基于GA-SVR模型的中国上市公司融资风险预测

提升融资风险预测精度对促进企业资金融通与缓解企业融资约束问题具有重大意义。将中国上市公司作为研究对象,利用粗糙集理论（RS）筛选出企业融资风险预测指标,利用遗传算法（GA）对支持向量回归（SVR）模型的参数进行寻优,并采用GA-SVR模型预测上市公司的融资风险。研究表明:粗糙集理论筛选后得到的17个融资风险预测指标具有较强区分企业是否出现异常状况的能力;资产规模对上市公司的风险预测具有至关重要的作用;GA参数寻优后的SVR模型具有良好的预测精度与稳健性。     

基于随机森林的循环水养殖氨氮预测模型研究

分析和建立深井海水工厂化循环水氨氮含量与养殖对象的数量、均重、饲料投喂量之间的非线性关系。利用离差归一化方法对样本数据进行预处理,并利用Bootstrap方法随机有放回采样生成多个训练集;提出一种基于随机森林回归算法的集成式机器学习方法构建预测模型,对养殖水体中的氨氮含量进行预测,并与支持向量机回归和最小二乘线性回归模型进行对比分析。通过5折交叉验证和8折交叉验证实验表明,以均方根误差和平均绝对误差作为评价指标,以绝对均值误差作为评价函数,所提方法的绝对均值误差为0.135 5,与最小二乘线性回归、支持向量机回归方法进行比较,其误差分别减少62.66%和39.85%。所提方法在进行小样本预测应用中具有较高的预测精度及泛化能力,可为海水工厂化循环水养殖水体中氨氮含量精准预测提供理论依据和参数支持。     

基于改进克隆选择算法的最小二乘支持向量机

针对最小二乘支持向量机的参数选取问题,引入了克隆选择算法,提出了一种基于改进克隆选择算法的最小二乘支持向量机。同时根据最小二乘支持向量机的学习能力和泛化能力,在克隆选择算法的目标函数中加入两者的动态调节机制,这样改进的克隆选择算法在寻优过程中能够准确、快速地搜索到最小二乘支持向量机的最优参数。将本文模型用于乙烯裂解炉裂解深度值的学习和预测,经仿真实验表明:该预测模型的训练速度快,预测精度高。     

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。     

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。     

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。     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法.针对负荷预测建模,采用交叉验证的方法对参数进行选取,得到的最优参数对未来的峰荷进行预测,仿真结果表明了该方法的有效性.     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

支持向量机替代模型的遗传优化设计

针对实际工程中常见的性能函数不能显式表示的优化问题,提出一种基于支持向量机替代模型的遗传优化设计方法。利用试验设计选取合适的设计参数样本点,通过实验或数值仿真获得响应输出,结合遗传算法构建具有参数优化功能的支持向量机替代模型;将支持向量机模型作为目标性能函数,结合其他约束条件完成优化模型的建立,并应用遗传算法进行优化,形成一套准确、高效、适应性强的优化方法。以典型电子装备功分器的结构尺寸优化为例,采用均匀试验设计和高频电磁场仿真软件HFSS获取替代模型训练的学习样本,建立功分器模型的幅度比、相位差和驻波3个响应面目标函数,并对该多目标优化问题进行遗传寻优。     

高铁隧道断层破碎带围岩参数反演研究

针对隧道断层破碎段围岩力学参数缺失问题,基于遗传算法(GA)优化的支持向量机(SVM)算法,建立了高铁隧道围岩力学参数反演模型,以实际监测数据为理论依据,反演得到阳山隧道F26断层段围岩力学参数,结合有限差分软件FLAC 3D以阳山高铁隧道为工程实例进行正演分析,正演结果与实测数据对比完成误差分析。结果表明,样本数量影响算法的性能,具体表现为在设计样本数量区间范围内遗传算法参数寻优的结果精度及支持向量机模型的预测精度与设计样本数量呈正相关。模拟围岩变形值与实际监测数据的相对误差均低于10%,证明了反演方法及模型的可靠性。研究成果为解决高铁隧道断层破碎带围岩力学参数缺失问题提供参考。     

基于GA-BP 算法的旋转控制头轴承温度预测

旋转控制头轴承组件要承受很大的动载荷,由于摩擦力的作用,使轴承发热和磨损非常严重,极易发生轴承 温度过高而导致轴承失效。针对旋转控制头轴承温度影响因素多、精确计算困难、不易测量等特点,提出了一种基于 遗传算法优化的神经网络（the optimized algorithm of BP neural network based on genetic algorithm,GA-BP）进行旋转控 制头轴承温度预测的方法,利用某无外挂冷却润滑泵站式旋转控制头台架实验数据进行训练和测试,并与传统神经网 络模型（BP）进行对比。结果表明,GA-BP 预测模型实现了控制头轴承温度预测过程的自适应控制,预测得到的轴承 温度与期望值之间的线性相关度达到0.991 48;通过95% 置信区间以及平均、最大、最小绝对百分比误差的对比得到, GA-BP 模型在逼近能力、收敛和泛化能力上都要优于BP 预测模型。GA-BP 预测模型预测精度高、稳定性好,对掌 握轴承运行状态,优化旋转控制头冷却润滑方式和结构,提高旋转控制头的整体性能有重要指导意义。     

