基于主成分分析和PSO-SVM的树叶分类方法研究

提出一种树叶分类方法.在数据方面,所获得数据既包含树叶的图形信息数据,也包含树叶的纹理信息.在前期数据预处理阶段,采用主成分分析方法对原始数据进行降维处理,从16个特征中提取出3个主成分,且累计主成分贡献率达到85%以上.在后期数据分析处理阶段,用支持向量机对树叶数据进行分类预测,并用粒子群算法对支持向量机参数进行寻优处理,提高分类精度.实验结果表明,相对于遗传算法和网格搜索法寻到的最优参数相比,粒子群算法优化支持向量机具有最高的准确率,高达94.1%,高于其他两种分类方法.     

基于邻域粗糙集的网络入侵分类诊断组合模型研究

网络入侵诊断直接影响网络正常运行和安全.针对入侵类型复杂,现有分类诊断模型精度有限的问题,提出一种基于邻域粗糙集的网络入侵分类诊断优化模型.首先,运用邻域粗糙集对网络入侵数据进行条件属性的约简,确定关键属性,然后将其作为训练输入构建相关向量机分类诊断模型,并同时运用遗传算法进行超参数优化,提高模型诊断精度和速度.通过KDDCup99数据集对优化模型性能进行检验,结果表明,组合预测方法精确度高于支持向量机、相关向量机和BP神经网络.组合模型诊断精度高、速度快,具有优异的综合性能.     

基于凸绝对值不等式的半监督最小二乘支持向量机

针对半监督分类问题,提出了基于凸绝对值不等式的半监督最小二乘支持向量机.传统的半监督支持向量机鲁棒性不强、效率不高,针对这些不足,利用凸绝对值不等式将平面分为两个有重叠的半平面,通过极小化重叠部分以及采用最小二乘支持向量机的思想处理无标签点,提高分类准确率,结果具有一定的鲁棒性.在8个数据集上进行了数值实验,说明了所提出的半监督分类算法的有效性.     

非平衡数据集的支持向量域分类预测模型研究

基于非平衡数据集的支持向量域分类模型,提出了一种银行客户个人信用预测方法.首先分析了信用预测的主要方法及其不足,然后研究了支持向量域分类模型及其参数的非负二次规划乘性更新算法,进而提出基于支持向量域分类模型的银行客户个人信用预测方法,最后使用人工数据和实际数据对提出方法与支持向量机预测方法进行对比实验.实验结果表明对于银行客户个人信用预测的非平衡数据分析问题,基于支持向量域模型的分类预测方法更有效.     

基于支持向量机混合采样的不平衡数据分类方法

利用传统支持向量机(SVM)对不平衡数据进行分类时,由于真实的少数类支持向量样本过少且难以被识别,造成了分类时效果不是很理想.针对这一问题,提出了一种基于支持向量机混合采样的不平衡数据分类方法(BSMS).该方法首先对经过支持向量机分类的原始不平衡数据按照所处位置的不同划分为支持向量区(SV),多数类非支持向量区(MNSV)以及少数类非支持向量区(FNSV)三个区域,并对MNSV区和FNSV区的样本做去噪处理;然后对SV区分类错误和部分分类正确且靠近决策边界的少数类样本重复进行过采样处理,直到找到测试结果最优的训练数据集;最后有选择的随机删除MNSV区的部分样本.实验结果表明:方法优于其他采样方法.     

基于网络舆情支持向量机的股票价格预测研究

提出一种基于网络舆情和股票技术指标数据的支持向量机回归模型(NPOSVM),提高了股票价格的预测精度.模型首先将抓取的微博、股吧等股评观点分为正面和负面两类,计算正面观点所占的比例作为网络舆情,然后对网络舆情和股票技术指标数据作主成分分析,最后对保留的主成分运用支持向量机回归建模预测.实证分析国药股份(SH600511),仿真结果表明网络舆情与股票价格之间的相关系数为0.76;基于股票技术指标数据的支持向量机回归模型(TI-SVM)预测平均相对误差为1.29%、趋势准确率为57.14%,而NPO-SVM预测平均相对误差为0.66%、趋势准确率为71.43%.于是证明,NPO-SVM模型显著地提高了预测精度,是一种有效的预测股票价格的模型.     

