首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 15 毫秒

1.  基于数据挖掘技术的企业财务困境预测建模  
   卜耀华《计算机仿真》,2012年第6期
   研究企业财务困境预测问题,影响财务困境的输入变量参数较多,存在输入维数和冗余信息,造成预测效率低。如何准确选择合理的输入变量参数是提高财务困境预测精度的关键。为了解决财务困境输入变量选择不合理导致预测精度低等难题,提出采用主成分-遗传-支持向量机(PCA-GA-SVM)的企业财务困境组合预测方法。先用主成分分析法(PCA)合理选取企业财务困境的输入变量,然后结合遗传算法(GA)利用训练集的数据对SVM最优参数寻优,得到企业财务困境预测模型,最后采用具体企业财务数据进行仿真。实验结果表明,PCA-GA-SVM的企业财务困境预测方法提高了财务困境的预测精度。    

2.  支持向量机参数优化及其在变压器故障诊断中的应用  被引次数:1
   尹金良  朱永利《电测与仪表》,2012年第49卷第5期
   支持向量机(Support Vector Machines,SVM)分类器在变压器故障诊断中取得了较好的效果,然而对其性能起关键作用的参数选择,却没有理论依据或有效方法。鉴于交叉验证(Cross validation,CV)是模型性能评估和模型选择的有效方法,而遗传算法(Genetic Algorithm,GA)可以实现全局寻优,将CV与GA方法相结合用来选取SVM分类器参数。该方法采用GA方法对SVM分类器参数进行优化,利用CV构造GA适应度函数,为SVM分类器参数选择提供评价标准。并将其应用于变压器故障诊断,从而充分利用有限的变压器故障样本数据,提高SVM分类器的推广性。实例分析表明同Grid与SVM相结合,CV、Grid与SVM相结合及GA与SVM相结合的方法相比,所提方法具有更好的效果。    

3.  果蝇优化算法与支持向量机在年径流预测中的应用  
   崔东文  金波《人民珠江》,2015年第2期
   针对支持向量机(SVM)学习参数难以确定的不足,利用果蝇优化算法(FOA)搜寻SVM学习参数——惩罚因子和核函数参数,提出FOA-SVM预测模型,并构建基于粒子群优化(PSO)算法、遗传优化(GA)算法搜寻SVM学习参数的PSO-SVM和GA-SVM模型作为对比,以云南省董湖站年径流预测进行实例研究。结果表明,FOASVM模型预测精度优于PSO-SVM和GA-SVM模型,具有较高的预测精度和泛化能力。    

4.  应用遗传算法优化支持向量机的疲劳裂纹扩展预测  
   龚兰芳  张昱《现代制造工程》,2011年第6期
   准确讯速地预测疲劳裂纹的扩展进程具有十分重要的现实意义和显著的经济效益.为了实现疲劳裂纹长度的准确预测,提出基于遗传算法优化支持向量机(GA-SVM)的疲劳裂纹扩展预测方法,其中遗传算法用于确定SVM中的训练参数,得到优化的SVM预测模型.试验结果表明:用GA-SVM对疲劳裂纹长度进行预测具有很好的预测精度.    

5.  一种新的基于KPCA和改进ε-SVM的入侵检测模型  
   余文利  余建军  方建文《计算机工程与应用》,2015年第11期
   提出一种新的结合核主成分分析(Kernel Principal Component Analysis,KPCA)和遗传算法(Genetic Algo-rithm,GA)的支持向量机(Support Vector Machine,SVM)入侵检测模型。在新模型中,使用多层SVM分类器来判断网络行为是否为攻击行为,KPCA用于对SVM的输入数据进行预处理,以降低特征向量的维数和缩短训练时间,使用改进的核函数N-RBF来消除属性间差异所导致的噪声,GA算法用来优化SVM三个参数的选择。仿真实验表明,与其他检测模型相比,该模型具有更高的预测精度、更快的收敛速率和更好的泛化性能。    

6.  基于模拟退火算法支持向量机在枯水期月径流预测中的应用  
   魏 胜《水资源与水工程学报》,2015年第26卷第2期
   鉴于支持向量机(SVM)最佳算法参数难以确定的不足,利用模拟退火算法(SA)搜索SVM学习参数,提出SA-SVM预测模型,并与基于遗传算法(GA)搜索SVM学习参数的GA-SVM模型作对比,以云南省龙潭站枯水期1-3月月径流预测为例进行实例研究,利用实例前43年和后10年资料对模型进行训练和预测。结果表明:SA-SVM模型对实例后10年枯水期1-3月月均径流预测的平均相对误差绝对值分别为3.11%、4.93%和6.75%,精度优于GA-SVM模型,表明SA-SVM模型具有较高的预测精度和泛化能力。SA算法通过赋予搜索过程一种时变且最终趋于零的概率突跳性,有效避免了算法陷入局部极值并最终趋于全局最优。    

7.  基于遗传优化的支持向量机小时负荷滚动预测  被引次数:2
   牛东晓  刘达  陈广娟  冯义《电工技术学报》,2007年第22卷第6期
   利用支持向量机(SVM)和遗传算法(GA)建立24个不同的混合模型来对夏季24点负荷进行滚动预测.通过追加最新的负荷和天气信息来更新混合模型的输入,滚动预测下一小时负荷.利用SVM建立预测模型,利用GA自动选择SVM模型的参数.经过GA优化后的最终SVM模型用于滚动预测下一小时的负荷.研究实例表明,GA简化了SVM参数选择,优化了SVM模型;滚动预测效果要明显好于常规预测方法.    

