基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于遗传模拟退火算法的LS—SVM参数选取

决定LS—SVM性能的因素是惩罚因子C和核函数的选取。核函数通常选用RBF核函数。本课题基于遗传模拟退火算法来优化LS—SVM的参数组合（C，γ），并通过土石坝渗水量的数据做实例分析，测试结果同没有进行参数优化的最小二乘支持向量机测试结果和BP神经网络测试结果进行对比，结果表明基于改进遗传算法优化最小二乘支持向量机参数的建模方式，建模速度和预测精度同后面两种方法相比都有所提高，有着广阔的应用前景。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于Logistic—SVM的上市公司总经理离职行为预警模型研究

文章在建立上市公司总经理离职行为预警指标体系基础上，提出了Logistic和支持向量机（SVM）相结合的上市公司总经理离职行为预警模型。对原始指标数据进行标准化处理，然后通过Logistic回归分析对SVM的输出提供支持信念以修正支持向量机的结果。     

基于支持向量机的福建省GDP预测研究

采用1981～2002年的福建省GDP数据作为支持向量机(SVM)的训练目标,以各期前三年的GDP作为输入向量构成训练样本。首先利用格子搜索法获得支持向量机模型中的参数(C,γ,ε)对样本进行训练。然后用训练所得模型对2003、2004、2005三年的福建省GDP进行测试,平均测试精度达98.12%。可以认为支持向量机具有较强的泛化能力,在宏观经济预测中具有较高的精度,从而可用于未来实际GDP的预测。     

基于SVM的我国区域创新能力的甄别技术研究

文章采用基于统计学习理论的小样本分析方法——支持向量机（SVM），构建了我国区域创新能力甄别的SVM模型，对我国区域创新能力进行了甄别。研究表明，各组检验样本的平均正确甄别率都在90％以上，证明支持向量机对区域创新能力具有良好的识别能力，特别是表现出对小样本的适应性，为我国区域创新能力评价提供了新的方法和思路。     

会计年报信息在股价运动趋势预测中的应用———基于支持向量机（SVM）的实证检验

本文运用基于统计学习理论的新型机器学习方法———支持向量机(SVM),通过我国上市公司年报信息对股价运动趋势进行预测。实证结果显示,支持向量机对股价运动趋势具有良好的预测能力,特别是表现出对小样本的适应性。然而,支持向量在股价运动趋势预测中也存在着一定的误识率,证明某些上市公司的年报信息存在着某种程度的粉饰和虚假,从而误导投资者的决策行为。     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

基于支持向量机的交通信息融合算法研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能。此方法能解决小样本、非线性及高维模式识别中的问题。本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试。同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果。     

基于BEF-LS-SVM的秸秆发酵制乙醇浓度预测

针对秸秆发酵制乙醇浓度预测问题,引入最小二乘支持向量机(Least square support vector machines,LS-SVM)方法应用于乙醇浓度的预测。考虑到LS-SVM的参数选择会对预测结果产生较大的影响,提出了基于贝叶斯证据框架(Bayesian evidence framework,BEF)优化的最小二乘支持向量机预测方法。通过BEF自动调整正则化参数和核参数,更好地实现了最小化误差和模型复杂性之间的折中。将秸秆发酵中的接种率、温度、p H值和温度用来预测乙醇浓度实时值,在糖化液制乙醇条件下进行实验验证,结果表明:所设计预测模型具有较高的精度,能够实时准确地预测出乙醇浓度值。     

基于最优模糊SVM的财务危机预警研究--来自成渝经济区上市公司的经验证据

以我国成渝经济区上市公司为研究对象,将模糊方法（Fuzzy Approach）引入支持向量机（Support Vector Machine, SVM）,构建了模糊支持向量机（FSVM）模型,并对四种不同核函数下的FSVM进行了性能对比研究,同时,也与传统统计模型和其余人工智能模型进行了性能对比研究。实证结果表明,Gauss径向基核函数下的FSVM模型不仅较线性、多项式和神经元的非线性作用三种核函数下的FSVM模型具有更为优越的预测性能,同时,也显著优于传统统计模型和其余人工智能模型。     