人工蜂群算法优化支持向量机及其在音乐流派自动分类中的应用

音乐流派是区分和描述不同音乐的一种标签,借助数学和计算机的方法将大量音乐自动分为不同流派是目前国内外研究的热点问题之一.支持向量机(SVM)由于其具有严格的数学理论基础而被广泛应用于音乐流派自动分类.然而,支持向量机的惩罚参数和核参数对其分类效果具有重要影响.以交叉验证正确率作为适应值,采用人工蜂群(ABC)算法优化支持向量的控制参数.在音乐流派自动分类的仿真实验中,经ABC算法优化后的支持向量机取得的平均预测正确率为80.8000%(最优预测正确率达83%),高出默认参数SVM 18.8个百分点.与粒子群优化算法及遗传算法相比,仿真实验结果同样显示了ABC算法的优越性.     

基于支持向量回归机的水文混沌时间序列预测

支持向量机在系统辨识和分类研究方面比较成熟,目前尚没有提出有效的支持向量回归理论来解决非线性、时变、干扰的复杂问题.支持向量回归机主要用于因果关系点对的回归预测,把支持向量回归机应用于水文混沌时间序列的预测研究是一个有意义的工作.在支持向量机一般理论基础上,提出了水文混沌时间序列支持向量回归机模型,并就模型进行仿真计算,讨论了模型参数对支持向量回归机预测精度的影响,为模型参数寻优提供一般指导原则.直门达水文站径流量混沌时间序列支持向量回归机预测实验表明,水文混沌时间序列支持向量回归机模型是有效的.     

支持向量机在胎膜早破预测中的应用

为快速、准确地对胎膜早破进行预测,首次应用了一种新型的数据挖掘技术-支持向量机预测模型.该模型针对所获取的胎膜早破及正常破膜数据集100个病例进行建模,并与神经网络、Logistic回归建模的性能进行了比较.结果表明,支持向量机具有可调参数少、学习速度快等优点,计算所得到的结果无论从准确率,还是所获取知识的可理解性等方面,都优于常用的神经网络等方法.用支持向量机方法建立的胎膜早破预测模型合理可行.     

基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型及其在信用分类中的应用

信用分类是信用风险管理中一个重要环节,其主要目的是根据信用申请客户提供的资料从申请客户中区分出可信客户和违约客户,以便为信用决策者提供决策依据.为了正确区分不同的信用客户,特别是违约客户,结合核主元分析和支持向量机算法构造基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型对信用数据进行了分类处理.在基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型中,首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,最后利用带可变惩罚因子最小二乘模糊支持向量机模型对降维后数据进行分类分析.为了验证,选择两个公开的信用数据集来进行实证分析.实证结果表明：基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型取得了较好的分类结果,可为信用决策者提供重要的决策参考依据.     

基于KMOD核函数的SVM方法在信用评分中的应用

本文介绍了支持向量分类机,并引入具有更好识别能力的KMOD核函数建立了SVM信用卡分类模型.利用澳大利亚和德国的信用卡数据进行了数值实验,结果表明该模型在分类准确率、支持向量方面优于基于RBF的SVM模型.     

基于支持向量机的凝血功能诊断模型

使用凝血四项指标诊断凝血功能是临床的常规检查,但根据经验进行诊断正确率不高.剔除临床上最重要的指标FIB后,建立支持向量机模型诊断的正确率和根据凝血四项指标诊断的正确率没有显著差异,100次模拟的平均正确率分别达到了95.4496%和95.5039%.     

基于高斯核支持向量机的商品期货市场套利研究

基于高斯RBF核支持向量机预测棉花商品期货主力和次主力合约协整关系的价差序列,确定最优SVM参数,并选择合适的开平仓阈值,进行同品种跨期套利.再与多项式核支持向量机套利结果对比,得到在所有开平仓阈值上,基于高斯RBF核支持向量机套利的收益率都明显高于多项式核支持向量机套利的收益率.     

