基于遗传算法优化的LS-SVM模型的应用研究

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型.并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007～2009年四川省天然气消费量.     

LS—SVM模型选择及其在森林火灾预测中的应用

文章根据森林火灾的实际数据,选取适当的目标函数,利用最小二乘支持向量机（LS-SVM）建立模型,通过对LS-SVM中超参数的联合优化选择出最佳模型,并把用所选模型进行预测的结果与支持向量机（SVM）预测的结果进行比较,结果表明所建立的森林火灾预测模型具有较高的预测精度。     

小波包与贝叶斯LS-SVM在石油价格预测中的应用

掌握国际石油价格变化趋势,可以为决策者提供决策依据.文章提出了基于小渡包和贝叶斯推断的最小二乘支持向量机石油价格预测方案.对石油价格时间序列进行小渡包分解与重构,采用贝叶斯推断对得到的各近似序列和各细节序列进行最小二乘支持向量机模型参数优化,再分别利用优化了的模型进行预测,合成得到最终预测结果.对美国纽约商品交易所原油价格进行仿真实验,结果表明该方法很好地改善了石油价格预测模型的运行速度与预测精度.     

基于SSA-MGF的偏最小二乘回归预测模型

本文利用奇异谱分析和均生函数方法,对原始序列重构延拓作为自变量,原始序列作为因变量,建立偏最小二乘回归预测模型,并与主成分最小二乘回归预测模型比较分析.实例结果表明,该方法具有预测精度高、稳定好的特点.     

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SA和Bootstrap的LS-SVM参数优选及应用

文章针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用模拟退火算法(SA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用.用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明.该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

遗传支持向量机及其在人民币汇率变动方向预测中的应用

文文章基于金融时间序列的近期数据对未来的影响会大于早期数据,对应用于金融时间序列预测的支持向量机方法进行了改进,给出了不等权重支持向量机方法（USVM）及其多项式光滑化处理;将不等权重支持向量机方法应用于训练样本集的子集确定预测模型,给出了遗传不等权重支持向量机方法（GAUSVM）;对GAUSVM应用于汇率变动预测的实证分析发现,通过利用遗传算法对预测模型选优能够有效地提高USVM预测效果,加强其数据挖掘的功能。     

AGA参数优选的SVR模型及其在经济系统预测中的应用

支持向量机已经被成功应用于解决非线性回归和时间级数等问题。文章运用自适应遗传算法对支持向量回归进行最优参数设置,得到一种新的预测模型——AGASVR模型,并且将该模型应用于经济系统的和预测。实验结果表明,提出的模型相对神经网络模型、小波神经网络模型和灰色系统模型而言,运算精度高,是一种有效的经济系统预测方法。     

一种新的神经网络集成方法在证券分析预测中的应用

文章利用Bagging技术和不同的神经网络算法生成集成个体,并用偏最小二乘回归方法从中提取集成因子,再利用贝叶斯正则化神经网络对其集成,以此建立上证指数预测模型。通过上证指数开盘价进行实例分析,计算结果表明该方法预测精度高、稳定性好。     

一种基于RS-LSSVM的经济景气指数预测模型

为了消除经济景气指数系统中指标冗余及非线性预测困难等问题,文章利用粗糙集约简原理及支持向量机非线性预测特性,提出一种粗糙集与最小二乘支持向量机混合预测模型RS-LSSVM.模型运用粗糙集约简样本数据空间的维数,加快LSSVM的训练速度和模型的精度,又能弥补粗糙集方法在实际应用过程中噪声敏感问题.最后通过我国工业企业景气指数实证分析及与BP神经网络预测相比较,验证了该预测模型的有效性.     

基于偏最小二乘方法的信用评分模型

为了克服信用评分模型中自变量存在多重共线性的问题,文章引入了偏最小二乘思想,即采用限制预测值的偏最小二乘回归和偏最小二乘Logistic回归来创建信用评分模型。偏最小二乘法可以同时解释因变量和自变量的变异,在实际运用中更加符合信用评分模型的特点。实证研究的结果表明,利用这两种偏最小二乘模型创建的信用评分模型具有很好的准确性和稳定性。     

LS-SVM的一种参数优选方法及混沌时间序列预测

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能.文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测.通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的.     

