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.     

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。     

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SVM的中小企业财务预警模型探讨

本文结合我国中小企业当前的实际情况,针对常用的财务危机预警模型的不足,为有效解决传统模型存在的小样本、高维数、非线性和局部极小点等问题,提出了利用SVM(支持向量机)的分类能力建立财务预警模型。最后利用上市公司的财务数据进行训练和评估,证明了基于支持向量机的财务预警模型在小样本情况下具有良好的非线性建模能力和泛化能力。     

秦皇岛煤炭价格预测研究——基于因素分析法和支持向量机模型

煤炭是我国重要的战略资源,其价格波动对国民经济影响重大。本文选取了煤炭产量、煤炭销量、进口量、国际原油价格和秦皇岛煤炭交易月度价格为样本数据,建立基于因素分析的支持向量机模型(FS-SVM)对秦皇岛的煤炭价格进行了预测分析,并与神经网络模型(BPNN)和无因素分析的支持向量机模型(SVM)的预测结果进行了对比。结果表明,以因素分析的结果作为输入的支持向量机模型可以有效地预测市场煤价,其预测结果可为大型煤炭消耗型企业购煤决策提供指导性意见。     

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。     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域，证据理论是有效的数据融合方法之一，但基本概率分配一般不易确定，从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法，具有普适性和全局优化等特点，但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法，通过建立基于分类超平面距离的模糊隶属度，训练模糊支持向量机提高传统支持向量机的基本概率分配，并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验，经精度、平均绝对百分误差、均方根误差等指标验证，精度提高10.5%，表明所提方法是一种可靠的多传感器的水质融合方法，较其他方法具有更高的融合精度。     

支持向量机在企业冰箱订单需求中的应用

为了提高企业冰箱订单预测精度,提出基于支持向量的订单需求预测模型,本文在对冰箱订单需求影响因素分析的基础上,选出对冰箱影响订单需求最为重要的五个因素,运用支持向量机(SVM)对冰箱订单需求进行训练、预测分析,得到支持向量机在冰箱订单需求预测中的准确率,通过与BP神经网络、时间序列模型(ARMA)对比证明该模型预测精度较高,是一种有效的方法,值得推广使用。     

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.