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。     

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.     

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。     

支持向量机模型在统计学上的应用研究

支持向量机的问题本质上是一个经典的二次规划问题.避免了局部最优解.有效地克服了维数局限性,而且可以结合利用最优化理论中许多算法.文章通过对线性支持向量机和非线性支持向量机的分析研究,又进一步研究了其在统计学这个大的领域里的一些具体应用.而且把支持向量机和Boosting算法相结合以提升该学习算法的强度.     

基于SVM的房地产投资风险评价及应用

房地产开发是一项高投入、高收益、高风险的投资活动,受社会、经济、技术等因素的影响较大,在开发过程中存在着不确定性,在为投资者提供高收益可能的同时,也蕴含着相应的高风险。文章引进一种新的方法——支持向量机将其应用到房地产投资风险评价中。并尝试建立了基于SVM的房地产投资风险评价模型。支持向量机(SVM)是一类新型的机器学习算法,它能够非常成功地处理分类和回归问题。这种方法比较新颖,在一些领域有初步研究,但是在房地产领域基本没有研究过,其良好的非线性品质、极高的拟合精度、灵活而有效的学习方式、不依赖于样本的特点,使房地产投资风险预测很好。     

基于DAG-SVMS的SVM多类分类方法

本文介绍了几种常用的支持向量机多类分类方法,分析了其存在的问题及缺点。在有向无环图支持向量(DAG-SVMS)多类分类方法的基础上,提出了一种新的多类分类方法。该方法采用了最小超球体类包含作为层次分类依据。试验结果表明,采用该方法进行多类分类,跟已有的分类方法相比有更高的分类精度。     

供应链危机预警决策支持系统的设计

供应链合作中的危机预警分析是保证协调供应链的有效工具.文章分析了基于支持向量机的供应链危机预警决策支持系统框架结构、组成构件和工作原理,建立了样本库存储训练样本,分别研究了推理样本收集、推理样本表示、执行支持向量机推理、样本训练和模型预警分析等关键技术.最后以供应链关联企业经营状况预警分析为例,说明了基于支持向量机进行预警分析的内部计算原理.     

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。     

基于主成分分析和支持向量机的企业盈利能力预测

文章针对中国建筑业上市公司样本规模较小,常规预测方法难以奏效的特点,尝试将支持向量机应用于其盈利能力预测.首先从不同的角度选择盈利能力单项指标,以此为基础构建反映公司盈利能力的集成指标,结合2001-2014年中国A股建筑业上市公司的数据,构建基于支持向量的盈利能力预测模型,对样本公司的盈利能力进行预测.研究结果显示,经过训练的支持向量机模型能较为成功地预测样本公司的盈利能力,2003-2014年的预测准确率均超过80％;通过与BP神经网络的对比试验可以发现,在预测中国建筑业上市公司盈利能力方面,支持向量机表现出了较明显的优势.     

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.     

基于支持向量机的住宅消费预测研究——以杭州为例

针对目前用于住宅消费预测中的神经网络模型存在模型结构较难确定以及过学习等问题，提出了一种基于支持向量机的住宅消费预测新方法。用1998—2008年杭州城镇居民的住宅消费数据组成样本集，前8个样本作为训练集，后3个样本作为检验集，分别建立SVM模型和神经网络模型，比较两种模型的预测效果，结果表明：基于支持向量机的城镇居民住宅消费预测模型具有更高的预测精度。     

基于自然最近邻的不平衡数据欠采样方法

针对不平衡数据集中的少数类样本在实际应用中分类准确率较低的问题，提出一种利用多数类样本的自然最近邻进行欠采样的数据处理方法。自然最近邻算法根据每个样本的分布特征动态地为样本选择数量不同的自然最近邻样本，通过自然最近邻的个数反映样本分布的疏密程度。文章所提方法先计算多数类样本在整体数据集中的自然最近邻，根据自然最近邻情况移除多数类中的噪声样本和局部密度较小的样本，再计算剩余样本的相似度，保留密集区域中的代表性样本，去掉部分冗余样本，获得平衡数据集。该方法的计算无须预先指定参数，减少了欠采样过程中多数类分类信息的损失。对比实验利用支持向量机对不同欠采样方法平衡后的12个数据集进行分类，结果表明此方法在大多数数据集上具有较优的分类性能，提升了少数类样本的分类准确率。     

基于支持向量机的混沌时间序列预测模型

支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的预测工具,它有效地解决小样本、非线性、高维数、局部极小等问题.文章利用支持向量回归机对时间序列进行了预测,并对模型选择和参数优化进行了研究.仿真试验表明预测结果是合理的,并具有较高的预测精度.     

工业取用水监测奇异数据挖掘与重构方法

提高工业取用水监测数据质量是目前国家水资源监控能力建设的重要内容,而奇异值问题已成为影响监测数据质量的关键短板。本文在解析现阶段工业取用水监测数据奇异值主要类型基础上,以国家水资源管理系统数据库中工业取用水监测数据为样本,利用小波变换模极大值模型提取工业取用水监测数据时频变化特征,并利用傅里叶函数对其残差序列进行修正,进而运用相对误差控制方法挖掘监测数据奇异值。在此基础上,采用混沌粒子群优化的最小二乘支持向量机模型重构填补奇异值数据。研究结果表明：小波变换模极大值模型能够较好地提取工业取用水监测数据序列的时频变化特征,但是同时容易导致监测数据的信息损失,利用傅里叶函数对小波变换进行残差修正则可进一步提升取用水监测数据序列的特征提取效果;以小波变换模极大值特征序列为基础,通过相对误差控制可实现对监测数据奇异值的高效挖掘;对于挖掘出的奇异值重构填补问题,可选取混沌粒子群优化的最小二乘支持向量机模型,其重构精度要优于多项式曲线拟合等传统统计学方法和普通最小二乘支持向量机模型。上述工业取用水监测数据奇异值挖掘重构策略为现阶段国家水资源监控能力建设的推进提供了重要技术方法支持。     

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.     

基因表达数据特征子集的冗余研究

过滤式特征选择是一种在基因表达数据上广泛使用且简单有效的方法。针对其特征子集冗余性问题,使用皮尔逊相关系数,提出一种带冗余去除的特征选择算法。研究了在不同相关强度下特征子集冗余去除及分类准确度效果。实验选用三个不同的基因表达数据集,使用支持向量机、k近邻、随机森林作为分类器分别进行了测试。实验结果表明,带冗余去除的过滤式特征选择方法在不同分类器上均能获得良好的分类性能,另外,此方法在降低特征子集维度的同时能够提高分类准确度。