基于信息披露质量的财务预警研究

本文将信息披露质量引入财务预警指标体系中,采用支持向量机（SVM）财务预警模型,研究处于不同生命周期阶段的企业在引入信息披露质量前后财务危机预测准确性的差异,然后利用决策树（DT）模型分析信息披露质量在财务预警体系中的重要程度。实证结果表明,引入信息披露质量的 SVM财务预警模型,其准确率在成长期、成熟期和衰退期均有一定的提高,导入期则没有发生变化;对于处于不同生命周期阶段的企业,信息披露质量对财务预警的影响程度具有一定差异：成熟期企业影响程度最大,成长期和衰退期企业影响程度较大,而导入期企业影响效果不明显。因此,合理引导公司信息披露,对于降低上市公司发生财务危机的概率具有重要导向效应。     

基于气象因子修正的风电场短期风速预测

为了提高风电场短期风速预测的精度,提出了基于当地气象因子和支持向量机(MF-SVM)的模型。以风场所在地的气象台所测物理因子为输入,用BP神经网络预测出未来3天的平均风速,作为风场短期风速预测的修正参考值;基于风场单台风机的历史风速,用支持向量机(SVM)方法预测出未来4小时风速值,并加以修正,实例证明模型具有较强的预测能力。此外,对模型所产生的误差来源也进行了分析。     

基于支持向量机的上市公司财务困境预测

文章采用支持向量机（SVM）来处理上市公司财务数据,与传统的方法相比较,有较好的范化能力,避免了传统方法的不足,能较客观的对上市公司财务困境进行预测。事实证明本模型是有效的,能为投资人和债权人的决策提供有力的支持。     

基于PSO-SVR的气膜薄壳钢筋混凝土穹顶储仓的工期预测

为客观、合理地进行气膜薄壳钢筋混凝土穹顶储仓的工期预测,提出了基于PSO-SVR的预测方法。采用粒子群算法(particle swarm optimization,PSO)对支持向量回归机(support vector regression,SVR)的参数进行优化,并运用优化后的支持向量回归机对气膜薄壳钢筋混凝土穹顶储仓的工期进行预测。通过实例验证表明:PSO-SVR模型的预测效果优于遗传算法(GA-SVR)和串联型灰色神经网络(SGNN)。     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

公司信用风险评估新模型:基于Isomap的SVM模型

本文针对样本数据较少的特点,将基于小样本的支持向量机(SVM)方法用于我国上市公司信用风险评价中。由于考虑到财务数据特征的非线性和高维性,本文采用等距特征映射(Isomap)算法对财务指标进行特征提取,以减少数据的冗余,再针对人为选择SVM参数的盲目性,应用遗传算法优化其参数。最后通过以我国上市公司财务数据为基础的实证分析表明:基于Isomap的SVM模型比BP神经网络、PCA-SVM模型具有更强的信用风险评估能力,小样本评估准确率达到91%。     

基于PSO-SVM的空气钻井地下水水位预测

为缩短兴隆气田空气钻井周期,降低钻井成本,需对地下水水位进行预测。结合粒子群算法(PSO)和支持向量机(SVM),提出了一种新的空气钻井地下水水位预测模型。结果表明,该模型具有收敛快、预测精度高等特点,在空气钻井地下水位预测中具有一定的工程应用价值。     

支持向量机在财务危机预警中的应用评析

信息技术的迅速发展和世界经济全球化使很多企业面临各种各样的经营困难,最终体现为财务危机。提前对其进行预警以协助企业有效地规避财务危机是十分重要的。随着研究的深入,各种财务危机预警方法逐渐成熟。本文从样本选择、模型建立和预测性能3方面对支持向量机（SVM）在财务危机预警领域的应用进行了评析,认为SVM方法具有强大的分类功能和优良的学习性能,在财务危机预警领域有着广阔的应用前景。     

基于Granger-PSO-SVM的省域中长期电力负荷预测

电力负荷预测是电网调度、规划里必不可少的环节,准确的负荷预测对区域电网安全稳定的运行以及当地经济发展都具有重要意义.影响地区电力负荷的因素因地而异,针对区域特征选取相应的影响指标会获得更加精准的预测效果,因此本文先运用格兰杰因果检验提取影响因素,接着结合粒子群优化支持向量机模型对某省全社会用电量进行训练与预测.根据MAE检验结果,本文提出的组合预测模型Granger-PSO-SVM误差较小,对今后的省域中长期电力负荷预测有一定的借鉴意义.