基于样条函数的时间序列预测模型

本文基于B样条函数最小二乘法的非参数回归与时间序列方法相结合,建立了时间序列的预测模型。该方法有较高的预测精确度,可以描述复杂模型,并且用实例进行了分析。     

基于自组织数据挖掘的区域物流需求预测

文章将自组织数据挖掘方法应用于区域物流需求预测,建立了参数GMDH输入输出模型和非参数模糊规则归纳区域物流需求预测模型,鉴于单个模型预测的局限性,以最小二乘法为最优化准则,建立了最优线性组合预测模型。实证分析表明组合预测结果比较满意,自组织数据挖掘方法是区域物流需求预测的有效工具。     

最小二乘支持向量机在条件异方差模型中的应用

相对于标准的支持向量机,最小二乘支持向量机是将求解二次规划问题转化为求解一组线性方程,从而能提高求解速度。将最小二乘支持向量机和GARCH模型相结合应用于金融时间序列预测中。通过在实际股票市场预测中的比较分析,能够证实所给方法是可行的、有效的。     

基于支持向量机股票价格指数建模及预测

为提高预测精度,采用基于支持向量机理论的预测方法对股票价格指数进行预测.文章在分析支持向量机预测基本原理基础上,以交叉验证法确定了最佳回归参数并以此建立了预测模型.对上海证券交易所的股票价格指数进行预测,研究结果表明基于支持向量机预测法能较准确地反映股票价格指数的变化趋势且提高了预测精度,验证了此方法在股票价格指数预测中的可行性.     

金融资产收益率的模糊双线性回归

 已有文献中对金融市场的区间观测数据利用模糊线性规划方法讨论动态模型结构（FAR（p））,这里引入模糊双线性回归模型（FDR（p,q））,利用模糊最小二乘法来估计未知参数。基于平均平方误差（MSE）与平方绝对误差（MAE）考察了两个模型的拟合效果,并在样本期内和样本期外分别评价了两个模型的实际拟合与预测能力。     

基于支持向量机回归的房地产单指标预测

对时间序列预测常用的方法进行了比较,结合房地产自身的特点确定用支持向量机回归来对房地产单项指标进行预测;分析了支持向量机回归和时序相空间重构的基本原理;建立了支持向量机预测模型,结合武汉市的实际数据进行了实证分析,并和BP神经网络的预测结果进行比较,表明用支持向量机预测模型进行房地产单项指标预测精度更高。     

偏最小二乘回归在SPSS软件中的实现

偏最小二乘回归是第二代回归分析方法,目前已在各种领域得到广泛应用.文章通过详细介绍不同版本的SPSS软件中PLS模块的安装来说明偏最小二乘回归方法在SPSS软件中的实现,并结合实例进一步说明该方法的参数设置和结果的解释.实例分析表明:偏最小二乘回归能够解决变量间多重共线性问题,适合在样本数小于变量个数情形下对系统进行回归建模.     

基于极大熵法的曲线拟合及其应用

一、引言数据拟合问题在科学与工程研究中经常遇到,它是通过实验或实际统计得到一些数据,然后根据对这些数据某些规律的研究来预测其他未知的问题。在实际问题中,为了求得回归参数的大小,最常用的方法是最小二乘法。这是因为回归模型在符合Gauss-Markov假定的条件下,采用最小二乘法估计其回归参数具有良好的统计性质,如无偏性、一致性、最小方差性等。然而实际的测试数据千差万别,而且对测试数据进行数据拟合的目的也不同,从而使得采用最小二乘法进行数据拟合的结果往往达不到预期的要求。例如,由于偶尔存在的粗大误差而出现了反常数据,或数据的概率分