基于支持向量机的算子逼近方法

Rn中连续算子的逼近问题的数值方法,一直是计算科学中研究的热点。本文引进了新兴的智能机器一支持向量机,以解决Rn中连续算子的逼近问题。在给出支持向量机用于算子逼近问题的详细数学表示之后,我们提出了分块逼近的算法,并通过具体的实例说明支持向量机在算子逼近问题中的有效性与优越性。     

基于加权支持向量机的VaR计算方法研究

针对统计学框架下传统VaR计算方法的不足,发展了基于加权支持向量机（W—SVM）的VaR计算新方法．为了在VaR模型中计入金融时间序列的记忆效应,采用最优市场因子作为支持向量机的加权模型．对2001—2009年上证综指的实证研究表明,基于W—SVM的VaR模型优于传统的VaR方法,在小样本、厚尾、非线性及有异常波动的市场条件下,各种置信度下的W—SVM方法均能取得较好的性能．     

基于模糊积分支持向量机集成的商业银行信用风险评估模型研究

信用风险管理一直是银行和其他金融机构最关心的问题之一.随着我国经济体制的改革深入、市场机制的建立与完善以及资本市场、银行业的迅速发展,现行的信用评估体制与方法赶不上经济改革发展的需要.本文建立了基于模糊积分的支持向量机集成方法,该方法综合考虑了子支持向量机的输出重要性.用此方法对商业银行的信用风险进行评估,并与单个支持向量机和最多投票原则的支持向量机集成进行比较,实证结果表明,本文提出的方法具有更高的分类精度,证实了该方法的可行性和有效性,为银行建立一套更加可靠的评估系统提供了理论依据.     

基于支持向量机的制造企业创新能力评价模型

在分析了制造企业创新能力评价指标体系的基础上进行企业调查,对收集到的不同类型制造企业的完整数据进行整理,因子分析整理后得到9个综合因子表述原数据,以减少数据处理及问题分析的复杂性.利用支持向量机作为分类器,并使用已有的企业数据作为训练样本,创建了基于支持向量机的制造企业创新能力评价模型.实验结果表明采用径向基函数和多项式函数作为核函数,此模型具有很好的分类性能,可作为制造企业创新能力的评价工具.     

基于模糊支持向量机的企业关系价值分级度量研究

针对合作制造企业间关系的特点,界定了企业关系价值的基本内涵.通过对企业关系价值度量维度划分,建立了企业关系价值的度量指标体系.在此基础上,采用模糊支持向量机方法建立了企业关系价值分级度量模型,并对其进行了分级度量.实验结果表明,该方法不仅能有效地度量出企业关系价值的级别,而且可以作为企业制定合作战略和决策的依据.     

从支持向量机到非平行支持向量机

非平行支持向量机是支持向量机的延伸,受到了广泛的关注.非平行支持向量机构造允许非平行的支撑超平面,可以描述不同类别之间的数据分布差异,从而适用于更广泛的问题.然而,对非平行支持向量机模型与支持向量机模型之间的关系研究较少,且尚未有等价于标准支持向量机模型的非平行支持向量机模型.从支持向量机出发,构造出新的非平行支持向量机模型,该模型不仅可以退化为标准支持向量机,保留了支持向量机的稀疏性和核函数可扩展性.同时,可以描述不同类别之间的数据分布差异,适用于更广泛的非平行结构数据等.最后,通过实验初步验证了所提模型的有效性.     

基于DC规划方法的稀疏临近支持向量机

为了提高临近支持向量机(PSVM)的数值表现,在PSVM的模型中引入了l_0-范数正则项,提出了稀疏临近支持向量机模型(SPSVM),从而提高分类器的特征选择能力。然而带有l_0-范数正则项的问题往往是NP-难问题,为了克服这一问题,采用非凸连续函数近似l_0-范数,并通过适当的DC分解将问题转化成DC规划问题进行求解,同时还讨论了算法的收敛性。数值实验结果表明不论是在仿真数据还是在实际数据中,所提出的方法是比较有效稳定的。     

基于DC规划方法的稀疏临近支持向量机

为了提高临近支持向量机（PSVM）的数值表现,在PSVM的模型中引入了$\ell_0$-范数正则项,提出了稀疏临近支持向量机模型（SPSVM）,从而提高分类器的特征选择能力。然而带有$\ell_0$-范数正则项的问题往往是NP-难问题,为了克服这一问题,采用非凸连续函数近似$\ell_0$-范数,并通过适当的DC分解将问题转化成DC规划问题进行求解,同时还讨论了算法的收敛性。数值实验结果表明不论是在仿真数据还是在实际数据中,所提出的方法是比较有效稳定的。     

基于支持向量机的磨粒识别

由于神经网络的局限性,上个世纪末,支持向量机被提出和发展,它在模式识别方面有广泛的应用发展前途,并由最初的二元分类发展到现在的多元分类.本文根据支持向量机的最新发展,把最小二乘支持向量机应用在磨粒识别上,并取得了好的结果.     

基于支持向量机的企业破产分析

企业破产分析是不确定的、非线性的复杂系统,传统方法往往难以准确描述这种非线形特性,而支持向量机能够解决线性及非线性分类问题并且具有全局收敛性和良好的推广能力,因此,基于支持向量机的智能化新技术建立企业破产分析预测系统模型.实证表明该模型具有良好的预测能力和较强的实用性.     