8.  果蝇算法融合SVM的开采沉陷预测模型  
   王素英  张喆  赵悦品《煤矿安全》,2014年第5期
   针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。    

9.  果蝇算法融合SVM的开采沉陷预测模型  
   李生亚《煤》,2014年第11期
   针对目前开采沉陷预计方法的种种缺陷,提出了一种新的预计方法。将果蝇优化算法(FOA)与支持向量机(SVM)相结合,建立FOA-SVM预测模型。选取煤层倾角、采厚、平均采深等参数作为模型的输入参数,最大下沉量作为模型的输出参数。选取训练集样本,应用FOA对SVM的参数进行寻优,确定最佳的SVM参数。采用预测集样本对该预测模型进行检验,同时将该模型预测性能与其他预测模型进行对比分析。结果表明:与GA-SVM模型、PSO-SVM模型和神经网络预测模型相比,该模型具有更高的预测能力和泛化能力,可以较好地实现对开采沉陷的预测。    

10.  SVM多类别分类方法在客户流失预测中的应用研究  
   李兴国  谢伟  卢光松《计算机应用与软件》,2010年第27卷第3期
   针对移动客户的多类别特点以及不同类别客户的数据集分布不平衡,把CW-SVM应用于多类别分类,提出了DAG-CWS-VM算法,分别用1-V-R SVM、1-V-1 SVM、DAG-SVM与DAG-CWSVM算法进行分类预测,并用ROC曲线、AUC值、提升度(lift)指标对四种模型进行评价。实验表明DAG-CWSVM算法不仅能够处理数据多类别分类问题,而且能够有效地解决数据集不平衡对预测结果造成的影响,具有较好的预测效果。    

11.  随机神经网络与支持向量机在枯水期月径流预测中的应用  
   李绍华《珠江现代建设》,2018年第3期
   针对支持向量机(SVM)最佳算法参数难以确定的不足,利用典型随机神经网络RNN—Boltzmann机能量全局最小状态对应待优化目标全局极小值原理,提出Boltzmann-SVM预测模型,利用Boltzmann机搜寻SVM学习参数,并与基于GA算法搜寻SVM学习参数的GA-SVM预测模型作对比,以云南省河边水文站枯水期1月径流预测为例进行实例研究,利用实例前40年和后6年资料对模型进行训练和预测。结果表明:Boltzmann-SVM模型对实例后6年枯水期1月月均径流预测的平均相对误差绝对值和最大相对误差绝对值分别为7.30%、9.01%,精度优于GA-SVM模型,表明Boltzmann-SVM模型具有较好的预测精度和泛化能力。Boltzmann机融合了模拟退火算法(SA)与BP、Hopfield神经网络在网络结构、学习算法和动态运行机制中的优点,在解决组合优化问题上具有全局寻优能力强、收敛速度快等特点。    

12.  基于二进制PSO算法的特征选择及SVM参数同步优化  被引次数:3
   任江涛 赵少东 许盛灿 印鉴《计算机科学》,2007年第34卷第6期
   特征选择及分类器参数优化是提高分类器性能的两个重要方面,传统上这两个问题是分开解决的。近年来,随着进化优化计算技术在模式识别领域的广泛应用,编码上的灵活性使得特征选择及参数的同步优化成为一种可能和趋势。为了解决此问题,本文研究采用二进制PSO算法同步进行特征选择及SVM参数的同步优化,提出了一种PSO-SVM算法。实验表明,该方法可有效地找出合适的特征子集及SVM参数,并取得较好的分类效果;且与文[4]所提出的GA-SVM算法相比具有特征精简幅度较大、运行效率较高等优点。    

13.  支持向量机方法在烟叶可用性预测中的应用  被引次数:1
   章平泉  杜秀敏  金岚峰  陈兆华  金殿明《中国烟草科学》,2011年第4期
   为了对烟叶可用性分类进行评价,采用不同的核函数建立烟叶可用性支持向量机(Support Vector Machine,SVM)预测模型,对预测集样本进行预测,并与Fisher法的预测结果进行了比较。结果表明,SVM算法所建立的数学模型的预测准确率均比Fisher法高,且以径向基函数(RBF)建立的SVM分类模型的预测效果最好,对预测集样本的准确率达90%,说明SVM分类模型能较好地预测烟叶可用性。    

