量机回归模型对每个IMF预测,最后将预测结果重构得到南京市月平均气温预测值.结果表明:EMD-SVM模型预测与单一支持向量机回归模型预测相比,平均预测精度提高0.59度,是一种有效的预测气温的模型.     

支持向量机回归方法在地表水水质评价中的应用

将支持向量机方法应用于地表水质评价问题中,建立了多指标水质综合评价的支持向量机回归模型.在地表水质评价标准的基础上采用内插法获得学习样本,经过训练,得到水质评价的分类区间;然后以实测资料对所建模型进行检验,研究结果表明,支持向量机回归模型性能良好、预测精度高、简便易行,是水质评价的一种有效方法,具有广阔的应用前景.     

大气中臭氧含量分析预测的支向量机模型

以俄亥俄州(O h io)的气象、臭氧监测数据为基础,对一个监测点数据进行了分析处理,运用支持向量机回归方法,对气象指标的多参数样本进行学习,获得精确的支持向量机映射关系,并对臭氧含量进行预测.预测结果的误差较小,符合实际情况,能够较好的解决实际问题,说明支持向量机回归在预测上具有小的结构风险与强的泛化能力.     

基于模糊Adaboost算法的支持向量回归机

针对单一支持向量回归机预测精度不十分良好的问题，结合Adaboost算法以及引入隶属函数，提出了一个基于模糊Aaboost算法的支持向量回归机模型。将该模型应用于金融时间序列预测问题的实验表明，预测精度有一定的提高，从而说明了该模型的有效性和可行性。     

主成分分析与支持向量机相结合的区域降水预测应用

将主成分分析和支持向量机回归相结合,以广西5、6月区域平均日降水量作为预报对象,进行区域日降水量预测研究.首先,整理分析大量的T213数值预报产品信息数据进行主成分分析,得到主成分数据序列;其次,根据主成分数据序列建立训练集训练支持向量机,并利用遗传算法优化参数;最后,输入支持向量机所需数据,得到主成分预测结果,建立广西日降水预报模型.实例计算结果表明,支持向量机回归模型比逐步回归模型有更好的预测能力.     

基于灰色系统的支持向量回归预测方法

根据部分时间序列数据贫信息、高噪声和非线性等特点,采用含边值修正的灰色模型进行预测,获取残差序列后运用支持向量回归（SVR）方法对模型进行残差修正得到复合的灰色支持向量回归模型．在支持向量回归中构造具有自适用性的动态惩罚参数G替代传统SVR中的不变参数来提高模型的准确性,同时构造算法决定￡以平滑过度调节．广东省工业生产指数的预测试验结果表明,复合模型具有比其他简单模型更理想的预测效果．     

基于高斯核支持向量机和遗传算法的优化组合研究

选用2008~2015共8年数据,首先基于高斯核的支持向量机在沪市A股上构建周期性的投资组合,并通过误差图和评价指标与BP神经网络、广义回归神经网络进行比较,结果表明了支持向量机在股票预测上更具有优势.再将改进遗传算法运用于上证股票市场构建最优投资组合,以上证指数作为基准进行比较,得出混合遗传算法优化组合的模型相比单一模型更为有效.     

基于改进的支持向量回归机的金融时序预测

金融市场是一个复杂、演化、非线性的动态变化的系统.金融数据往往带有噪声,非平稳且时常是混沌的.本文基于时序数据的先验知识——近期数据对于预测未来走势提供了更多的信息,对于传统的支持向量机的回归模型做出了一定的改进,即对于近期的数据预测错误施以更严重的惩罚,构建了改进的支持向量回归机模型.使用该改进模型对中国股票市场指数时间序列进行了预测,结果显示,本文改进的模型较之传统的支持向量回归机模型和神经网络模型有较好的预测效果.     

基于CSO-SVR的气膜钢筋混凝土储仓主体结构施工成本预测研究

为了较准确的预测气膜钢筋混凝土储仓主体结构施工成本,提出一种鸡群算法(CSO)和支持向量回归机(SVR)结合模型,即CSO-SVR,利用CSO算法对SVR进行寻优得到全局最优解,从而得到具有最佳参数的支持向量回归机模型,通过气膜钢筋混凝土储仓主体结构施工成本数据预测仿真,结果显示:CSO-SVR模型预测精度高于PSO-SVR,GA-SVR,SVR,BPNN等方法,是预测气膜钢筋混凝土储仓主体结构施工成本的有效工具.     

Support vector regression for loss given default modelling

Loss given default modelling has become crucially important for banks due to the requirement that they comply with the Basel Accords and to their internal computations of economic capital. In this paper, support vector regression (SVR) techniques are applied to predict loss given default of corporate bonds, where improvements are proposed to increase prediction accuracy by modifying the SVR algorithm to account for heterogeneity of bond seniorities. We compare the predictions from SVR techniques with thirteen other algorithms. Our paper has three important results. First, at an aggregated level, the proposed improved versions of support vector regression techniques outperform other methods significantly. Second, at a segmented level, by bond seniority, least square support vector regression demonstrates significantly better predictive abilities compared with the other statistical models. Third, standard transformations of loss given default do not improve prediction accuracy. Overall our empirical results show that support vector regression techniques are a promising technique for banks to use to predict loss given default.     

Multiscale support vector regression method in Sobolev spaces on bounded domains

In this paper, we investigate the multiscale support vector regression (SVR) method for approximation of functions in Sobolev spaces on bounded domains. The Vapnik ?-intensive loss function, which has been developed well in learning theory, is introduced to replace the standard l² loss function in multiscale least squares methods. Convergence analysis is presented to verify the validity of the multiscale SVR method with scaled versions of compactly supported radial basis functions. Error estimates on noisy observation data are also derived to show the robustness of our proposed algorithm. Numerical simulations support the theoretical predictions.     

基于支持向量机的大豆产量预测研究

应用支持向量机(SVM)的算法进行中国大豆产量的预测研究,用1991-2008年中国大豆数据组成样本集,建立影响因素与大豆产量之间的SVM模型.利用SVM对输入和输出数据进行训练学习,逼近历史数据所隐含的函数关系,完成对新数据序列的映射关系,从而完成对未来年份大豆的预测,并与其它几种方法的预测效果进行比较.结果表明,SVM预测模型预测大豆产量的精度优于其它预测方法.