自适应粒子群最小二乘支持向量机在铁路货运量预测中的应用

针对铁路货运量与其影响因素间的复杂非线性关系,建立自适应粒子群最小二乘支持向量机(APSO-LSSVM)模型用于铁路货运量预测研究,利用最小二乘支持向量机的优良特性预测铁路货运量,并采用自适应粒子群算法优化选择LSSVM的参数。通过对我国铁路货运量的实例分析检验APSO-LSSVM模型的预测性能。结果表明,APSO-LSSVM模型有效地预测了我国铁路货运量,具有较高的预测精度及较快的收敛速度。     

基于支持向量机的煤灰结渣特性判别

在研究燃煤煤灰成分与其结渣特性之间相关关系的基础上，提出了基于支持向量机算法的煤灰结渣特性判别模型。该模型将煤灰成分作为输入量，煤灰结渣特性作为输出量。并用离子群优化算法对支持向量机参数进行优化。最后用实测数据时模型进行校验，结果表明，尽于支持向量机的煤灰结渣特性判别模型的判别准确率高于采用相同训练集和测试集的其他算法。     

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。     

基于粒子群支持向量机的标高金预测方法研究

在建筑工程投标报价过程中,标高金的准确预测直接影响投标方能否中标和盈利。利用支持向量机（SVM）在解决小样本数据、非线性问题上的优越性,提出基于SVM的预测方法,同时利用粒子群算法（PSO）对支持向量机的参数进行优化。实例分析表明,基于PSO—SVM的预测方法是有效和可行的。     

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PSO-SVM的油田注水动态预测模型

分析油田注水开发的动态过程中产油量与各注水开发影响因素之间的复杂非线性关系对实现油田最优控制开采及预测开发指标具有实际意义.通过引入粒子群算法(PSO)对支持向量机(SVM)的参数进行优化,提出了一种基于PSO-SVM的油田注水动态预测模型.该模型利用SVM采建立注水开发影响因素和产油量之间的复杂非线性关系;同时利用P...     

会计信息失真识别的成本控制型支持向量机模型

在会计信息失真识别问题中,考虑到决策失误所付出的不同错误分类成本以及样本数据的不平衡分布等特点,使得基于总体准确率的数据挖掘方法不能获得理想的识别效果。本文针对会计信息失真识别问题的特点,建立了一种成本控制型支持向量机模型,利用粒子群算法进行特征选择和参数优化,从而降低总体的错误分类成本。实验证明,该模型能够有效的识别出虚假的财务报告。     

银行业高管竞争力评价模型及实证分析

在建立银行业高管竞争力评价指标体系基础上,构建了主成分分析(PCA)和支持向量机(SVM)相结合的竞争力评价模型。对原始指标数据进行标准化处理,运用主成分分析消除指标之间的冗余和相关,并在MATLAB 6.5中运用支持向量机对银行业高管竞争力进行评价。实证结果表明该方法是适用于我国银行业高管竞争力评价的有效方法。     

基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机．利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类。实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果。     

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。     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

最小二乘支持向量机的电气设备磨损识别方法研究

电气设备发生故障或者老化的时候,运行声音首先发生变化,为了准确的识别电气设备的磨损状态,提出了基于电气设备磨损声发射信号的小波包多尺度信息熵（频域）特征和AR模型系数（时域）特征相触合的特征提取方法。然后采用核主成分分析方提取触合特征的主元,降低特征向量维数组成新的特征向量,送入最小二乘支持向量机训练、识别。     

LS-SVM对城市用水量预测的探究

介绍了最小二乘支持向量机(LS-SVM)的回归算法,给出了基于matlab的工具箱LS-SVMlab对城市用水量预测的算法步骤。选择高斯径向基核函数作为核函数,利用最小二乘支持向量机(LS-SVM)映射出城市用水量和人均综合用水量及用水人口间的非线性关系,从而建立出基于LS-SVM的,模型参数分别为的关于城市用水量的预测模型。与神经网络的预测结果相比较,该模型具有较高的预测精度和动态适应性。     

中国海外上市公司的PCA—SVM财务危机预警研究

在支持向量机（Support Vector Machine,SVM）方法的基础上融入主成分分析（Principal Component Analysis,PCA）方法,可构建PCA—SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA．SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于组合评价的纺织行业财务风险预警模型研究

将主成分分析（PCA）和最小二乘支持向量机（LSSVM）结合,提出了一种适用小样本空间的财务风险模型：PCA—LSSVM模型。以传统年度财务指标为基础,通过主成分分析,简化了输入变量,并利用LSSVM作为判别企业风险等级的工具。该模型可以在纺织行业中的上市公司选中1个或多个企业参与,避免了传统算法模型在解决财务风险预测的缺陷。算例结果表明了所提出模型能有效地提高预警方案的可行性,为财务风险的在线实施提供了方便。     

基于PCA-SVR的企业资金成本预测研究

本文运用主成分分析(PCA)对影响企业资金成本的指标进行了降维处理,将17个影响指标变量变成了6个综合变量,然后将综合变量输入到支持向量回归机(SVR)模型中,最后确定模型是有效的可以用来进行企业资金成本的预测。     

遗传算法的支持向量机模型在房地产估价中的应用

利用遗传算法对传统的支持向量机进行改进,提出GA—SVM房地产估价模型,并运用到房地产估价的预测中,通过与支持向量机模型、BP神经网络模型和市场比较法的对比研究发现,该方法估价预测精度要明显高于BP神经网络模型和市场分析法,略高于支持向量机模型,所以GA-SVM房地产估价模型更具有推广性,更适合于有限样本的房地产价格估价。     

基于支持向量机的区域物流需求预测研究

基于支持向量机的区域物流需求预测是在追求更高的预测精度下提出的,首先选取非线性回归方法筛选影响区域物流需求的主要因子,然后用支持向量机模型对原始数据进行处理,并通过"影响区域物流需求因素"求解最优化的支持向量机核函数,最后构建影响区域物流需求的影响因子的非线性数据模型。结论表明,支持向量机模型相对多元线性回归、BP神经网络等,提高了区域物流需求的精确度,在之后的区域需求预测中将会有更加广泛的应用。     

基于核主成分的支持矢量机信用评级

本文提出模糊支持矢量机的模糊规则提取方法,针对当前SVM的常见模型参数选择的方法的不足,引入遗传算法的自动模型选择优化方法;考虑到信用评级数据的非线性特征,提出了新的信用评级核主成分(KPCA)的特征提取方法,减少指标间的相关性,提高模型的预测精度;使用上市公司数据进行了实证分析,实验结果证明了该信用评级方法优于神经网络的方法,证明了该方法适用性。     

应用人工鱼群算法研究电网物资需求预测问题

为满足电网建设项目物资需求管理的发展要求,在现有企业资源计划(ERP)系统完成上线并能够提供初步数据支持的基础上,针对如何依据电网建设项目里程碑计划中的基本工程建设指标,合理预测物资需求的问题,借助支持向量机模型(SVM)和人工鱼群算法(AFSA)构建了电网建设项目物资需求预测模型。在支持向量回归机的基础上,融合添加混沌搜索后的改进工鱼群算法,优化了向量机核函数选取和参数设置,通过省级电网建设项目物资需求历史数据测试,模型预测结果满足实际使用要求,能够有效解决电网建设项目物资需求预测的问题。