14.  基于遗传算法和支持向量机的肿瘤分子分类  
   何爱香  朱云华  安凯《数据采集与处理》,2007年第22卷第1期
   提出了一种基于遗传算法(GA)和支持向量机(SVM)的用于肿瘤分子分类和特征基因选择的新方法。该方法针对基因表达数据样本少维数高的特点,先根据基因的散乱度滤掉大量分类无关基因,而后使用相关性分析去除分类冗余基因,得到一个候选基因子集,用遗传算法搜索候选特征基因空间,发现在支持向量机分类器上具有好的分类性能的且含基因个数较少的特征子集。把这种GA/SVM方法应用到结肠癌和急性白血病基因表达谱,能选出多个取得较高分类精度的较小基因子集,实验结果表明了该方法的有效性。    

15.  基于遗传算法优化支持向量机的电能质量暂态扰动识别新方法  
   林琳  彭华  戚佳金  黄南天《水电能源科学》,2016年第34卷第11期
   针对电能质量识别领域中,采用随机参数的支持向量机(SVM)分类器识别随机暂态扰动信号准确率低、优化耗时长等问题,提出一种基于遗传算法(GA)优化SVM识别电能质量暂态扰动(PQD)的新方法(GA-SVM)。首先,仿真生成具有随机噪声水平和扰动参数的9种PQD信号;接着,通过S变换,提取出6种信号特征构成输入特征向量,用于训练SVM分类器;再采用GA对SVM进行参数寻优,进而获得优化的GA-SVM分类器;最后,采用GA-SVM识别PQD信号。仿真对比试验表明,新方法能准确识别不同噪声环境下的9种PQD信号,分类准确率及优化所需时间均优于PSO优化SVM方法(PSO-SVM)。    

16.  平滑削边绝对偏离惩罚截断Hinge损失支持向量机的财务危机预报  
   《计算机应用》,2014年第3期
   针对传统支持向量机(SVM)分类存在对离群点敏感、支持向量(SV)个数多和分类面参数非稀疏的问题,提出了平滑削边绝对偏离(SCAD)惩罚截断Hinge损失SVM(SCAD-TSVM)算法,并将其用于构建财务预警模型,同时就该模型的求解设计了一个迭代更新算法。结合沪深股市A股制造业上市公司的财务数据进行实证分析,同时对比L1范数惩罚SVM、SCAD惩罚SVM和截断Hinge损失SVM(TSVM)构建的T-2和T-3模型,结果发现SCAD-TSVM构建的T-2和T-3模型都具有最好的稀疏性和最高的预报精度,而且其在不同训练样本数上的平均预测准确率都要比L1范数SVM(L1-SVM)、SCAD-SVM和TSVM算法的高。    

17.  关于优化人民币汇率预测仿真研究  
   刘洋《计算机仿真》,2010年第27卷第8期
   研究人民币汇率进行预测是金融市场研究领域一个重要的课题。为了更精确地预测人民币汇率,提出了基于遗传算法优化支持向量机(GA-SVM)的人民币汇率预测方法,GA-SVM中采用遗传算法优化SVM参数,以获得较优的SVM预测模型。并以2008.9.2-2009.1.31人民币对美元的工作日的日汇率数据进行仿真分析。结果表明,在人民币汇率预测中,GA-SVM结合预测法有着更高的预测精度,为掌握汇率变化提供可靠的依据。    

18.  一种改进的SVM决策树Web文本分类算法  
   徐丽  伏玉琛  李斯《苏州大学学报(工科版)》,2011年第31卷第5期
   SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。    

19.  一种改进的microRNA预测模型集成方法  
   董红斌  石丽  李涛《计算机科学》,2018年第45卷第2期
   现有的microRNA预测方法往往存在数据集类不平衡和适用物种单一的问题。针对以上问题,所做主要工作如下:1)提出基于序列熵的分层采样算法,该算法可在保持样本总体分布的基础上,采样生成正样本和负样本数量平衡的训练集;2)提出基于信噪比和相关性的特征选择,用于缩小训练集规模,以达到提高训练速度的目的;3)提出DS-GA算法,用于缩短SVM分类器参数的优化时间,达到减少过拟合的目的;4)结合集成学习的思想,经采样、特征选择、分类器参数优化3个步骤,建立了一种物种间通用的microRNA预测模型。实验表明,该模型有效解决了类不平衡问题,且不局限于单一物种,对混合物种的测试集预测取得了较好效果。    

20.  基于细菌觅食算法优化的电力变压器故障诊断技术  
   董方旭  咸日常  咸日明  李文强  马雪锋《电测与仪表》,2018年第19期
   针对支持向量机(SVM)分类性能受参数影响,且最优参数难以获取这一问题,提出一种基于细菌觅食算法(BFA)的电力变压器故障诊断模型的参数寻优方法。该方法以电力变压器油中特征气体含量作为状态评价样本,通过BFA寻找全局最优SVM参数解,构建k-折平均分类准确率目标函数,建立变压器故障诊断模型。仿真结果表明,BFA对SVM最优参数的选取较遗传算法(GA)、粒子群算法(PSO)更迅速,且优化后的SVM电力变压器故障诊断模型具有更高的精确度;利用BFA优化方法建立的SVM电力变压器状态诊断模型,对IEC三比值法中无法判断的数据也可进行精确诊断。最后,通过实例分析,验证了方法的有效性。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号