房地产投资项目的风险预测与分析

本项目侧重于研究支持向量机在房地产投资项目中的风险预测与分析的应用。支持向量机是基于统计学习理论和结构风险最小原则基础上的新型机器学习技术。通过选取惩罚系数C和核函数,经过模型初步评价的风险能够和最终数据模拟结果相一致,通过对支持向量机的实证研究表明此种算法在风险预测领域具有较好的风险预测能力     

基于GA-SVM模型的福建省城镇登记失业率预测

将支持向量机应用在失业率预测中,采用遗传算法对传统的支持向量机进行改进,并以福建省城镇登记失业率为对象进行仿真和预测,其结果表明,该模型具有较好的学习和泛化能力,为失业率的预测提供了一条新的途径。     

基于Gabor的人脸识别技术研究

本文提出了基于Gabor小波变换的人脸识别技术研究。采用Ycb Cr作为人脸图像检测颜色空间,简单高斯模型表征颜色分布;采用Gabor小波变换提取人脸图关键特征作为输入向量,Direct LDA算法对人脸原始图像进行线性判别;采用支持向量机进行人脸识别。仿真实验表明,该方法能准确识别人脸,实时性满足实际要求。     

基于随机森林的商业性养老保险购买行为预测

将随机森林应用到商业性养老保险购买行为预测过程中,对中国综合社会调查（CGSS）2017年问卷的调查数据进行分析。首先运用SMOTE过采样来平衡数据集,其次采用网格搜索确认模型输入参数,最后将改进后的随机森林模型进行分类预测,并与支持向量机模型对比。实例结果表明,SMOTE过采样方法在处理非均衡数据方面表现良好,能够起到提高模型性能的效果,处理后的随机森林的分类效果优于支持向量机。     

电子签名、数字签名及强化电子签名

在虚拟的网络环境中进行电子商务交易,当事人互不见面,其信用和身份只能通过电子签名和电子认证等安全保障机制来确认。本文着重探讨电子商务合同订立的电子签名问题。在对电子签名进行详细界定的基础上,分析了电子签名与传统签名、盖章的差异,最后对电子签名、数字签名及强化电子签名进行辨析。     

基于支持向量机回归的中国CPI预测研究

本文针对中国CPI指数的预测问题．首先用主成分分析方法对影响CPI指数的八个指标进行降维处理．然后利用支持向量机技术建立起中国CPI指数的预测模型并对我国实际的CPI指数进行了预测。实证分析结果表明,PCA—SVM模型能够有效地对CPI指数进行短期预测。最后．与单纯的支持向量机模型的预测结果做了对比．对比结果表明．支持向量机和主成分分析相结合的模型应用于CPI预测具有较高的精确度。     

基于支持向量机的网络贷款平台等级评价

采用有监督学习方法建立支持向量机模型,对网络贷款平台的等级评价方法进行了研究。由于学习样本少,为了提高模型的泛化能力,采用K-fold交叉验证方法进行模型学习。采用不同的核函数分别建立6种支持向量机模型,选择经过5轮交叉验证后正确率最高的模型作为最终的输出模型。验证结果表明,虽然学习样本数量不多,所建立的支持向量机模型在验证集中预测准确度达80%。     

支持向量机在上市公司风险管理中的应用

在严峻的经济形势下，企业之间的竞争越来越激烈，提高企业的竞争力和综合实力，研究企业的风险具有很强的实践意义，可以让企业提前预知风险，降低企业破产的可能性。研究企业风险的传统方法大多是基于线性的，而企业的风险一般是非线性。支持向量机(support vector machine)模型是基于统计学习理论发展起来的一种新兴的机器学习方法，对解决非线性、小样本问题具有很好的适用性。利用支持向量机模型研究中国上市公司的风险，通过对上市公司的财务比率进行建模和仿真研究，发现支持向量机对所选取的样本具有很好的分类效果，强于传统的线性方法，得出了支持向量机在上市公司的风险预测方面具有很强的准确率和可行性。这对以后研究上市公司风险具有一定的参考意义。     

时间序列模型在辽宁省GDP预测中的应用

文章应用Eviews与R语言软件对辽宁省1995~2010年GDP数据分析。建立ARIMA(1,1,1)、ARIMA(0,2,3)及支持向量机回归模型,其中ARIMA(0,2,3)中参数估计未通过的MA(1)与MA(2)项忽略,对MA(3)进行的建模。再对2011~2015年数据进行递推一步预测,计算出各个模型的均方误差。结果表明,ARIMA(0,2,3)具有较好的预测效果。     

基于混合模型的陕西省旅游市场需求预测

目前,旅游预测主要采用基于传统研究方法或神经网络技术的单项预测方法.为提高旅游需求预测的精度,文章提出一种基于BP神经网络和ARIMA 混合模型的游客量预洲方法.该方法能够同时考虑旅游统计数据的线性和非线性规律.以陕西省接待入境游客人数为例,采用本文提出的混合模型对其进行了综合分析与预测,预测结果表明混合预测模型相对于单一的预测方法具有更高的精度,该模型在旅游预测中的应用是可行、有效的.     

