支持向量机多分类问题中聚类分类方法研究

支持向量机是在两分类的基础上发展起来的,如何将两分类成果推广到多分类中是支持向量机的一个重要问题.文章在聚类分类的基础上根据二叉树思想,提出了一种新的聚类算法来进行多分类.此方法充分利用二叉树中分两类的简便之处,将多类的聚类简化为点的聚类,从而避免了以往聚类方法中可能出现的同一类的点在聚类中变成不同类的问题,并结合选址问题中固定数目的配送点的选址算法,将原问题进行简化,对多分类问题提出了新的聚类算法.     

基于支持向量机的雷达信号分类

文章首先论述了支持向量机的基本理论,然后给出了基于支持向量机的多分类算法并将其应用于现代复杂体制雷达信号的分类。文章在Matlab环境下对雷达信号进行了模拟,在不同的分类参数组合下,用模拟数据检验了不同核函数的支持向量机多分类算法的效果。     

基于支持向量机及主成分分析的财务危机预测

支持向量机是一种基于统计学习理论的机器学习算法,在小样本情况下亦可得到很好的分类效果。文章提出了基于支持向量机的上市公司财务危机预测模型,公司财务指标作为支持向量机的输入,其数目较多,采用主成分分析方法降低支持向量机的输入向量维数。与多元统计方法、Logit及Probit模型进行比较,结果表明,该方法预测精度高,第一类错误及第二类错误显著减小。     

对经济区域按资源位进行分类的算法比较

目前对经济区域进行分类通常采用主成分分析法等方法进行研究。文章在研究经济区域资源位的过程中引入了聚类算法,并将支撑向量机算法（SVM）引入该研究领域。结合算法原理说明了将其引入经济区域分类的可行性;同时对应用两种算法对经济区域进行分类的结果作出了比较,对应用聚类和支撑向量机两种算法对经济区域进行分类的优缺点进行了分析。     

基于改进支持向量机的消费信贷中个人信用评估模型

文章采用支持向量机研究了消费信贷中个人信用评估问题,建立了基于改进支持向量机的消费信贷个人信用评估模型,并利用部分数据时消费信贷中个人信用评估问题做了实证分析.实验结果表明:线性核的分类效果很不理想,采用高斯核的分类效果不如多项式好,采用多项式核进行分类效果比较理想.     

基于一类学习的支持向量机核参数选择方法

合适的核函数参数对支持向量机的性能起着重要作用,然而如何选择参数是目前尚未得到很好的解决的一个难点问题.文章从实用的角度出发,提出了一种基于一类学习的支持向量机核参数选择方法,利用一类学习算法--支持向量数据描述的特性,通过简单的二分搜索法获取单类数据中一定支持向量个数比例下的核参数值;然后再确定支持向量机核函数参数.实验结果表明,对于不同问题,该方法可快速找到合适的核参数.     

基于SODM的支持向量机的多分类器融合算法

为了解决支持向量机算法在大样本处理的“过学习”现象，文章设计出在并行系统中使用的多分类器支持向量机算法，应用多支持向量机分类器系统代替单一分类器，解决了大样本数据集上学习内存开销大、训练速度慢的缺点；同时，提出了一种自组织选择性融合算法，根据终止法则找到最优复杂度的融合模型，自主更新各分类器并调整其分类性能，把各分类器的分类结果融合为最终的分类，有效解决了大样本多分类器融合受子样本分布状态影响、各分类器学习能力相差过大的缺点，从而提高了训练效率和分类效率。     

知识服务业背景下客户市场细分的聚类方法研究

知识服务业所面对的客户需求具有知识化、专业化及问题解决为导向等特征.在服务过程中客户具有高度的参与性和交互性.文章指出客户市场细分不再局限于事前细分方法中常见的客户行为特征变量,提出了基于态度变量的客户市场事后细分策略,介绍了传统聚类方法K-means和SOFM方法在市场细分中的应用,以及支持向量机聚类方法(SVC)进行知识服务业的客户市场细分的过程.应用SVC方法于具体行业实施客户市场细分,并对比三种方法的聚类效果,说明了该方法对于提高判别分类效果的能力和优势.     

基于模糊支持向量机的客户信用评估研究

文章首先比较了支持向量机与传统分类方法在银行客户信用评估中的效果,结果表明支持向量机更适于目前中国商业银行对个人信用的评价;其次引入模糊支持向量机处理银行客户信用样本中的不平衡问题。实证结果显示,带有模糊关系的支持向量机方法能够减小训练数据类别大小差异对决策机器造成的影响,有效地提高了信用评估的精度。     

基于聚类组合和支持向量机的环境经济负荷调度模型

文章提出了一种基于聚类组合和支持向量机的短期负荷预测方法.该方法首先使用SOM网络训练规格化的特征数据并获得初始聚类中心;然后将初始聚类中心作为C-均值算法的输入,使用DB指数评价聚类结果以获得最佳聚类数,通过训练可得到相似日样本;最后选择合适的参数和核函数构造支持向量机模型来进行逐点负荷预测.     

