基于模糊支持向量机上市公司财务风险评级——以高新技术产业为例

高新技术产业已成为或正在成为国家和地区新的经济增长点。研究企业财务风险可以提前预测风险并降低破产的可能性。支持向量机在财务风险预警问题的研究中已经取得了成功,但传统的支持向量机存在过拟合的问题,对于数据集中的噪声点十分敏感。为改进上述不足,使用遗传算法对模糊支持向量机参数进行最优化选择,构建了基于KNN隶属度模糊支持向量机算法对上市公司财务数据进行多分类研究。实证结果表明:模糊支持向量机可以更好地解决过拟合问题,提高分类准确率。     

支持向量机函数拟合在边坡稳定性估计中的应用

在综合分析了各种边坡稳定性分析方法的基础上，提出了基于支持向量机的边坡稳定性预测方法，并在MATLAB中编制了相应的支持向量机程序，建立了相应的边坡稳定性预测模型。以大量的实例数据为学习样本和测试样本，讨论了基于支持向量机的边坡稳定性分析及其可行性，研究表明，用支持向量机方法来预测边坡的稳定性是可行的。     

边坡角设计的支持向量机建模与精度影响因素研究

运用人工智能领域最新的基于结构风险最小化原理的机器学习算法——支持向量机(SVM)算法,采用线性Linear 和径向基函数 RBF 两种核函数以及ε 不敏感和 Quadratic 两种损失函数,并且考虑惩罚参数 C 的不同,编写了相应的程序对影响边坡角设计的诸多因素进行了机器学习,经过反复调整相关参数和计算对比,找到了拟合精度很高的支持向量机网络,并以此网络对测试样本作预测检验模型的可靠性;对影响支持向量机建模精度的各种影响因素作了计算和分析,在此基础上,初步确定了各参数对 SVM 模型精度影响大小的顺序,为 SVM 在类似工程上的应用提供了借鉴。     

高土石不过水围堰边坡失稳风险分析

高土石不过水围堰边坡失稳导致溃堰造成的损失巨大,对其进行风险分析有重要意义。综合考虑水文、水力及填筑土石料力学参数的不确定性,构建基于安全系数的高土石不过水围堰边坡失稳风险数学模型。考虑最危险滑动面位置每次仿真模拟的变动性,采用分层–LHS抽样方法获取填筑土石料随机参数样本以提高抽样效率。然后,利用K-S检验原理判断边坡安全系数可接受的分布类型,利用拟合优度指标确定最优概率分布,继而给出风险模型求解的计算过程。最后,对西南地区某大型水电工程进行计算分析。结果表明,所提方法有效地提高风险计算的效率,且概率分布拟合效果良好,使得风险率得以准确合理的估计,为高土石不过水围堰边坡失稳风险分析提供了新的思路和方法。     

基于模糊支持向量机的岩石抗剪强度参数确定方法研究

针对岩石抗剪强度参数具有随机性与模糊性的特点,提出一种基于试验样本到超平面距离作为隶属度函数的模糊支持向量回归方法,通过更加合理地设计隶属度函数,提高支持向量机的稳健能力,得到最优的参数估计。在此基础上,对岩石抗剪强度参数进行建模仿真,并进行估计。结果表明,基于模糊支持向量回归的方法与最小二乘法、随机-模糊法相比,不仅能减少异常试验数据对岩石抗剪强度参数的影响,而且得到的回归方程更符合试验样本整体分布,可反映岩石力学参数固有属性。     

基于位移和松弛深度的岩体参数概率反分析方法

鉴于目前工程中含多目标变量多参数输出的概率反分析方法匮乏,在改进多输出支持向量机算法(MSVM)的基础上,建立基于贝叶斯理论(Bayes)的概率反分析方法(B-MSVM方法)。该方法通过改进支持向量机算法形成多个岩体参数与多目标变量之间的映射关系,以分步开挖引起的典型测点的松弛深度和表层变形监测信息为输入,以边坡岩体多个力学参数为待反分析输出,通过选择合适的核函数在改进的支持向量机算法中运算,获得多次开挖条件下待反分析参数的取值及其不确定性动态表征。应用该方法对白鹤滩水电站坝基边坡的力学参数进行反分析,得到10个非相关参数的取值及其不确定性分布,用反分析的参数值计算相应开挖步下边坡典型测点的位移和松弛深度,并与实测值进行对比,结果表明该方法的正确性,并初步讨论本方法在相关参数反分析计算中的应用思路。研究成果为岩土工程参数概率反分析方法的建立提供了思路,具有重要的理论意义和工程实用价值。     

