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。     

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%.     

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。     

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.     

股市中支持向量机的应用综述

本文首先简要介绍支持向量机(SVM)的理论,然后,综述国内外SVM在股市中的应用。论文发现,不论是在股票的价值投资思路中,还是时间序列分析思路中,SVM都得到了广泛的引用,而且,实证效果均优于其他分类算法。     

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。     

支持向量机在投资决策中的应用

本文研究了支持向量机在经济上的应用。通过试验取得了很好的结果。说明支持向量机在经济方面的应用有很大的实际意义。     

基于数据挖掘的支持向量机库存预测模型研究

针对传统库存预测方法的不足及库存自身特点,引入支持向量机这一数据挖掘的新方法,建立了库存预测模型,把服务水平作为模型的输入特征,实现了库存动态预测。     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法。该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机（SVM）方法,通过对特征样本进行训练,获得了较好的分类结果。实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上。     

采用混合核支持向量机的DOA估计

人工神经网络（ANN）进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机（SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角（DOA）的估计性能,并结合二进制粒子群算法（PSO）来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数（RBF）神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

改进型ICA和SVM相结合的火山灰云遥感检测

针对独立分量分析（ICA）模型在火山灰云遥感检测中的不足,提出了一种改进型ICA即变分贝叶斯ICA(VBICA）和支持向量机（SVM）相结合的火山灰云遥感检测算法,实现了火山灰云信息的近似分离。实验结果表明,所提算法能够从中分辨率成像光谱仪（MODIS）遥感图像中检测出火山灰云目标信息,且总检测精度和Kappa系数分别达到了88.4%和0.801 1,取得了较好的检测效果。     

Prediction of hotel bankruptcy using support vector machine,artificial neural network,logistic regression,and multivariate discriminant analysis

The objectives of this paper are firstly, to provide an optimal hotel bankruptcy prediction approach to minimize the empirical risk of misclassification and secondly, to investigate the functional characteristics of multivariate discriminant analysis, logistic, artificial neural networks (ANNs), and support vector machine (SVM) models in hotel bankruptcy prediction. The performances were evaluated not only in terms of overall classification and prediction accuracy but also in terms of relative error cost ratios. The results showed that ANN and SVM were very applicable models in bankruptcy prediction with data from Korean hotels. When jointly measuring both type I and type II errors, especially allowing for the greater costs associated with type I errors, however, ANN was more accurate with smaller estimated relative error costs than SVM. Thus, if the objective is to find the best early warning technique that performs accurately with small relative error costs, then, it will be worth considering ANN method for hotel bankruptcy prediction.     

A support vector machine (SVM) approach to imbalanced datasets of customer responses: comparison with other customer response models

Customer response is a crucial aspect of service business. The ability to accurately predict which customer profiles are productive has proven invaluable in customer relationship management. An area that has received little attention in the literature on direct marketing is the class imbalance problem (the very low response rate). We propose a customer response predictive model approach combining recency, frequency, and monetary variables and support vector machine analysis. We have identified three sets of direct marketing data with a different degree of class imbalance (little, moderate, high) and used random undersampling method to reduce the degree of the imbalance problem. We report the empirical results in terms of gain values and prediction accuracy and the impact of random undersampling on customer response model performance. We also discuss these empirical results with the findings of previous studies and the implications for industry practice and future research.     

基于高阶循环累积量和支持矢量机的分级调制分类算法

利用观测样本的高阶循环累积量特征,提出一种基于支持矢量机的分级调制分类算法 ,实现了对QAM调制信号的自动识别。该算法具有较快的分类器训练速度和较低的复杂度, 对时延和相位旋转具有稳健性,并可在干扰环境下实现对感兴趣信号调制类型的识别。理论 分析和仿真结果均证明了算法的正确性和有效性。     

A GIS-based spatial decision support system for tourists of Great Smoky Mountains National Park

Great Smoky Mountains National Park (GSMNP) is filled with an abundance of ecological diversity, historical significance, and recreational opportunities for visitors to explore and experience. The wide range of potential activities available in the park also present a major challenge for park visitors to plan activities that will better meet their preferences and constraints. With the large amounts of spatial and non-spatial data associated with the diverse resources and activities in the park, it is a logical choice to use geographic information systems (GIS) for storing, managing, analyzing, and visualizing the data. Nevertheless, GIS functions alone are insufficient to facilitate activity planning for park visitors. This paper presents a GIS-based spatial decision support system (SDSS) application that integrates GIS functions and SDSS designs with easy-to-use graphic user interfaces to help visitors of GSMNP choose and plan their activities more effectively to match their personal preferences and constraints.