基于GA-SVM的上市公司财务评价模型研究

财务评价是企业财务管理中的重要环节,本文在对传统财务评价方法的不足进行分析的基础上,结合财务管理理论和企业预警理论,采用GA-SVM方法建立上市公司财务评价模型。首先以沪深两市2007~2009年度A股上市公司为研究对象,以因财务状况异常而被列为特别处理的公司(ST公司)作为界定上市公司的财务危机标志,并以上市公司年报财务数据作为输入特征向量,然后将遗传算法与支持向量机相结合,通过实证方法建立上市公司财务评价模型,实证结果验证了该模型的有效性。     

基于GA-SVM算法的网络入侵检测研究

信息网络化时代使得网络更加开放,网络安全问题备受关注,有效的网络入侵检测算法对确保网络安全发挥着至关重要的作用.在对SVM算法进行分析的基础之上,采用GA算法对惩罚系数和核参数进行优化,得到用于网络入侵检测的GA-SVM算法,同时将其应用于KDD Cup99数据集的4种网路入侵数据的检测中.检测结果表明,相对于SVM算...     

基于SVM和GA-SVM的个人信用评估模型研究

在大数据时代,数据的作用不可估量,被广泛应用到各个领域,提高了各行各业的生产效率,继而促进了经济的高速发展.同时,由于数据的高效使用,我们的生活方式也在不断改变,其中最值得重视的是我们的消费模式发生了很大的变化,信用消费模式越来越普遍,所以对消费个体进行信用评估也就越来越重要.对个人进行信用评估指的就是对个人的历史...     

基于价值投资的PCA-SVM股票选择模型研究

为了顺应股市价值回归趋势和引导理性投资,在价值投资理论指导下,采用PCA-SVM方法建立了基于价值投资的股票选择模型.根据股票的价值特征集,采用主成分分析方法实现对股票价值特征的提取.采用多组不同的训练样本对支持向量机进行训练,并对训练成功的支持向量机进行样本内和样本外测试.利用该股票选择模型对上证180指数的成分股票进行识别.结果证明PCA-SVM股票选择模型具有良好的选股能力.     

GA-SVM对上证综指走势的预测研究

将支持向量机和遗传算法结合,建立了一种智能数据挖掘技术(GA-SVM),并用于对上证综指市场走势进行了探索.在这个混合的数据挖掘方法中,GA用于RBF参数的设定以及特征集的选择,从而智能的找到SVM的最佳参数,减少SVM特征值的复杂度,提高了SVM算法速度.SVM用于判断未来股票市场的走势,并与统计模型、时间序列模型方法、神经网络进行了对比.实验证明,GA-SVM优于其他几种方法,这种方法对于股票上涨或下跌的预测研究是有效的.     

基于动态调整的GA-SVM多分类二叉树的方法

基于遗传算法的支持向量机决策树多分类方法仍然存在错误累积的问题,累积的错误往往使分类准确率下降,分类效果变差,存在全局优化缺陷的问题;并且在每个节点进行二分类常用的实数编码切分方法,效率低下。针对这两方面的问题,提出从根节点开始逐层构造二叉树,运用二进制编码的遗传算法进行每一阶段的二叉树构造。二进制编码对于每个节点的分类以及进行交叉、变异更高效,不用考虑从什么位置切分。针对越靠近根节点产生的误差对后续节点分类误差的累积影响,提出一种动态调整的方法,此方法对每个节点赋予权重再进行对权重的调整使得整体的分类误差减小,最终得到二叉树的全局最优,从而提高分类精度。通过实验并进行五折交叉验证表明,DABT-SVM比多种传统的支持向量机多分类算法在全局优化能力和分类精度上有很大的提升。验证了该算法的可行性和有效性。     

个人信用评估GA-SVM模型的构建与应用

文章针对SVM中的参数选择问题,提出了利用遗传算法进行优化的方法,并将其应用于商业银行的个人信用评估中,构建了个人信用评估GA-SVM模型;通过对GA适应度函数的设置来控制个人信用评估中给商业银行造成较大损失的"取伪"误判的发生;模型的应用结果表明,GA-SVM模型能够对样本数据进行较好的分类,并且"取伪"误判得到了控制.     

基坑近邻地表沉降的GA-SVM建模研究

基坑开挖引起其邻近地表沉降的即时预测评估有利于实现工程安全的高效控制,应用支持向量机(Support Vector Machines,SVM)函数方法提出一个适用于这项工作需要的沉降数据预测方法。通过遗传算法(Genetic Algorithm,GA)的引入获得核函数类型、核函数参数及错误惩罚因子的选取结果。结合SVM函数回归计算技术,利用已知数据完成GA-SVM建模,根据模型的外推结果,给出沉降预测值。以广州某地铁工程为实例,对比分析了GA参数寻优是否进行优化的预测效果差异,与实测结果的对比证实GA-SVM预测模型具有较好的预测精度,同时表明GA-SVM沉降预测方法良好的技术应用价值。     

基于图像特征和GA-SVM的烤烟烘烤阶段识别研究

密集烤房内烤烟烘烤阶段的自动识别是建立智能化烟叶烘烤系统的重要环节.为了有效地识别烤房内烤烟的烘烤阶段,该文提出了一种基于图像特征和GA-SVM(Genetic Algorithm-Support Vector Machine)相结合的方法.该方法将机器视觉系统提取的烤烟图像特征作为SVM的输入参数,通过GA全局搜索特性选取出模型的最优特征子集,最后通过多分类SVM实现对烘烤阶段的识别,同时验证了选取特征的有效性.仿真结果表明:从9个原始特征中筛选出5个图像特征,总体识别精度从93.7%提高到96.5%,能有效地识别烤烟的烘烤阶段,具有良好的在线应用前景.     