基于边坡位移监测数据的进化支持向量机预测模型研究

支持向量机方法是基于统计学习理论和结构风险最小化原则的学习方法,在回归预测方面具有良好外推能力,并且适合小样本的统计学习问题。建立支持向量机预测模型,对边坡位移进行预测计算,将预测值和实测值对比分析,验证了支持向量机预测模型较强的外推能力和预测计算的有效性。通过对边坡位移初始时序位移数据进行灰色理论的累加生成和累减生成处理,形成新的时间序列数据,在此基础上,计算出预测值,并与基于初始时间序列的支持向量机预测结果对比分析,基于新生成的时间序列数据进行预测计算结果精度明显提高。基于边坡位移监测数据构建训练样本数据集,研究了训练样本数据集的选取对预测结果的影响。对支持向量机预测模型的关键参数进行敏感度分析,并采用进化算法–微粒群算法对支持向量机模型参数加以优化,提高了预测精度。     

岩土强度参数正态–逆伽马分布的最大后验估计

岩土强度参数的概率分布特征参数是确定强度参数标准值和可靠度分析及风险评估的基础,目前采用现场数据进行估计的方法存在小样本信息量不足的问题,为此,基于贝叶斯统计理论提出服从正态分布的岩土强度参数的概率特征参数服从于一个二维联合先验分布,并根据贝叶斯公式推导相应的共轭后验分布函数,以及岩土强度参数概率特征参数的最大后验估计量计算公式。以重庆万州区域内若干工程的泥岩和砂岩的黏聚力、内摩擦角的历史数据为例,建立先验分布函数,先统计单个工程的现场样本均值和方差,然后将若干工程的均值和方差组成新的样本,以此样本为基础采用参数估计得到理论推导确定的先验分布中的超参数,从而确定该区域泥岩和砂岩黏聚力及内摩擦角的先验分布函数,结合该区域内一个工程算例的现场数据,得到该工程在现场样本情况下泥岩和砂岩黏聚力及内摩擦角的概率分布特征参数的后验分布函数和最大后验估计值,并计算相应的黏聚力及内摩擦角的标准值,与传统方法确定的标准值进行比较,表明提出的贝叶斯方法综合了历史数据和现场数据的信息,更为科学合理。     

基于支持向量机的似大地水准面精化研究

本文论述了支持向量机的回归算法,提出了在似大地水准面精化中基于支持向量机的GPS高程异常建模的方法。以实例数据讨论了基于支持向量机的GPS高程异常建模步骤。研究结果表明,该技术无论在历史样本拟合的精度上还是模型的实际预测能力都具有较高的精度,将支持向量机技术应用于似大地水准面精化是可行的和有效的。     

基于支持向量机的边坡可靠性分析

将支持向量机与一阶二次矩方法结合,提出了边坡可靠性分析的支持向量机方法。利用极限平衡分析构造学习样本,通过支持向量机学习,建立安全系数与随机变量之间映射关系的支持向量机表达,进而实现边坡极限状态函数及其偏导数的显式表达,从而计算边坡的可靠性指标。该方法避免了传统可靠性分析的缺点。利用一个算例进行了分析,结果表明:该方法计算效率高,结果可靠,对含有大量随机变量的复杂岩土工程可靠性分析具有很大的潜力,具有广泛的应用前景和工程价值。     

基于PSO优化的支持向量机在软土路基沉降数据处理中的应用

软土路基沉降预测是一个少样本、非线性、高维数据处理问题,支持向量机能够较好地解决这类问题。为了克服该理论方法在实际应用中存在惩罚因子C和核函数参数σ选取不当导致模型预测精度不高的问题,采用粒子群优化算法PSO对模型参数C和σ进行优化。工程实例表明经PSO优化的支持向量机具有较高的精确度,预测效果优于非PSO优化的支持向量机,也优于GRNN网络和BP神经网络的预测结果,值得工程技术人员借鉴。     

非线性位移时间序列预测的进化-支持向量机方法及应用

提出了一种新的岩土结构位移预测的进化支持向量机方法,用遗传算法来搜索支持向量机的参数和核函数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力;利用这种非线性智能预测方法,滚动预测施工位移变形量,以便及时调整和优化施工步序,维护岩土结构的稳定性。将该方法用于卧龙寺边坡变形、三峡永船闸边坡变形预测,结果表明,该方法具有科学可靠、实时性的优点,具有广泛的应用前景。     

基于支持向量机的抗滑桩加固边坡可靠度分析

文中采用可靠度指标来评价抗滑桩加固边坡的稳定性,提出了基于支持向量机模型的一阶可靠度分析方法。使用支持向量机来构建描述边坡安全系数等输出响应量与边坡土体参数等输入响应量间定量函数关系的模型,来代替真实的数值计算,并从边坡安全性与桩身安全性两个方面展开桩加固边坡的一阶可靠度分析。通过一实际的抗滑桩加固边坡的案例验证了该方法的有效性。结果表明,以边坡安全系数的可靠度来评价抗滑桩加固边坡的稳定性是不全面的,应同时考虑抗滑桩弯矩的可靠度。     