支持向量机在选择优质股票中的应用

本文利用支持向量机建立挑选优质股票的分类模型,选取上交所1999-2005年的所有上市公司作为研究样本,代入支持向量机模型进行实证测算,结果表明上市公司下一年的每股收益与该公司当年的财务指标有着密切的联系。通过上市公司财务指标,利用SVM分类模型选中的股票其平均每股收益远远超过了上市公司平均每股收益。     

基于SVM的基金业绩评估系统研究

基于结构风险最小化原则的支持向量机对小样本决策具有全局收敛性和较好的学习推广性.基金业绩评价问题本质是分类问题,本文提出基于SVM的二叉树多级分类器实现方法,并对系统特征进行选择验证.实证分析表明采用支持向量机设计的评价系统思路清晰,操作简单,重复训练样本少,在评估系统应用中有较强的实用性.     

内梅罗PPE-SVM组合评价模型

为了尽可能多地利用有用信息,文章应用组合原理,以拟合优度法确定权重组合三个模型(内梅罗指数法,粒子群投影寻踪法及支持向量分类算法),并将之应用于土壤重金属污染评价中.实例验证表明该方法增强了系统的评价性能,具有较强的可靠性.     

基于粗糙集支持向量机的个人信用评估模型

文章改变了过去个人信用评估模型多使用统计方法或者主观分析方法精简数据集属性个数的做法,将粗糙集与支持向量机结合的粗糙集支持向量机方法引入个人信用评估实践。以包括1000个统计样本的德国信用数据作为个人信用评估模型的数据来源,应用粗糙集分析系统RSES进行数据预处理,运用遗传算法计算约简,得出以不同的缩减率得到的约简集;然后使用支持向量机分析工具LIBSVM逐步处理已经进行过属性约简的数据集,并在处理过程中应用了交叉验证和网格搜索技术。     

对支持向量机混合核函数方法的再评估

混合核函数方法并没有解决核函数的选择问题,只是将问题等价转换为权重参数的选择。同时该方法还需要分别为两个核函数确定参数,大大增加了算法的复杂程度,限制了支持向量机的泛化能力。事实上,调节核函数的参数对分类结果的影响要远大于选择什么类型的核函数,因此混合核函数方法实属“避轻就重”。实证分析表明,不同核函数对应的共同支持向量比例很高,存在很大程度的一致性,线性组合的意义并不大,这也是混合核函数方法无法有效提升分类性能的一个重要原因。     

多变量混沌时间序列的最小二乘支持向量机预测

文章根据多变量混沌时间序列的相空间重构理论,建立了多变量时间序列的最小二乘支持向量机预测模型.通过Lorenz系统和中国股市的股票价格序列对该模型进行了验证,结果表明该预测模型能精确地预测混沌时间序列,并且优于基于单变量时间序列的最小二乘支持向量机预测模型.     

基于支持向量机的降水量混沌时间序列预测

本文针对降水量时间序列的混沌性,根据混沌动力系统的相空间延迟坐标重构理论,基于支持向量机优越的非线性拟合性能,建立了基于支持向量机的降水量混沌时间序列预测模型。由于降水量时间序列的特殊性,本文采用均方根误差为标准来选取最优嵌入维数和模型参数,并结合实例验证该模型能精确地预测降水量。同时,这一结论也预示着支持向量机是一种研究混沌时间序列的有效方法。     

一种基于改进NISD的偏二叉树马田系统的数据多分类算法

为解决马田系统多分类算法存在的样本重复训练以及分类准确率下降等问题,文章提出了一种基于改进的类间相似方向数（Number of Inter-class Similarity Direction,NISD）的偏二叉树马田系统多分类算法。该算法利用马氏距离改进类间相似方向数,获得更为科学的样本分类顺序,依此顺序自上而下生成整个偏二叉树,在非叶子节点构造马田系统二分类器,生成最终的分类模型。对于含k个类别的待分类样本,该算法只用训练k-1个二分类器,便可得到马田系统多分类模型,与此同时,层层剥离样本减少了样本的重复训练。UCI数据集实验结果表明,该算法分类效率更高,分类准确率也较高。     

基于旋转扰动的支持向量机隐私保护算法

支持向量机(SVM)是数据挖掘中非常流行的分类算法,得到了广泛的关注。数据泄露问题日渐凸显,数据挖掘中的隐私保护也成为当今研究热点,但是针对SVM隐私保护的研究较少。我们提出了基于旋转扰动的SVM隐私保护算法,该算法引入正交旋转变换方法,具有分类零损失的特性。文章采用传统数据安全评价方法,并利用UCI机器学习中心提供的数据对该算法的隐私性水平进行了分析。理论验证和实验结果表明,我们提出了令人满意的SVM隐私保护算法。     

企业信用风险的度量方法

文章结合我国实际提出基于支持向量机的企业信用风险度量方法,并和神经网络等多种方法进行了实证对比分析,结果显示支持向量机具有较好的预测效果.