基于量子粒子群的神经网络集成股市预测模型研究

利用量子粒子群改进神经网络集成个体的网络结构和连接权值,利用主成分分析法提高集成个体差异度,形成一组优良的神经网络集成个体,利用支持向量机回归集成生成输出结论,求出非线性时序函数的全局最优解,随即建立一个基于量子粒子群的神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

财务困境的预测研究

财务困境预测通用的四种方法为判别分析、逻辑回归、神经网络和支持向量机。实证研究显示,支持向量机和神经网络模型预测的误判率较低,逻辑回归和判别分析模型预测的误判率稍高。     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

新常态经济的CPI预测模型——构建与实证比较

本文基于新常态经济发展背景研究了居民消费价格指数(CPI)的预测模型,采用传统的方法和机器学习方法进行预测和对比分析,包括普通最小二乘回归、LASSO回归、岭回归、时间序列预测方法、神经网络、随机森林和支持向量回归。结果表明,神经网络的预测结果明显优于传统的回归方法和时间序列预测方法,而且也同样优于支持向量回归方法和随机森林方法。此外,在引入集成学习方法进行综合后,各模型的预测精度进一步提升。     

基于Lasso和支持向量机的粮食价格预测

首先利用Lasso方法在影响粮食价格波动的众多因素中选出了粮食储备、粮食生产成本、粮食产量、粮食政策、生产需求、贸易需求、心理预期等7个主要影响因素;然后在Lasso变量选择的基础上利用支持向量机进行粮食价格的回归与预测,同时,把Lasso、支持向量机、Lasso-支持向量机及ARIMA方法的拟合预测效果进行比较。实证结果表明：Lasso-支持向量机组合预测方法的拟合预测效果要优于另外三种预测方法。     

基于支持向量机集成学习方法的高新技术上市公司绩效预测研究

本文以创业板高新技术企业为对象,采集样本企业2011-—2014年的年报数据,通过构建支持向量机预测模型和支持向量机集成学习方法预测模型,预测样本企业的绩效。研究结果显示:两种预测模型均能有效预测样本企业的绩效,支持向量机集成学习方法预测模型的准确度更高,样本数据越接近预测年度,预测的准确度越高。     

基于融合CNN和SSA-SVM的滚动轴承故障诊断

针对滚动轴承故障诊断问题,提出一种融合一维卷积神经网络(1D CNN)和麻雀算法优化支持向量机(SSA-SVM)的网络结构。该网络结构通过卷积运算对原始时域振动信号直接进行特征提取,将提取到的特征输入到麻雀算法优化的支持向量机中,使用支持向量机代替Softmax进行分类。利用滚动轴承故障数据进行验证,此方法故障诊断精度高达0.983,高于其他网络结构,且整体网络结构简单,有一定实际应用价值。     

裂缝天线缝制造精度对电性能影响的预测

为了避免传统方法在分析结构因素对电性能影响时需要假设和近似处理的弊端,提出了根据平板裂缝天线生产制造中的数据,使用支持向量回归建立缝制造精度对电性能指标影响的预测方法。给出了一种以最小化支持向量回归的拟合能力和泛化能力为目标函数来选择支持向量回归机参数的方法,以方便该方法的工程应用。案例研究表明,该方法能够较准确地预测缝制造精度对电性能的影响;与传统的BP神经网络和最小二乘法对比,该方法具有更好的泛化能力,可以应用到平板裂缝天线的计算机辅助制造中。     

基于PCA和PSO-SVM的手写数字识别应用研究

针对当前手写数字识别正确率较低这一不足,提出了一种主成分分析(PCA)和粒子群算法优化支持向量机(PSO-SVM)的手写数字识别方法。首先,利用PCA降低输入数据的维数,然后把降维的数据作为SVM的输入,用PSO不断优化SVM中的核函数参数g和惩罚因子c,以提高分类精度。实验结果表明:同传统的SVM、GA-SVM、网格搜索算法、卷积神经网络(CNN)相比,PSO-SVM方法分类方法具有最高的识别准确率且运算效率也较高,达98.2%,性能上优于其他几种分类算法。     

固定尺度最小二乘支持向量机

针对最小二乘支持向量机(LS-SVM)在进行回归预测时存在的稀疏性缺陷问题,采用固定尺度最小二乘支持向量机,即固定支持向量数量进行改进。仿真结果表明:固定尺度最小二乘支持向量机在训练各种样本数据集时,有效地避开了LS-SVM中的稀疏性问题,且训练速度快,同时具有良好的预测精度。     

