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。     

基于支持向量回归算法的RBF神经网络

支持向量机是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法,该技术已成为当前国际机器学习界的研究热点,并广泛用于解决分类和回归问题。本文给出了基于支持向量回归算法的RBF神经网络,实验结果表明,基于支持向量回归算法的RBF神经网络的泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的建模方法具有更好的推广能力。     

基于支持向量机的商务采购决策管理

本文通过对采购决策计划的分析,提出了利用支持向量机进行采购决策的可行性。在介绍数据挖掘的新方法——支持向量机的基础上,运用此方法给出了商场采购决策的数学模型及决策方案。     

基于粒化SVM的互联网金融产品大数据回测分析——以“掌柜钱包”为例

随着大数据时代的到来,数据挖掘技术正日益渗透到各行各业。基于数据挖掘技术挖掘出掌柜钱包的基本面数据,其目的是为了获取投资的标量信息。随后建立支持向量机的指数回归预测模型,通过模型回测判断预测效果良好。为了更好的判断未来价量信息的走向,因此采用基于模糊信息化的支持向量机指数预测模型,以每周信息为一个信息点,所得到结果准确。     

基于支持向量机的Linux负载均衡集群服务器

基于支持向量机的Linux负载均衡集群服务器是利用机器学习理论对Linux集群服务器中的负载均衡调度策略进行优化和改进,通过对集群服务器负载变化的特点进行统计分析,采用支持向量机作为建模工具,对各节点服务器负载变化的趋势进行预测,从而研制出不同的调度策略,并将其集成到现有的Linux集群系统,实现对节点服务器计算资源的优化使用,克服传统调度策略中响应速度慢、预测精度差等缺点,提高集群服务器的整体性能。     

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.     

美国威斯康辛州女性乳腺癌肿瘤预测探讨

在机器学习和人工智能领域,有两类常见的问题,一类是回归问题;另一类是分类问题,分类问题是机器学习中一类重要的问题。对于机器学习中的分类问题而言,有很多常见的分类模型,比如kNN模型,支持向量机模型,Logistic模型。每一个模型在一个具体的问题中都有不同的性能,因此,我们的研究通过具体的实例"威斯康辛州女性乳腺癌肿瘤预测",预测女性所患有的肿瘤是良性肿瘤还是恶性肿瘤。通过对该二分类问题的研究,并分析比较了不同的机器学习分类模型在该问题的效果。     

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。     

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。     

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。     

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。     

基于核主成分分析的PSO－SVR的煤炭物流需求量预测

利用核主成分分析法对煤炭物流需求影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,利用粒子群算法对模型参数进行选择优化,从而构建出核主成分分析和粒子群优化支持向量机协同模型,并通过实例对模型的合理性和有效性进行验证。     

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。     

基于GA-SVM的物流园区物流需求预测及分析

文章基于支持向量机模型对物流园区物流需求进行预测,相较于传统的网格式搜索对支持向量机参数寻优,使用遗传算法对支持向量机参数寻优,能在实数集内连续地寻找最优参数组合,构建出GA-SVM物流需求预测模型。并通过成都市实例验证了GA-SVM预测模型的有效性。     

基于支持向量机的义乌小商品价格指数预测分析

义乌指数作为全球小商品的＂道琼斯指数＂,全面反映了小商品市场的价格走势和景气动态。本文通过对历年义乌指数中的价格指数进行观察,将其与消费者价格指数（CPI）进行对比分析,并运用支持向量机对其进行回归预测研究。实证表明：支持向量机能够在较小误差范围内实现对义乌指数的有效预测。