AdaBoost集成SVM的供应链金融信用风险评估

为了实现供应链金融信用风险的科学定量管理,建立了一种AdaBoost集成的支持向量机（SVM）算法。该方法首先采用SVM方法对信用风险数据进行分类学习,建立基学习器;接着通过AdaBoost集成算法对基学习器迭代训练,生成最终的供应链金融信用风险评估模型。实证结果表明,AdaBoost集成SVM分类器较模糊积分SVM集成等方法具有更高的分类准确率,因此该模型具有很好的应用前景。     

基于支持向量机的上市公司信用风险评估

提出一种新型模糊支持向量机算法,并将其应用于上市公司信用风险研究中.分析对比选取不同核函数的实验结果,实验结果表明,相对于支持向量机方法(SVM)、模糊支持向量机模型和神经网络模型,新型模糊SVM模型更具有效性和优越性,并且具有更好的泛化能力.     

基于级联型组合分类器的人脸识别研究

该文提出了一种将支持向量机（SVM）与神经网络相结合的方法，得到一种新型的级联型组合分类器．此组合分类器先利用神经网络或SVM对人脸图像进行预分类，得到不同性别的两类人脸图像；然后分别针对其中某一类人脸图像进行K-I。变换以提取有效特征，再使用SVM进行细分，得到最终的识别结果．应用该组合分类器方法在本文整合得到的人脸样本库上进行测试，结果显示该方法不但可以有效地提高识别速度，而且还可以在一定程度上提高识别率，因此方法是有成效和有价值的．     

粗糙集与支持向量机在冠心病诊断中的应用

提出了一种基于粗糙集(RS)与支持向量机(SVM)的冠心病诊断方法。利用粗糙集对原始数据进行属性约简,得到优化后的特征属性集和新的数据集,采用支持向量机对新的数据集进行分类训练和预测。结果表明该方法对冠心病预测的准确率达到91%以上,具有较好的应用前景。     

泥石流平均流速的PSO-SVM预测模型

泥石流平均流速的确定是泥石流防治工程设计的重要依据。由于泥石流系统复杂多样,各影响因素之间的不确定性强,故难以建立准确的物理预测模型。论文在阐述支持向量机(SVM)原理的基础上,采用粒子群算法(PSO)优化SVM参数,建立了PSO-SVM模型用于蒋家沟泥石流实测数据的训练和预测,并对比SVM模型和BP神经网络模型的预测效果。结果表明:SVM的泛化能力强于BP神经网络,更适合小样本情况下泥石流流速的预测。PSO-SVM模型较另外两个模型的预测效果更好,预测值更接近实际值,可为泥石流的治理与防治问题提供参考数据。     

基于GA-SVM的矿区采空塌陷预测模型

论文提出了用遗传算法(GA)优化支持向量机(SVM)来预测矿区采空塌陷的方法。结合某矿区的实际塌陷情况,选取了17组采空塌陷数据作为训练样本,以覆盖层类型、覆盖层厚度、地质构造复杂程度、矿区倾角、采空体积率、采空区距地表的垂深和采空区空间叠置层数7个指标作为模型输入,采空区稳定程度作为模型输出,构建GA-SVM矿区采空塌陷的预测模型。然后利用该模型对工区5组采空塌陷数据进行预测,其预测结果与实际情况相符。为了验证提出的模型的优越性能,将得到的结果与BP神经网络模型和常规SVM预测的结果进行对比了结果表明GA-SVM预测模型比BP神经网络和常规SVM具有更高的精度,进一步验证了该模型的有效性和可靠性。     

基于Mel系数和SVM的语音识别技术研究

本文研究了一种运用Mel频标倒谱系数作为特征参数和多分类支持向量机进行语音识别的方法。根据已有的分类方法,尝试将一种基于二叉树的多分类支持向量机用于语音识别。实验表明,基于Mel倒谱和多分类支持向量机的语音识别方法使系统的性能和速度大大提高,具有理想的识别效果和应用价值。     

