关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型-粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

关于粗糙模糊支持向量机的探索

基于粗糙集理论和模糊支持向量机思想,提出了一种新的支持向量机模型--粗糙模糊支持向量机(RFSVM).采用UCI机器学习数据库中的数据,对比实验,RFSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有明显高的测试精度.     

基于主成分的RBF核SVM在财务预测领域的应用

支持向量机(SVM)是实现结构风险最小化归纳原理的一种机器学习理论,在有限的学习模式下具有良好的泛化能力。为了评估支持向量机的预测性能,本文通过对684家企业进行财务分析,进而预测企业在未来两年是否会被ST。建立基于主成分的RBF(核函数)核SVM模型,将支持向量机与传统学习算法进行比较,结果表明支持向量机有效地提高了预测的精度,具有良好的泛化和预测能力。     

基于改进SVC的金融时间序列预测简

针对金融时间序列高噪声,强非线性和不确定性等特点,对传统加权支持向量机（WSVM）进行了改进.提出了基于改进加权支持向量机和再加权支持向量机（RWSVM）的金融时间序列预测方法.研究表明,与传统加权支持向量机相比,改进的加权支持向量机有效地提高了金融时间序列预测的精度。     

秦皇岛煤炭价格预测研究——基于因素分析法和支持向量机模型

煤炭是我国重要的战略资源,其价格波动对国民经济影响重大。本文选取了煤炭产量、煤炭销量、进口量、国际原油价格和秦皇岛煤炭交易月度价格为样本数据,建立基于因素分析的支持向量机模型(FS-SVM)对秦皇岛的煤炭价格进行了预测分析,并与神经网络模型(BPNN)和无因素分析的支持向量机模型(SVM)的预测结果进行了对比。结果表明,以因素分析的结果作为输入的支持向量机模型可以有效地预测市场煤价,其预测结果可为大型煤炭消耗型企业购煤决策提供指导性意见。     

支持向量机在企业冰箱订单需求中的应用

为了提高企业冰箱订单预测精度,提出基于支持向量的订单需求预测模型,本文在对冰箱订单需求影响因素分析的基础上,选出对冰箱影响订单需求最为重要的五个因素,运用支持向量机(SVM)对冰箱订单需求进行训练、预测分析,得到支持向量机在冰箱订单需求预测中的准确率,通过与BP神经网络、时间序列模型(ARMA)对比证明该模型预测精度较高,是一种有效的方法,值得推广使用。     

支持向量机在数据挖掘中的应用研究

支持向量机(Support Vector Machine,SVM)是数据挖掘和机器学习中的一个很有效的工具。结合支持向量机在数据挖掘和机器学习中的应用,介绍了支持向量机的基本原理,发展方向及其研究热点。     

智能财务数据分类方法探究

从财务数据分析财务风险的成因,划分财务风险种类,确定财务风险的度量方法,支持向量机(SVM)是解决问题的最好算法之一。传统的支持向量机是两类分类问题,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了支持向量机的基本原理,对现有主要的多类支持向量机对财务数据分类进行比较。     

LS-SVM对城市用水量预测的探究

介绍了最小二乘支持向量机(LS-SVM)的回归算法,给出了基于matlab的工具箱LS-SVMlab对城市用水量预测的算法步骤。选择高斯径向基核函数作为核函数,利用最小二乘支持向量机(LS-SVM)映射出城市用水量和人均综合用水量及用水人口间的非线性关系,从而建立出基于LS-SVM的,模型参数分别为的关于城市用水量的预测模型。与神经网络的预测结果相比较,该模型具有较高的预测精度和动态适应性。     

基于PCA-SVM的港口集装箱吞吐量预测模型研究

从影响港口集装箱吞吐量的若干因素出发,本文依据主成分分析法和支持向量机回归法的基本原理,提出了一种基于主成分分析和支持向量机回归算法的建模预测方法。以连云港1999—2016年的统计数据为例,将该方法与指数平滑法、多元线性回归法及支持向量机回归法相结合,预测精度较高,最后利用主成分分析和支持向量机回归算法预测了2019—2020年的港口集装箱吞吐量,为港口决策提供重要依据。     

基于加权支持向量机的金融时间序列预测

金融时间序列数据的预测是商业领域的热点问题,对金融时间序列进行准确的预测,对金融投资决策与风险管理具有特别重要的意义。针对金融时间序列的特点,对传统支持向量机进行了改进,提出了基于加权支持向量机的金融时间序列预测方法。研究表明,与传统金融时间序列预测方法比较,基于加权支持向量机有效地提高了金融时间序列预测的精度。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间相关关系的基础上，提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量，煤灰结渣特性作为输出量。并用离子群优化算法对支持向量机参数进行优化。最后用实测数据时模型进行校验，结果表明，尽于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于加权支持向量机的商务采购决策管理

本文在基于一般支持向量机的商务管理决策方法的基础上,对商务采购决策管理问题进行了定性分析,然后对一般支持向量机模型进行了改进,给出了三种加权支持向量机模型,从而使决策方案更具有科学性和针对性。     

基于灰色关联分析的LS-SVM高铁客流量预测

文章结合灰色关联分析(GRA)和最小二乘支持向量机(LS-SVM),构建基于GRA的LS-SVM高铁客流量预测模型(GRA-LS-SVM)。将高铁客流量的影响因素初步设为17项,利用灰色关联分析从中选取主要影响因素,并将其作为输入变量,构建LS-SVM。以我国高铁客流量数据为例,验证GRA-LS-SVM的有效性。结果显示,GRA-LS-SVM不仅简化了模型结构,而且提高了高铁客流量预测精度。     

基于支持向量机的低压电控系统故障模式识别

介绍了支持向量机的基本理论,并提出了一种新的基于支持向量机的低压电控系统故障诊断方法。此方法利用支持向量机,里过训警和测试,建立故障诊断模型,从而将系统中的短路、堵转、过载、断相、三相不平衡等故障快速、详细并准确的识别出来。     

基于光滑支持向量机的经济预测模型

由于支持向量机方法具有推广能力强、拟合精度高、全局最优等特点,将支持向量机应用于对经济发展水平的预测中,建立基于支持向量机的经济预测模型,近年来受到了广泛的关注,并得以迅速发展.但在处理大数据时,求解支持向量机对应的二次规划问题是非常棘手的,如何有效求解支持向量机是一个不可回避的研究课题.光滑支持向量机是标准支持向量机的一种改进形式,其在经济走势预测中的应用已显示出了优越性.本文主要介绍了光滑技术在支持向量机中的应用及具体算法.     

基于SVM算法的企业员工离职预警研究

人力资源是企业发展的重要资源,做好员工离职预警工作有助于企业长远发展。本文采用国网青海省电力公司2010—2018年的员工离职数据,分析得出人才流失的主要影响因素,使用支持向量机(SVM)算法进行员工离职预测分析。该预警模型使用部分员工数据作为训练集,其余作为测试集,使用精确度为92.7%的中值高斯核函数型支持向量机(Medium Gaussian SVM)进行预测,模型预测精度符合预期,为电网企业人才流失预警提供了有效的方法。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想，提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取，根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。