基于GA-SVM的渤海湾富营养化模型

为了更好地模拟和认知渤海湾富营养化的复杂行为,通过研究遗传算法(GA)和支持向量机(SVM)的结合形式,即参数寻优和特征选择,以渤海湾水质实测资料为依据,叶绿素a的质量浓度为输出,建立了GA-SVM的富营养化模型.无特征选择时,用遗传算法对支持向量机的参数(惩罚参数和核参数)进行自适应地优选,预测模型的均方误差可达到1.831μg/L,具有较好的认知、泛化能力.再利用遗传算法二进制编码及启发式寻优的优点,对所建模型的输入空间进行特征选择,提取出代表性的特征变量:DO%、pH值、水温、COD、盐度以及氨氮.特征提取后预测模型的均方误差可达到1.363μg/L,模型性能有了很大提高.分析表明,COD、盐度及氨氮可作为人为控制的首要指标.     

运用GA-SVM模型的砂石骨料分类方法

提出一种能够直接从破碎工序上识别骨料成分的算法模型.在花岗岩、石灰石、灰绿岩三种骨料剪切破碎实验的基础上,获取其相关物理特征量;然后,采用遗传算法(GA)与支持向量机(SVM)相结合的算法,对破碎、筛分后的人工砂石骨料物理特征量进行训练,建立人工砂石骨料分类的GA-SVM模型.研究结果表明:所提GA-SVM模型具有较强的分类效果,能够较好地识别人工砂石骨料成分;与传统的BP神经网络、偏最小二乘法相比,其分类准确率高.     

基于GA-SVM算法烟叶部位致香成分差异性分析

采用高效液相色谱-气相色谱-质谱联用法(HPLC-GC-MS)测定中部和下部烟叶的巨豆三烯酮、β-紫罗兰酮、氧化紫罗兰酮、茄酮等11种致香成分,应用遗传算法(GA)对筛选出的8种致香成分建立中部和下部烟叶支持向量机(SVM)分类判别模型.结果表明,中部和下部烟叶的SVM分类判别模型的建模、留一法及预报准确率分别为95.45%,89.39%和81.25%.利用Fisher判别矢量方法考察了中部和下部烟叶的空间分布规律,分析出中部和下部烟叶致香成分中,巨豆三烯酮、β-紫罗兰酮、氧化紫罗兰酮差异显著.     

基于GA-SVM模型预测减水剂对充填体强度的影响

 改善充填料浆的工作性能、提高充填体的强度和密实性是矿山充填法的研究方向之一。充填配比实验表明, 在充填材料的制备过程中加入适量的高效减水剂可以提高充填体的抗压强度。为得到经济、高效的减水剂添加参数, 以萘系、氨基、木钙和脂肪族4 种减水剂结合新型充填胶凝材料, 应用某矿山的全尾砂进行配比实验, 建立GA-SVM 预测模型进行优化选择。在优选过程中, 以4 种减水剂的添加量作为输入因子, 以充填体28 d 龄期单轴抗压强度作为综合输出因子, 根据室内试验, 建立训练、验证样本集;建立支持向量机(SVM)回归预测模型, 通过遗传算法(GA)对SVM 模型参数进行优化选择, 当4 种减水剂组合添加的质量分数依次为0、0.35%、0.30%、0.60%, 抗压强度预测值为4.20 MPa。与实验对比, 该模型预测结果的相对误差能控制在1%以下, 精确度较高, 为减水剂添加参数的优选提供了一种新思路。     

GA-SVM和神经网络组合模型预测充填钻孔寿命

 充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,因此对矿山充填钻孔使用寿命进行预测十分重要。通过建立支持向量机（SVM）和BP神经网络组合预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为SVM适应度函数,通过遗传算法（GA）对SVM模型参数进行优化选择,应用优化得到的SVM模型进行预测,并结合BP神经网络进行残差修正,最终得到预测结果。以某矿为例,通过GA得到SVM模型最优参数：适应值（均方误差mse）=0.0111,惩罚系数C=47.0768,核函数参数σ=2.2638。通过优化的SVM模型,对预测集充填钻孔寿命进行预测,经BP神经网络残差修正,预测结果的相对误差均控制在3%左右。对比单一预测模型,组合预测模型预测结果更加理想,精度更高,在类似的预测工程中有良好的推广价值。     

基于GA-SVM模型的虹膜质量评估方法

针对虹膜图像质量评价过程中存在的如何选取适量的评价因子、 如何降低评价因子的计算量、 如何对评价因子进行有效融合等问题, 提出一种基于遗传算法支持向量机（GA-SVM）模型和多测度评价指标的虹膜图像质量评估方法. 首先对虹膜图像进行清晰度质量评价, 粗略筛除模糊图像; 然后选用4个评价指标, 利用GA-SVM模型对评价指标值进行有效融合, 以综合评价虹膜图像质量; 最后将该方法在吉林大学第六代虹膜库中进行验证, 并与其他经典评价方法进行对比. 实验结果表明, 该方法能提高可用虹膜存活率, 并达到较好的识别精度, 同时提升系统运行速度.     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.