运用GA-BP神经网络研究时间序列的预测

神经网络能以任意精度逼近非线性函数,以神经网络为基础的时间序列预测模型能很好地反映信息的非线性发展趋势。该文在分析传统BP网络缺点的基础上,用具有良好全局搜索能力的遗传算法来改进神经网络。详细讨论了GA算法的优化神经网络初始权值和阈值的思想和理论。在阐述预测方法同时,用具体例证分析了GA-BP网络预测的性能和特点。结果表明,基于GA-BP神经网络在预测精度和适应性方面高于传统的BP神经网络。     

GA改进的统计组合模型在个人信用评估中的应用

将分类精度作为遗传算法的适应度函数,利用遗传算法改进了基于线性回归和Logistic回归的统计组合预测模型,并将其应用于个人信用评估。结果表明,遗传算法改进后的组合预测模型在总分类精度和两类误判率方面都低于单一模型以及基于误差平方和最小的组合预测模型。利用遗传算法改进组合预测模型并用于个人信用评估是具有优势的。     

蛋白质中钙离子结合残基的识别

钙结合蛋白在诸多重要的生命进程中实现着不可替代的生物学功能。而这些功能的实现,均取决于蛋白质中配体结合残基与钙离子的相互作用。因此,对蛋白质中钙离子结合残基的识别是理解这种重要分子机制的有效手段。建立了396条非冗余蛋白质链共包含1952个钙离子结合残基的钙离子结合蛋白数据集,通过统计分析确定以17个氨基酸残基作为最佳片段长度。使用10交叉检验,以氨基酸组分为特征参数的离散增量算法的预测精度为62.4%,相关系数为0.25;以位点氨基酸保守性信息为特征参数的矩阵打分算法的预测精度为69.9%,相关系数为0.40;以离散增量值、矩阵打分值和自协方差值为特征参数的支持向量机算法的预测精度为75.0%,相关系数为0.50。     

粮食产量预测的支持向量机模型研究

粮食产量的历史数据有限,是典型的小样本数据,又由于粮食产量受不确定性因素的影响,是一个复杂的非线性系统,以往的粮食产量时间序列预测模型的阶数采用经验方法或线性方法来确定,得到的预测精度不理想。针对这些问题,可将支持向量机引入到时间序列模型定阶的方法中,然后采用留一法交叉验证寻找最优参数,建立一个多输入、单输出的预测模型。通过对中国粮食产量进行仿真实验,并与一次滑动平均、ARIMA、LS_SVM和RBF神经网络的预测模型作比较来验证模型的有效性,结果表明该模型该有较高的预测精度和较强的泛化能力,证明了该模型对近期粮食产量的预测是可靠的。     

基于模拟退火遗传算法优化的BP网络在质量预测中的应用

翘曲量预测精度是注塑成形优化的难点。文章以某零件翘曲量为对象,选取注射温度、模具温度、保压压力、保压时间、注射速度等参数,进行数值模拟实验,建立BP神经网络的翘曲量预测模型。针对BP神经网络易陷入局部最优解的缺陷,设计一种基于模拟退火遗传算法优化的BP网络模型,与BP网络的预测精度对比。结果表明,基于模拟退火遗传算法优化的BP网络模型预测精度高于BP网络模型,同时加快收敛速度,增强全局搜索能力。     

基于网络搜索指数和EMD-ARIMA-BP组合模型的游客量预测——以张家界为例

科学的客流量预测有利于完善旅游安全预警体系和优化旅游资源配置体系。为进一步提高游客量预测的准确度,提出一种基于网络搜索指数的EMD-ARIMA-BP组合模型,以探究互联网时代旅游消费者出行行为规律。该模型首先对网络搜索行为数据进行指数合成,其次利用EMD算法对游客量和网络搜索数据进行去噪处理,最后将ARIMA模型和BP神经网络进行组合,对游客量进行预测。实证分析以张家界为例。研究发现：（1）运用网络搜索数据预测旅游消费者出行行为切实可行,接近于实时的网络数据可以大幅提升预测的时效性;（2）经过EMD去噪算法对游客量与网络搜索行为数据进行去噪处理后,游客量的预测精度有较大程度提高;（3）基于网络搜索指数和EMD-ARIMA-BP组合模型的预测误差显著低于ARIMA模型和BP神经网络等基准模型。     

现金流量预警指标视角下的BP神经网络模型实证检验研究——来自2007—2012年沪深两市ST公司的数据分析

文章针对现金流量指标的国内外研究动态,从财务危机预警角度构建现金流量预警指标体系;并选取2007年-2012年沪、深两市A股79家ST公司及79家非ST公司作为训练样本,用样本公司被ST前1年、2年、3年的数据对指标进行筛选,将BP神经网络模型预警结果与样本的实际结果进行比较。研究结果表明：BP神经网络模型t-1年、t-2年、t-3年的预测精度依次下降,但t-3年财务预警模型对训练样本的预测精度仍能达到79．22％,对检验样本的预测精度也能达到78％。     

蛋白质二级结构序列片段的识别

识别蛋白质二级结构片段,实质上是从序列片段的水平上对二级结构进行预测.用离散量的方法,通过一系列的计算发现:选择氨基酸(20种氨基酸加一个空位)和其紧邻关联共同为参数,从N端截取固定长序列片段为6或7个连续氨基酸残基时,10交叉检验平均预测精度能达到75%~77%,jack-knife检验平均预测精度能达到72%;当固定长序列片段为9或10个连续氨基酸残基时,10交叉检验平均预测精度能达到82%~83%,jack-knife检验平均预测精度能达到74%~76%.