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。     

基于SVM算法的经济区域分类分析

本文应用支撑向量机模型按照不同资源位指标体系对经济区域进行更细致的分类,解决了样本不足的问题。通过支撑向量机模型的建立,有可能在样本比较少的情况下对经济区域按照资源位进行更为合理的分类,同时与按照某一类资源位指标体系的分类的结果进行对比,深入地揭示该区域在哪些指标上具有优势或是发展潜力。     

滤波-支持向量回归机

本文是在支持向量机、支持向量回归机的理论基础上,提出了一个新的回归算法,即滤波-支持向量回归机的算法.该算法主要思想是:对于有噪声的样本数据,导致分类错误率比较高.为此,我们先进行滤波处理,然后用单参数约束下的支持向量回归机的算法进行训练得到分类器.该算法可提高样本的稳定性,增强了分类器的分辨能力.地基土物理数据分类的实验结果也显示了该算法是有效的,在一定程度上优于硬ε-带支持向量回归机的算法,使得分类准确率从57.7%提高到96.15%.     

支持向量机在说话人识别系统中的应用

支撑向量机(Support Vector Macbinc,SVM)是一种新的统计学习方法,作为一种说话人识别的手段具有独特的优势.通过产生的支持向量来概括数据集合中的信息,其分类核函数仅依赖于一小部分训练样本,即支持向量,从而降低信息的采集量和识别时间.本文介绍了说话人识别的基本原理,特征提取、模型训练等方面,通过实验证明支撑向量机(SVM)在说话人识别系统应用中表现出的良好性能.     

一种平面稀疏阵列的快速综合方法

以快速综合出满足期望方向图以及阵元数最少的平面阵列为目标,提出一种基于迭代加权1范数的平面阵列综合方法。该方法将平面稀疏阵列综合问题转化为加权1范数最小化的稀疏信号重构过程,并利用拉格朗日乘数法求解每次迭代中的阵列加权向量的闭式解,由于二维平面的空间采样导致闭式解中存在大规模矩阵的求逆运算,进而引入共轭梯度法以促进算法加速收敛。当满足迭代终止条件时,由加权向量的非零值确定平面阵列的阵元位置及其激励。仿真结果表明,该方法能有效提高平面稀疏阵列综合的收敛速度。     

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。     

基于加权最小二乘支持向量机的欠定盲源分离

为了进一步提高欠定盲源分离算法中混合矩阵估计方法的性能,提出了一种基于加权最小二乘支持向量机（SVM）的欠定盲源分离混合矩阵估计方法。该方法利用信号的方向角度特征估计出有效信源信号个数,然后采用加权最小二乘支持向量机方法获得初始权值,每次将其中一个权值对应的样本点作为测试样本,其余点作为训练样本,依次对样本的误差变量进行更新,再根据权值计算公式实现所有权值的更新,进而确定最优分类平面,实现对观测信号的最优分类,最终估计出混合矩阵。实验结果表明,新算法是有效的,其平均误差是基于K-均值方法误差的0.2倍左右,是基于SVM算法平均误差的0.5倍左右。     

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。     

基于加权最小二乘支持向量机的金融时间序列预测

针对股票市场的高噪声,强非线性和不确定性等特点和以往传统的神经网络预测方法存在的不足,对标准最小二乘支持向量机方法优化,运用给各个样本的惩罚系数和误差要求赋予不同权重的加权最小二乘支持向量机方法结合滚动时间窗来学习建模。对上证地产业类指数的建模和预测表明,该算法具有良好的预测精度和抗燥性能,是对股市进行分析和预测的一种可行而有效的方法。