基于支持向量机的医院动态财务信息预警优化

为了提高医院动态财务信息预警能力,提出基于支持向量机的预警方法。结合模糊PID控制方法,构建信息大数据检测和统计信息分析模型,统计特征量和统计函数,采用支持向量机学习方法,通过模糊信息融合方法,利用参数寻优,实现对异常信息的实时监测和预警过程优化。仿真结果表明,采用该方法进行医院动态财务信息预警的准确性较高,实时性较好。     

基于粒子群优化算法的LS-SVM财务预警

提出一种基于粒子群优化算法优化有关参数的最小二乘支持向量机的财务预警模型。通过提出适当的验证性能指标,用粒子群优化算法优化最小二乘支持向量机的有关参数,利用上市公司的财务数据对该方法进行实证财务预警分析。仿真结果表明,该模型的精确度令人满意,该方法是可行且有效的。     

基于SVM的电涡流传感器动态建模方法

传感器的动态特性反映了系统动态测试的能力,而时传感器动态特性描述的有效方法是建立传感器的动态模型.本文简单介绍了回归型支持向量机的基本原理,研究了利用支持向量机建立传感器动态模型的方法.利用支持向量机良好的回归拟合能力,建立了电涡流传感器的动态模型.实验结果表明该方法所建模型具有较高的准确性,为改善电涡流传感器的动态特性,实现动态补偿提供了一种较为有效的方法.     

基于Renyi熵的LS-SVM财务困境预测模型

为了提高企业财务困境预测的正确率,减少训练模型的样本数和训练时间,在传统支持向量机预测模型的基础上,将Renyi熵和最小二乘支持向量机算法应用于财务困境预测,提出了一种基于Renyi熵的最小二乘支持向量机预测模型.独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进算法的实现步骤.实验结果表明,该算法无论是训练样本的数量还是训练时间,都显著优于传统的最小二乘支持向量机以及标准支持向量机预测模型.     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

基于支持向量机的供应商评价模型

提出了利用支持向量机建立供应商评价系统的方法．给出了供应商评价指标体系及具体量化方法，采用支持向量机的1-v-1分类策略建立了供应商的评价模型．最后通过仿真实验证明了基于支持向量机的供应商评估系统的可行性和实用性．仿真表明，支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力．     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

基于支持向量机的移动电话顾客满意度评价系统

移动电话顾客满意度的评价对于移动电话生产商和经销商的经营管理有着重要的意义.利用支持向量机的全局收敛性和良好的推广能力,提出了一种新的基于支持向量机的移动电话顾客满意度评价系统.归纳了移动电话顾客满意度评价指标的设计原则,给出了具体的评价指标体系,采用支持向量机的1-v-1分类策略建立了顾客满意度的评价模型.仿真结果表明,基于支持向量机的顾客满意度评价模型能够有效地实现顾客满意度的评估.该模型的建立为移动电话供应商提供了一个有力的顾客满意度评价工具.     

基于加权支持向量机的移动建模方法及其在软测量中的应用

工业过程软测量技术的核心问题是建立软测量模型,然而,利用传统全局建模方法与多 模型建模方法进行复杂工业过程软测量建模时,在不同程度上存在一些问题.本文利用支持向量 机(SVMs)泛化能力强的特点,结合局部加权学习(LWL)算法思想,提出一种适于局部学习的加 权支持向量机(W_SVMs)学习算法和基于这种算法的移动建模方法.利用这种建模方法对Box- Jenkins煤气炉和重油催化裂化(FCCU)装置进行分析建模,并与其它不同建模方法进行比较,显 示了该方法的优点和有效性.     

基于遗传算法的SVM带权特征和模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机(SVM)在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于入侵检测领域可以获得很好的效果.但是在应用中也存在如何对网络数据进行特征编码和选择适当的支持向量机模型参数的问题.在分析了特征编码和模型参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机带权特征和分类器模型参数的自适应优化算法,并在网络入侵检测中成功的运用算法.最后,使用KDD CUP 1999数据进行的仿真实验表明了算法的正确有效性.     

基于SVR的金融时间序列预测

介绍了支持向量回归的建模原理及常用版本,详细探讨了利用支持向量回归方法建立金融时间序列预测模型,进行单步预测和多步预测的步骤。将它们应用到我国上证180指数预测中,并且比较了它们的预测性能。数值实验表明,SVR方法对非平稳的金融时间序列具有良好的建模和泛化能力。特别是LS-SVR用等式约束代替传统支持向量机中不等式约束,使求解过程从解QP问题变成解一组等式方程,因此学习速度更快,并具有更好的预测效果。     

基于GA-SVM的企业财务困境预测

通过遗传算法结合支持向量机算法中期望风险边界,对我国上市公司财务数据进行特征提取,并优化构造广义最优分类超平面,从而获得具有较好整体预测性能的联合模型。数值实验表明,该方法可以降低特征空间维数,具有较好的分类准确率。实证结果表明,GA-SVM联合预测模型具有可靠的预测财务困境能力,有着良好的应用前景。     

基于支持向量机的入侵检测系统

目前的入侵检测系统存在着在先验知识较少的情况下推广能力差的问题.在入侵检测系统中应用支持向量机算法,使得入侵检测系统在小样本(先验知识少)的条件下仍然具有良好的推广能力.首先介绍入侵检测研究的发展概况和支持向量机的分类算法,接着提出了基于支持向量机的入侵检测模型,然后以系统调用执行迹(system call trace)这类常用的入侵检测数据为例,详细讨论了该模型的工作过程,最后将计算机仿真结果与其他检测方法进行了比较.通过实验和比较发现,基于支持向量机的入侵检测系统不但所需要的先验知识远远小于其他方法,而且当检测性能相同时,该系统的训练时间将会缩短.     

应用支持向量机实现增量入侵检测

支持向量机的最大特点是通过有限的训练集样本得到小的误差,保证对独立的测试集保持小的误差,即在先验知识较少的条件下仍然保持良好的推广能力。增量学习是弥补先验知识不足的有效途径。通过对向量机初始训练、增量学习、特征解析等一系列流程的描述,提出了一种小样本下应用支持向量机技术创建的具有增量学习能力的入侵检测系统。     

基于支持向量机的桥梁健康监测系统残缺数据填补

针对桥梁健康监测系统中采集数据具有小样本、非线性且时序的特点,提出一种基于支持向量机的残缺数据填补方法,在分析数据的自相关性基础上,利用支持向量回归机原理,选择适当维数的样本作为支持向量机的输入向量,据此进行了残缺数据的预测;并与BP神经网络的填补效果相比较,实验结果显示了支持向量机在更小样本情况下填补残缺数据的优势和强泛化能力。     

支持向量机在财务管理中的应用

针对财务管理中的数据量问题,提出使用监督性支持向量机（SVM）算法解决财务数据分类问题。首先,将财务数据按照不同的年份,不同的部门进行预处理,并将其标签化;其次,按照一定比例选择训练数据和验证数据,将训练数据输入到SVM中进行分类器的训练;最后利用最优分类器完成财务数据分类。实验结果表明：所提出的算法在财务管理中有较高的应用价值。     

基于支持向量机的电路故障诊断模型

提出了一种基于遗传编程和支持向量机的故障诊断模型。通过遗传编程对时域指标进行特征选择和提取，得到更能反映信号本质的特征信号，该特征信号可作为识别特征输入多类支持向量机，实现对模拟电路不同类型软故障的识别。实验结果表明，同传统时域指标相比，经过遗传选择和提取的特征对模拟电路的软故障具有更好的识别能力，进而提高了多类支持向量机的分类准确性。