基于机器学习的学生成绩预警系统建模与研究

随着高校智慧校园建设的深入,所采集的校园大数据呈几何基数增长,如何充分利用大数据对校园学习生活进行科学的预测与示警是智慧校园建设研究的重大课题。为了弥补以往的技术不足,采用机器学习技术应用于成绩预警这个领域中,随机森林算法、应用支持向量机(SVM,Support Vector Machine)、线性回归、回归分类树等技术,详细论述了高校学生成绩预警系统的基于机器学习的成绩预警功能的设计与实现。     

基于主成分分析法和遗传算法优化支持向量机模型的泥石流危险度预测

为准确预测泥石流危险度,提出了基于主成分分析法(PCA)和遗传算法(GA)优化的支持向量机(SVM)模型。首先利用主成分分析法对7个泥石流危险度影响因子进行数据降维,将提取出的主成分作为支持向量机模型的输入向量,以泥石流危险度作为输出向量,并运用遗传算法寻优获得最佳支持向量机模型参数,最终建立了基于PCA-GA-SVM的泥石流危险度预测模型,并对9条泥石流沟的危险度进行预测,结果表明:PCA-GA-SVM模型的预测准确率达88.9%,满足工程要求。     

基于粒子群优化支持向量机的冲天炉铁液质量预测

冲天炉铁液质量预测是一项复杂而有难度的技术,受到很多因素的影响。文章提出了基于粒子群优化支持向量机（PSO-SVM）的冲天炉铁液质量预测方法,即将粒子群优化算法（PSO）用于SVM参数优化。它不仅具有很强的全局搜索能力,而且容易实现。经实验结果证明,PSO-SVM的预测输出与实测数据基本一致,其预测精度高于普通的SVM,所有的预测误差都远小于5%的工程许可误差。     

基于多类SVM的网络故障诊断

在分析网络故障诊断的工作原理的基础上，提出基于多类支持向量机处理网络故障的方法，这种方法只需要小样本训练故障分类器便可进行多故障的识别和诊断。实验表明：利用本方法实现的系统在进行网络故障诊断时可取得较好的效果。     

免疫粒子群算法下向量机参数选择及金融应用

针对粒子群算法易陷入局部最优值的缺点,将免疫原理引入粒子群算法中,利用免疫记忆与自我调节机制促使各适应度层次的粒子维持一定浓度,保证群体的多样性,从而避免算法陷入局部最优。随后将这种改进的算法应用于支持向量机参数的选择,并在BreaStCancer等数据集上进行了实验,实验结果表明利用免疫粒子群算法选取支持向量机最优参数,能够提高支持向量机的分类正确率,具有一定的实用性,特别在经济金融应用上前景可观。     

基于Hopfield神经网络的字符识别

噪声字符识别具有很好的应用前景，也是图像后期处理的基础。基于离散Hopfield神经网络的联想记忆能力，通过修整噪声强度将0～9这10个数字和A—Z这26个大写英文字母正确的识别出来。仿真结果表明，当字符被一定的噪声干扰后，仍具有较好的识别效果。     

BP神经网络在帆板控制系统中角度非线性校正的应用研究

针对帆板控制系统中角度的非线性误差问题,提出用BP神经网络算法对角度进行非线性校正。构建了BP神经网络模型,利用Matlab对该网络进行训练,训练结果表明该系统具有良好的收敛性。和未校正的结果进行对比,实验结果表明该网络能够有效的补偿角度传感器的非线性误差,提高了帆板控制系统的性能。     

基于SNMPV2的中层管理者设计方法

在深入分析 SNMP协议和远程监控 ( RMON)网管技术的基础上 ,提出了一种基于 SNMPV2的中层管理者设计方法。该方法具有下列优点 :( 1 )管理信息库设计遵循 SNMPV2 -SMI标准 ,并弥补了 M2 M-SMI( SNMPV2中层管理者信息库 )的不足 ;( 2 )其轮询方法和报警机制优于现有的同类产品 ;( 3 )选用 IETF(因特网工程任务组 )最近推荐的安全协议作通讯协议 ,具有很好的安全性和互操作性 ,易于集成到任何支持 SNMPV2的网管系统中。     

基于BP网的手写数字符号识别

探讨了一种手写数字符号的识别方法，采用BP神经网络。利用其良好的监督学习功能进行识别．结合提取的降维数字符号特征，能较好地识别出手写的数字符号．实验结果表明。该方法简单且有较高的识别率．