基于支持向量机的Linux负载均衡集群服务器

基于支持向量机的Linux负载均衡集群服务器是利用机器学习理论对Linux集群服务器中的负载均衡调度策略进行优化和改进,通过对集群服务器负载变化的特点进行统计分析,采用支持向量机作为建模工具,对各节点服务器负载变化的趋势进行预测,从而研制出不同的调度策略,并将其集成到现有的Linux集群系统,实现对节点服务器计算资源的优化使用,克服传统调度策略中响应速度慢、预测精度差等缺点,提高集群服务器的整体性能。     

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。     

基于光滑支持向量机的经济预测模型

由于支持向量机方法具有推广能力强、拟合精度高、全局最优等特点,将支持向量机应用于对经济发展水平的预测中,建立基于支持向量机的经济预测模型,近年来受到了广泛的关注,并得以迅速发展.但在处理大数据时,求解支持向量机对应的二次规划问题是非常棘手的,如何有效求解支持向量机是一个不可回避的研究课题.光滑支持向量机是标准支持向量机的一种改进形式,其在经济走势预测中的应用已显示出了优越性.本文主要介绍了光滑技术在支持向量机中的应用及具体算法.     

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。     

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.     

智能财务数据分类方法探究

从财务数据分析财务风险的成因,划分财务风险种类,确定财务风险的度量方法,支持向量机(SVM)是解决问题的最好算法之一。传统的支持向量机是两类分类问题,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了支持向量机的基本原理,对现有主要的多类支持向量机对财务数据分类进行比较。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

基于加权支持向量机的商务采购决策管理

本文在基于一般支持向量机的商务管理决策方法的基础上,对商务采购决策管理问题进行了定性分析,然后对一般支持向量机模型进行了改进,给出了三种加权支持向量机模型,从而使决策方案更具有科学性和针对性。     

基于GA-SVM的物流园区物流需求预测及分析

文章基于支持向量机模型对物流园区物流需求进行预测,相较于传统的网格式搜索对支持向量机参数寻优,使用遗传算法对支持向量机参数寻优,能在实数集内连续地寻找最优参数组合,构建出GA-SVM物流需求预测模型。并通过成都市实例验证了GA-SVM预测模型的有效性。     

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想，提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取，根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。     

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。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

基于核主成分分析的PSO－SVR的煤炭物流需求量预测

利用核主成分分析法对煤炭物流需求影响因子进行特征提取,以获得的主成分作为支持向量机的特征向量建立支持向量机模型,利用粒子群算法对模型参数进行选择优化,从而构建出核主成分分析和粒子群优化支持向量机协同模型,并通过实例对模型的合理性和有效性进行验证。     

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。     

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。     

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.     

基于支持向量机的商务采购决策管理

本文通过对采购决策计划的分析,提出了利用支持向量机进行采购决策的可行性。在介绍数据挖掘的新方法——支持向量机的基础上,运用此方法给出了商场采购决策的数学模型及决策方案。