基于支持向量机的油气集输管道高后果区风险分级研究

为了快速地识别油气集输管道高后果区,降低经济损失,通过模糊综合评价法建立油气集输管道高后果区风险分级案例库.在此基础上利用支持向量机对案例库进行机器学习,实验结果表明:支持向量机对测试集分类准确率为98.15％,可以快速、有效地实现油气集输管道高后果区风险分级.     

基于启发式SVM的入侵检测系统研究

文章针对支持向量机参数一直存在根据经验确定不足的问题,提出将启发式支持向量机快速学习算法应用于入侵检测系统中。为了使支持向量分类机获得更好的分类性能,该算法提出以启发式规则选取对分类器最有利的样本进行训练,以确定支持向量机的参数,并采用内积矩阵分解算法提高分类速度,达到提高学习速度的目的。实验表明该算法在入侵检测系统中的应用优于标准支持向量机算法。     

基于支持向量机模型的财务预警警度分类研究

本文以模式分类理论阐述了财务预警的实质,给出了财务预警指标及量化方法,并应用支持向量机模型对上市公司进行财务预警警度分类,实证表明了支持向量机以多模式分类标识财务预警警度的可行性和实用性。     

两种减少噪声对双支持向量机影响的方法

双支持向量机是Jayadeva等人在2007年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机的训练速度远远超过传统的支持向量机,计算效率大约是传统支持向量机的四倍.但双支持向量机没有考虑到不同样本点对最优超平面所产生的影响,而是同等对待所有的训练数据样本来构造最优超平面,从而无法降低噪声对分类面的影响.为了克服这个缺点,总结提出了两种方法,一是将模糊技术应用于双支持向量机中,对不同的样本采用不同的惩罚权系数,找到适合的隶属度函数来提高双支持向量机的分类准确率;二是将超球体技术与双支持向量机相结合,清除数据样本中的噪声,减小系统结构误差.实验证明这两种方法能有效的减少噪声的影响.     

基于支持向量机的柴油机故障诊断

本文研究了基于支持向量机的故障诊断方法。以传感器检测数据为输入,利用v-支持向量分类机进行故障分类识别。通过对柴油机燃油压力波动信息和柴油机振动监测数据的处理分析,结果显示基于支持向量机的故障分类器能够在样本有限的情况下出色的完成多种故障的诊断分类。     

基于支持向量机的泵功图工况识别

支持向量机是基于小样本统计学习理论的分类算法,推广能力强。本文将支持向量机算法应用于泵功图模式识别,首先提取泵功图特征,再使用LibSVM工具箱对特征样本进行训练,建立分类器,并测试其分类能力,实验表明此方法可以应用于泵功图的模式识别。     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

支持向量机的应用

支持向量机算法是十大经典算法之一,对于数据分类,数据回归方便有着极好的应用.在实际操作中,我们常用它来处理分类问题.但传统的支持向量机存在噪声太多,数据处理太慢和收敛过快的问题,可通过调整参数进行改进.本文将建立一个模型,实现对支持向量机的简单应用.     

基于组合分类器的上市公司信用风险评价

针对传统信用风险评价模型只含有一个分类器的缺陷,本文利用AdaBoost组合分类器来对上市公司信用风险进行评价,并与基于支持向量机和神经网络的分类模型进行了效果比较。实证研究表明,组合分类器克服了单一分类器的诸多缺点,预测准确率高于单一分类器。     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

基于支持向量机的绿色物流服务评价模型研究

采用一种基于支持向量机(SVM)的绿色物流服务质量评价方法,归纳了其评价指标体系的设计原则,给出了具体的评价指标体系,并采用模糊隶属函数等方法对其进行量化。将量化后的指标因素集作为SVM的训练集,采用一对一的分类策略建立了正确率高、实用性强的评价模型。     

支持向量机技术及其应用研究

支持向量机(SVM)是建立在统计学习理论基础上的一种小样本机器学习方法,本文主要介绍了支持向量机的基本原理,多类分类的研究现状。最后介绍了支持向量机的典型应用。     

基于支持向量机的工程项目投资风险评价研究

提出一种工程项目投资风险评价的新方法—支持向量机评价法,由于支持向量机对样本数量的依赖性弱,通过学习有限的样本而建立的模型仍具有很强的泛化能力,具有比神经网络更好推广性能,因此在项目风险评价方面必然比神经网络具有更大的优势。实例研究也表明支持向量机方法更适合于投资项目风险评价的研究。     

基于支持向量机的消费者行为分类方法

"大数据"时代的来临,企业更加重视通过数据分析来洞察消费者行为,以实现更为精准的营销模式。现有对消费者行为的分类方法主要有层次分析法,聚类,贝叶斯网络等。文章引入支持向量机的方法应用在消费行为分析中,它是在统计学理论基础上发展起来的一种新的模式识别方法,在解决有限样本,非线性及高维模式识别问题中表现出许多特有的优势。最后,文章利用广东省烟草公司的实际调研数据进行支持向量机的训练。文章发现,相比于传统的消费者行为分类方法,支持向量机用于消费者行为分析是一种更精确有效的分类方法。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于支持向量机的交通信息融合算法研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能。此方法能解决小样本、非线性及高维模式识别中的问题。本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试。同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果。     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

SVM在企业财务困境分析中的应用

企业财务困境分析对商业银行和各种投资者而言具有重要的意义，本文研究了支持向量机模型的基本原理，并对支持向量机在企业财务困境分析中的应用进行了实证分析，结果表明支持向量机模型与其他模型相比具有较好的效果，值得深入研究。     

大丰港货物吞吐量的时间序列法预测研究

根据大丰港的历史数据,采用时间序列的回归分析方法对大丰港货物吞吐量进行预测研究。在回归分析法中,通过比较,选择指数模型、高次多项式模型以及支持向量机方法分别对大丰港的货物吞吐量进行模拟预测。对指数模型、多项式模型、支持向量机三种方法的预测结果进行比较,并结合大丰港的实际情况,最终选择使用支持向量机法给出大丰港2012—2016年的货物吞吐量预测值。