基于Delphi法和BP神经网络的技术预见模型研究

构建了基于Delphi法和BP神经网络的技术预见模型。基于专利分析提取高价值专利以期提供科学、客观的参考点;处理专家评价数据时,为充分考虑专家熟悉程度的影响引入性能指数概念,并运用熵权TOPSIS法评估专利技术综合得分;结合BP神经网络算法计算各技术评估得分,弱化权重计算中人为因素的影响,对比计算结果验证其可行性。以智能制造领域为例开展实证研究,对该领域重点专利技术进行评估,验证了模型的科学性和可行性。     

基于支持向量机的数控机床热误差建模方法

文章对数控机床热误差建模的方法进行了对比分析,提出了一种支持向量机的热误差建模方法。通过实验表明,采用该方法建立的热误差模型,能够比较准确的预测数控机床的热误差。     

酷科技

1Nymi智能手环Nymi手环可向汽车门锁、传统门锁以及不同操作系统的登陆权限授权,甚至可以进行支付授权,而所有的授权核心则来自于心跳生物识别模板收集技术,通过心电图配对进行身份认证。用户只需要将手指放在手环的心电图传感器上,设备会自动收集心电图信息与已存储的身份信息进行比对,确认身份之后就可以自动运行,并且向成功配对的设备发出授权指令。     

基于SVM的医药企业财务危机预警研究

随着经济的快速发展,财务危机预警在企业中发挥着重要的作用。正是由于财务危机预警的重要性,对其的研究也逐渐成为企业重要的活动。根据各行业之间的不同特征建立相应的指标体系和模型成为了研究过程中的一大重点。文章简单介绍了财务危机预警,根据医药企业的特征,构建了医药企业财务预警指标体系;并在此基础上,运用支持向量机(SVM)建立了其财务预警模型,最后对其模型进行测试和实证分析。     

企业财务状况评价模型研究

利用主成分分析方法支持向量机在小样本空间中良好的分类能力,对60家上市企业分别进行了两类和四类的财务状况评价,获得了比较满意的结果。实验表明支持向量机完全可以提取优秀企业财务数据的内在知识,用来评判企业的财务状况。     

通货膨胀、通货膨胀不确定性与中国实际产出增长

基于中国1993年1月至2010年12月的月度数据,本文采用双变量GARCH模型测量了中国通货膨胀不确定性,并借助于传统的Granger因果检验以及基于马尔科夫区制转移向量自回归(MS-VAR)模型下Granger因果检验等方法对通货膨胀、通货膨胀不确定性与中国实际产出增长进行了实证研究.本文研究发现:中国通货膨胀和通货膨胀不确定性之间存在着Granger意义上的双向因果性,在作用机制上支持了Okun-Friedman理论假说以及Holland论断;传统的Granger因果检验表明中国通货膨胀、通货膨胀不确定性对中国实际产出增长之间存在Granger意义上的因果性,但是基于MS-VAR模型的Granger因果检验研究则表明上述因果性仅存在于特定的机制下.     

云南省主导产业选择研究——vague熵权重分析

区域经济主导产业的选择要因地制宜,文章在分析主导产业内涵的基础上,立足云南省现实,提出云南省主导产业选择基准并建立评价指标体系。请专家针对不同指标给各备选产业打分,得到各产业的得分矩阵M,运用基于vague集的熵值权重理论给各指标赋权得到指标权重向量V,再利用矩阵乘法公式W=M·V,得到产业加权综合得分向量,根据综合得分大小对备选产业进行排序。     

支持向量机在双桥静力触探土性识别的应用

针对静力触探在工程勘察中分层工作量大、对技术人员的经验基础要求较高、需要钻探辅助分析等缺点这一现状,文章通过静探数据建立支持向量机的模型,试图探索一种自动识别土性的方法,方便技术人员进行土层分层。以原始静探数据为基础,静探数据中锥尖阻力、侧摩阻力、摩阻比、差值作为模型的输入属性,土性类别作为输出属性;针对静探数据中不同土性的样本数目不平衡这一问题,将权值系数法加入到支持向量机模型中,并以几何平均准确率作为预测效果好坏的评价指标,建立出适合静探数据土性分类的支持向量机模型。运用这个模型对扬州市某工程勘察部分静力触探数据进行土性分类,整体分类准确率高达90%以上,证明此方法是可行的。     

基于支持向量机的工程项目风险预测

本文在介绍支持向量机(SVM)基本原理的基础上探讨了支持向量机在建设工程中应用的可能性和有效性,提出基于支持向量机的项目风险预测算法,为预测工程项目风险提了一种新的方法。本文同时也介绍了Libsvm软件在项目风险预方面的应用。     

基于因子分析和SBM超效率模型的港口上市公司经营效率评价

根据我国16家港口上市公司2014年年报,采用因子分析和SBM超效率模型,对其经营的相对效率进行了评价,并与传统的DEA模型得出的结果进行对比。该评价体系主要分成两部分：①采用因子分析方法,首先利用SPSS19.0对变量进行检验,然后计算各变量的因子得分,并据此提取合适的投入产出因子;②将上述因子导入到SBM超效率模型中计算效率值,对所有决策单元进行排序。结果显示,该评价体系相比于一般的DEA模型,计算值准确性更高。