A kernel-free quadratic surface support vector machine for semi-supervised learning

In this paper, we propose a kernel-free semi-supervised quadratic surface support vector machine model for binary classification. The model is formulated as a mixed-integer programming problem, which is equivalent to a non-convex optimization problem with absolute-value constraints. Using the relaxation techniques, we derive a semi-definite programming problem for semi-supervised learning. By solving this problem, the proposed model is tested on some artificial and public benchmark data sets. Preliminary computational results indicate that the proposed method outperforms some existing well-known methods for solving semi-supervised support vector machine with a Gaussian kernel in terms of classification accuracy.     

支持向量机回归方法在地表水水质评价中的应用

将支持向量机方法应用于地表水质评价问题中,建立了多指标水质综合评价的支持向量机回归模型.在地表水质评价标准的基础上采用内插法获得学习样本,经过训练,得到水质评价的分类区间;然后以实测资料对所建模型进行检验,研究结果表明,支持向量机回归模型性能良好、预测精度高、简便易行,是水质评价的一种有效方法,具有广阔的应用前景.     

An intuitionistic fuzzy set based S$$^$$VM model for binary classification with mislabeled information

Traditionally, robust and fuzzy support vector machine models are used to handle the binary classification problem with noise and outliers. These models in general suffer from the negative effects of having mislabeled training points and disregard position information. In this paper, we propose a novel method to better address these issues. First, we adopt the intuitionistic fuzzy set approach to detect suspectable mislabeled training points. Then we omit their labels but use their full position information to build a semi-supervised support vector machine (\(\mathrm {S^3VM}\)) model. After that, we reformulate the corresponding model into a non-convex problem and design a branch-and-bound algorithm to solve it. A new lower bound estimator is used to improve the accuracy and efficiency for binary classification. Numerical tests are conducted to compare the performances of the proposed method with other benchmark support vector machine models. The results strongly support the superior performance of the proposed method.     

A comparative study on large scale kernelized support vector machines

Kernelized support vector machines (SVMs) belong to the most widely used classification methods. However, in contrast to linear SVMs, the computation time required to train such a machine becomes a bottleneck when facing large data sets. In order to mitigate this shortcoming of kernel SVMs, many approximate training algorithms were developed. While most of these methods claim to be much faster than the state-of-the-art solver LIBSVM, a thorough comparative study is missing. We aim to fill this gap. We choose several well-known approximate SVM solvers and compare their performance on a number of large benchmark data sets. Our focus is to analyze the trade-off between prediction error and runtime for different learning and accuracy parameter settings. This includes simple subsampling of the data, the poor-man’s approach to handling large scale problems. We employ model-based multi-objective optimization, which allows us to tune the parameters of learning machine and solver over the full range of accuracy/runtime trade-offs. We analyze (differences between) solvers by studying and comparing the Pareto fronts formed by the two objectives classification error and training time. Unsurprisingly, given more runtime most solvers are able to find more accurate solutions, i.e., achieve a higher prediction accuracy. It turns out that LIBSVM with subsampling of the data is a strong baseline. Some solvers systematically outperform others, which allows us to give concrete recommendations of when to use which solver.     

基于灰色关联分析的支持向量机的铁路货运量预测研究

采用基于灰色关联分析的支持向量机对铁路货运量进行预测.首先利用灰色关联分析法对影响铁路货运量的因素进行分析处理,然后利用基于高斯核函数的支持向量回归机建立了铁路货运量预测模型.通过分析预测结果可以发现,经过灰色关联分析后的支持向量机模型对复杂的铁路货运量数据有较好地处理能力,且预测相对误差较小.特别地,由于支持向量机的适应性,该模型具有较高的泛化能力,对影响因素较为复杂,样本数量小的预测问题可以提供一定参考.     

基于支持向量机的粒子群神经网络集成股市预测模型

为有效提高神经网络集成的泛化能力,先利用量子粒子群和主成分分析提高集成个体的泛化能力,再利用泛化能力强的支持向量机回归集成生成输出结论,建立一个基于支持向量机的粒子群神经网络集成股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.