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.     

基于支持向量机的个人信用评估模型研究

随着我国经济的快速发展，个人信贷业务扩大，给银行带来收益的同时必然存在风险，针对传统个人信用评估方法的不足，鉴于支持向量机具有全局收敛性和良好的推广能力，本文将这种方法应用到信用评估中，利用支持向量机的方法对个人信用进行实证评估，并与K最近邻模型方法进行比较，得出了该方法的可行性和优越性，为银行建立一套完善的评估体系提供依据。     

支持向量机方法与模糊系统

概括介绍了近年来倍受瞩目的一种新的计算机学习方法——支持向量机(Support Vector Machines,简称SVM)方法,这一方法具有坚实的理论基础和出色的应用效果;并分析了SVM方法与模糊系统的关系,对这两种方法的交互促进和发展提出了看法。     

结构可靠性分析的支持向量机方法

针对结构可靠性分析中功能函数不能显式表达的问题,将支持向量机方法引入到结构可靠性分析中．支持向量机是一种实现了结构风险最小化原则的分类技术,它具有出色的小样本学习性能和良好的泛化性能,因此提出了两种基于支持向量机的结构可靠性分析方法．与传统的响应面法和神经网络法相比,支持向量机可靠性分析方法的显著特点是在小样本下高精度地逼近函数,并且可以避免维数灾难．算例结果也充分表明支持向量机方法可以在抽样范围内很好地逼近真实的功能函数,减少隐式功能函数分析（通常是有限元分析）的次数,具有一定的工程实用价值．     

集成随机森林和支持向量机的商业银行财务困境预测研究

提出了一种基于随机森林和支持向量机的集成模型来预测商业银行财务困境.结果表明,一方面,与多层感知神经网络相比,支持向量机可以更有效地作为集成学习模型的基分类器,虽然多层感知器神经网络在以往的研究中更多地被用于基分类器.另一方面,与现有的bagging、dagging、multiboost、adaboosting、random subspace等集成学习算法相比,该模型的预测性能明显提高.另一个关键发现是,利用银行业、宏观经济状况和国际金融风险变量补充银行层面的脆弱性,可以显著提高模型在商业银行财务困境预测中的表现.     

基于支持向量机的凝血功能诊断模型

使用凝血四项指标诊断凝血功能是临床的常规检查,但根据经验进行诊断正确率不高.剔除临床上最重要的指标FIB后,建立支持向量机模型诊断的正确率和根据凝血四项指标诊断的正确率没有显著差异,100次模拟的平均正确率分别达到了95.4496%和95.5039%.     

基于支持向量机的辽宁省粮食产量预测

随着中国经济的不断发展,城市化进程不断推进,总人口逐年增加;农村人口逐年减少,粮食的需求量逐年增加,某些贫困地区已经出现粮食短缺的状况.本文选取了1986年-2016年辽宁省年粮食总产量、有效灌溉面积、农业化肥施用量、农业机械总动力、播种面积以及受灾面积等相关数据.利用支持向量机回归、线性回归,随机森林三种方法,对辽宁省粮食产量进行了预测,并比较了三种方法预测的精准度.     

基于支持向量机的飞行事故率预测模型

飞行事故率是表征飞行安全水平的重要指标,其预测是典型的小样本问题.针对目前飞行事故率预测中存在的预测精度不高的问题,提出了一种基于回归支持向量机的飞行事故率预测建模方法.最后结合实际算例,采用SVR进行了飞行事故率预测建模并把预测结果与灰色预测和灰色马尔柯夫链预测进行了对比.仿真结果表明SVR具有很高的建模精度和泛化能力,从而验证了采用SVR进行航空飞行事故率预测的合理性和先进性.     

基于支持向量机的神经元形态分类

针对神经元的空间几何形态特征分类问题以及神经元的生长预测问题进行了探讨.结合神经元的形态数据,分别建立了基于支持向量机的神经元形态分类模型、基于主成分分析和支持向量机的神经元分类模型以及基于遗传算法和RBF网络的神经元生长预测模型,在较合理的假设下,对各个模型进行求解,得到了较理想的结果.     

基于间隔迁移的多视角支持向量机

针对同一对象从不同途径或不同层面获得的特征数据被称为多视角数据. 多视角学习是利用事物的多视角数据进行建模求解的一种新的机器学习方法. 大量研究表明, 多视角数据共同学习可以显著提高模型的学习效果, 因此许多相关模型及算法被提出. 多视角学习一般需遵循一 致性原则和互补性原则. 基于一致性原则,Farquhar 等人成功地将支持向量机(Support Vector Machine, SVM)和核典型相关分析(Kernel Canonical Correlation Analysis, KCCA)整合成一个单独的优化问题, 提出SVM-2K模型. 但是, SVM-2K模型并未充分利用多视角数据间的互补信息. 因此, 在SVM-2K模型的基础之上, 提出了基于间隔迁移的多视角支持向量机模型(Margin transfer-based multi-view support vector machine, M^2SVM), 该模型同时满足多视角学习的一致性和互补 性两原则. 进一步地, 从一致性的角度对其进行理论分析, 并 与SVM-2K比较, 揭示了 M^2SVM 比SVM-2K 更为灵活. 最后, 在大量的多视角数据集上验证了M^2SVM模型的有效性.