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。     

基于ADASYN-SVM的利润操纵智能识别研究——来自成都高新技术企业的经验证据

文章以成都高新技术企业为研究对象,将不平衡样本处理技术ADASYN与人工智能技术SVM相结合,构建ADASYN-SVM智能识别模型,对成都高新技术企业利润操纵进行识别研究。研究结果表明:ADASYN技术能够有效解决不平衡样本问题,与SVM支持向量机、BMD贝叶斯判别、BP神经网络、LR逻辑回归等其他判别模型相比,ADASYN-SVM模型具有最优的识别性能。故运用ADASYN-SVM智能模型,能够准确地对成都高新技术企业的利润操纵行为进行有效识别。     

基于主成分分析和支持向量机的矿井水源判别

针对传统支持向量机法判别矿井水源准确率较低的问题,选取7种水化学成分指标作为矿井水源判别的指标,采用主成分分析(PCA)和支持向量机(SVM)相结合的方法建立PCA-SVM矿井水源判别模型。以山东盛泉矿业有限公司矿井太原组灰岩含水层和奥灰含水层的水化学特征中的27个样本进行训练和检验,并与传统的支持向量机模型结果进行比较,利用PCASVM模型对矿井水源进行判别,分类准确率由66.67%提高到83.40%。研究结果表明,利用PCA-SVM矿井水源判别模型能有效消除判别指标间的相关影响,判别率较高,引进主成分分析算法是必要的。     

基于高斯核SVM的储层岩性识别——以东濮凹陷上古生界碎屑岩为例

针对储层岩性识别问题,以东濮凹陷上古生界碎屑岩为例,在分析测井资料的基础上,研究了高斯核支持向量机(support vector machine,SVM)算法,以若干口井中储层实际测井资料为样本建立模型,对上古生界碎屑岩储层进行岩性识别。模型的测试结果表明,在储层岩性识别中,高斯核SVM识别准确率较高,性能表现稳定,可作为测井岩性识别的一种有效技术手段。最后,利用训练完成的高斯核SVM模型成功识别出了M5井山西组泥质粉砂岩、粉砂岩、细砂岩、中砂岩和砾状砂岩这5种碎屑岩类。     

基于GF-2卫星数据的矿山开发信息自动提取

我国高分系列卫星数据因具有重访周期短、价格低廉、精度较高的特点,在矿山开发监测工作中得到了广泛的应用。本文在深入了解高分二号卫星数据特征的基础上,以甘肃永登县为例,利用机器学习模型中支持向量机算法(Support Vector Machine,SVM)自动提取矿山开发信息,在处理的遥感影像上进行样本采集,借Matlab平台对样本及影像数据进行归一化、降维处理(PCA)。利用SVM模型进行信息自动提取过程中,选取径向基核函数(RBF),运用量子粒子群算法进行参数寻优,最终对提取结果进行野外调查。查证结果表明利用SVM模型进行矿山开发信息自动提取是可行的。该研究为国产数据在矿山监测应用中提供了新的思路。     

基于SVM预测模型的工程初设阶段概预算研究

为了提高建筑工程初期设计阶段的工程预测可靠性,在国内外学者研究成果的基础上,通过对支持向量机(SVM)的改进从而提出一种最小二乘支持向量机的算法模型(SVM预测模型),进而实现对工程初设阶段造价进行较为详细、全面的预测。并从某房建项目中选取已经完工的15个成品住宅项目为工程依托,将提出的SVM预测模型进行工程应用,结果表明最大误差值小于误差允许值,误差精度满足要求,提出的SVM预测模型可为工程初设阶段概预算提供参考价值。     

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。     

支持向量机算法在优势结构面分类中的应用

在分析不同优势结构面分类方法及支持向量机模型的基础上,提出基于支持向量机回归模型的优势结构面分类方法.采用SVM算法建立相应的优势结构面分类模型,以深溪沟水电站地区实测结构面数据为学习样本,进行学习和测试,得到训练效果较好的分类模型和参数,并对该地区结构面进行了重新划分和分组,避免了人为分割结构面而引起的统计误差.结果表明,通过支持向量机建立的优势结构面分类模型在实际应用中具有较好的实用性和可行性.     

基于PSO优化SVM制造业公司财务风险预警研究

制造业公司是我国市场经济的重要组成部分,判别分析制造业公司的财务风险对于进一步促进制造业实体经济健康发展具有重要现实意义。适当选取2013—2015年制造业公司为样本,利用SPSS统计软件运用主成分分析方法(PCA)对制造业公司的财务指标进行了筛选,再利用MATLAB软件借助粒子群算法(PSO)对支持向量机参数进行优选,构建了基于PSO-LIBSVM模型的公司财务风险预警模型。实证分析表明,该模型可以对制造业公司财务风险进行较为准确的度量,是将人工智能算法运用到经济管理领域的有效尝试,对分析公司财务风险具有一定的现实指导意义。