地震作用下边坡的稳定性探讨

地震作用下边坡的稳定性会显著降低,从而导致边坡失稳破坏。根据相关设计规范确定了地震荷载,用强度折减法分别求解了自然工况下以及地震工况下水平地震惯性力和竖直地震惯性力不同组合方式下边坡的稳定性。通过对求解结果的分析表明:当水平地震惯性力方向朝向边坡外时,无论考不考虑竖直地震惯性力,边坡的稳定性系数都明显低于自然工况下边坡的稳定性系数;而且当竖直地震惯性力向下时,边坡最不稳定。因此,建议以此种工况来评估边坡的稳定性和进行边坡的抗震设计。     

边坡工程可靠性的支持向量机估计

针对边坡工程可靠性分析中存在的问题以及边坡工程地质条件、岩土体参数和力学上的不确定性,基于支持向量机的结构简单、学习性能出色和有较强的推广性等优点,提出了用支持向量机来估计边坡工程的可靠性。结果分析表明,该方法具有一定的工程参考和使用价值。     

基于支持向量机集合的油浸式变压器故障诊断

油浸式变压器故障诊断是多分类问题。为了解决传统油浸式变压器故障诊断需要样本数据量大的问题,提出基于支持向量机集合的变压器故障诊断方法。将多分类问题分解为多个二分类问题的组合,变压器故障分为5个类别,构建10个支持向量机,每个支持向量机对应2个故障类别。样本每经过1个支持向量机都会获得1个可能的所属类别,当经过所有支持向量机后,通过投票法确定样本最终所属类别。通过模型训练,求得核函数的取值,建立模型。模型测试结果正确率达到86.25%,验证了方法的有效性,说明该方法适用于油浸式变压器故障诊断。     

基于自组织映射神经网络的边坡样本分析方法

推导了自组织映射神经网络过程的简化权值求解公式,并采用自组织竞争神经网络对收集到的边坡样本进行归类,降低了学习样本的噪声。BP神经网络采用归类后的样本进行学习,学习效率有了提高,网络的推广及泛化能力也得到加强。试验证明,优化后的BP神经网络在安全系数的拟合以及样本的误差分布方面均有明显的改善。同时,编制了可以通用的边坡稳定性评价程序,通过将该程序应用于边坡实例的稳定性评价分析,得到的边坡状态与实际相符,准确度较高,用于计算边坡的安全系数误差较小。     

LS-SVM变形预测在雪峰山1号隧道的运用

以沪昆高铁雪峰山1号隧道出口段为例,借助最小二乘支持向量机的反分析技术,探索该方法在大断面隧道位移反分析预测中的应用。首先雪峰山隧道的勘察设计相关资料和相关规范,通过正交设计方法获得多组参数组合,用来做数值模型的参数输入。再通过有限差分方法进行数值分析获得各组参数对应的位移信息,从中提取支持向量机的训练样本和测试样本,获得支持本隧道的向量机模型。最后以实际的拱顶监测位移值带入模型获得反演计算的围岩相关参数,并且通过数值模拟进行验证,取得了很好的效果,获得了与实际近似的数值模型,进而通过最小二乘支持向量机进行隧道拱顶变形预测分析,指导施工。     

基于模糊环境AMPSO-SVM氧化锌避雷器故障诊断研究

阐述了氧化锌避雷器在线监测系统中故障诊断的常规方法与不足,对此提出一种基于模糊环境AMPSO-SVM的氧化锌避雷器故障诊断方法。首先将影响避雷器泄露电流的周围环境部分模糊化,以此作为支持向量机(SVM)的训练样本,在此基础上通过运用自适应变异粒子群算法(AMPSO)对支持向量机中的惩罚因子C和核函数参数g寻优,以得到最佳的诊断模型。并将所得模型和BP神经网络的故障诊断模型相比较,MATLAB仿真结果表明基于模糊环境AMPSO-SVM的诊断方法有更高的正确率和泛化能力,能够较准确的判断复杂环境下氧化锌避雷器的运行状况。     

导水裂缝带高度预测的模糊支持向量机模型

针对传统支持向量机(SVM)模型在导水裂缝带高度预测中存在着易受奇异值干扰而造成的泛化能力降低问题,提出了基于异常样本探测、剔除的模糊支持向量机模型(FSVM)。采用模糊聚类分析和加权支持向量机(WSVM)相结合的方法,首先根据模糊ISODATA算法求得导水裂缝带高度及其影响因素的最优分类矩阵,剔除分类结果不一致的观测样本,然后以模糊隶属度为样本权重,按照WSVM建模思想建立了导水裂缝带高度预测的FSVM模型。通过实例将FSVM和WSVM、SVM的预测结果作对比分析。结果表明,FSVM避免了异常样本对预测结果的影响,并顾及了建模样本的不同重要程度,其预测精度比WSVM和SVM有较大的提高。