基于舆情分析视角的网络借贷问题平台甄别模型研究

从舆情分析视角,将多维度舆情信息纳入网络借贷平台风险分析范畴,针对不同类型的舆情信息采用不同文本处理方式,基于实验研究并结合内部平台基础信息指标与外部舆情信息指标,采用神经网络、支持向量机、随机森林和逻辑回归方法构建网络借贷问题平台甄别模型,验证舆情信息指标对甄别模型的性能提升作用.实验结果表明:第一,综合采用平台基础信息、运营信息和舆情信息进行网络借贷问题平台甄别,准确率更高;第二,相较于随机森林模型、支持向量机模型、逻辑回归模型而言,神经网络模型的甄别效果最佳.本研究有助于金融监管部门科学全面地了解网络借贷平台运营状况,并有针对性地开展精准化监管治理工作.     

PSO-ε-SVM的回归算法

回归支持向量机的ε不敏感损失函数的参数寻优是一个重要的问题,它与支持向量机的行为特性有紧密关系。本文给出了一种基于粒子群优化算法的、对ε不敏感损失函数的ε参数寻优的方法,仿真结果表明:采用基于粒子群优化算法的寻优方法寻找ε参数,需要重复训练回归支持向量机模型的次数明显小于格点搜索方法,节省了大量的时间并且能找到较优的ε值。     

基于多分类器组合的个人信用评估模型

针对个人信用评估单一模型存在的不足,提出一种基于多分类器组合的个人信用评估模型.该模型综合了多元判别分析、logistic回归、神经网络、支持向量机等七种个人信用评估单一模型的预测结果,利用加权投票方法对其进行组合并输出最后预测结果.在某商业银行信用卡数据集上的测试结果表明,组合模型能有效地提高预测精度及稳健性,对信贷机构控制消费信贷风险具有很好的适用性.     

基于SVR的股市预测与择时研究

本文首先阐述支持向量回归机原理,在此基础上建立了SVR预测模型,以HS300指数数据为测试样本,分析了SVR模型在时间序列预测问题中的优势,并在此基础上进行了交易实验.结果表明：支持向量回归机适用于预测股市大盘的短期走势,并能够得到比较好的预测效果.     

基于SVM的综合实力评估系统研究

简略介绍了支持向量机的基本思想 ,研究其在综合评价中的应用。分析了对大学进行实力评估的过程 ,建立基于SVM的评价系统。比较新评价系统和采用其他方法如PCA (PrincipalComponentAnalysis主元分析 ) ,Fisher等建立的评价系统所分别取得的拟合效果。结果表明 :采用支持向量机设计的评价系统思路清晰 ,操作简单并且能取得更为理想的评估结果。     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达。以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比。结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度。     

基于最小一乘的GA-SVR用电量预测

基于最小一乘准则和交叉验证思想下,提出了一种基于自适应遗传算法参数寻优的支持向量回归机模型。该模型采用最小一乘准则作为训练标准,提高了模型的整体稳定性。使用自适应遗传算法对支持向量回归模型进行参数寻优,加快了训练时间,提升了预测精度,同时,交叉验证方法的采用,又进一步地提升了模型的泛化能力和预测精度。采用该模型对江苏省全社会用电量进行预测的结果表明,其预测精度要优于传统的支持向量回归模型和一般的粒子群优化支持向量回归模型。     

基于多源数据的房地产价格指数预测模型及实证研究

房地产的价格变化对社会经济发展有显著的影响,准确预测房地产市场价格变化并对其进行有效调控显得尤为重要,但使用房价作为评估房地产市场的度量指标有一定的局限性。住宅销售价格指数是由国家统计局发布的综合反映住宅商品价格水平总体变化趋势和变化幅度的相对数,为探讨新建商品房住宅销售价格指数的预测方法及其预测有效性,利用与相关的房地产供求关系、社会宏观经济指标、国家货币政策和民众对房价的预期等多源数据,构建了一套房地产价格指标体系。分别使用BP-Adaboost和支持向量回归机两种机器学习算法构建房地产评估模型,同时设计了一个调参算法对支持向量回归机模型进行参数优化。在实证中使用华北某市的房地产月度数据对两种模型进行训练和预测,并与ARIMA模型和经典BP神经网络模型做对比。实验结果表明,BP-Adaboost模型的预测误差最小,使用BPAdaboost模型预测房地产价格指数具有可行性。     

基于支持向量机的企业产品创新能力评价

创新能力研究一直是学者们关注的热点问题.支持向量机是以统计学习理论为依据,发展起来的一种新的机器学习方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.通过建模和实证,尝试将支持向量机引入企业产品创新能力评价领域,并与BP神经网络评价方法相比较,从而发现其优越性.