基于支持向量机的股市预测

针对股票市场高燥声、强非线性和不确定性等特点和以往传统神经网络预测方法存在的不足,提出了一种基于支持向量机的股市预测方法。该方法主要运用了支持向量机回归的方法结合滚动时间窗来学习建摸。首先通过把低维输入空间的输入向量映射到高维特征空间,将非线性问题转化为线性,然后在结构风险最小化原则下进行二次规划,并求得最优解,从而建立模型。从仿真实验中可以看到,该方法建立的模型较为准确地预测了600009、000815两只股票的日均价,表现出了较强的泛化能力。     

基于能量计算模型的贝叶斯网络股市态势预测算法

股市技术指标与股市走势之间存在不一致性,导致难以有效预测股市态势.文中通过对技术指标进行能量特性提取和特征融合,提出基于能量计算模型的贝叶斯网络股市态势预测算法.首先从能量角度提取技术指标蕴含的态势信息,给出技术指标能量计算模型及其概率分布,并分析技术指标能量分布的不一致性.然后利用贝叶斯网络对技术指标能量进行特征融合,引入分时状态特征能量,并融合技术指标能量,建立股市态势结构模型.最后基于股市态势与相关特征能量之间的条件概率函数,将能量约束关系引入到支持向量机中进行股市态势预测.选取上海证券综合指数3年的数据进行对比和分析,结果表明文中算法有效提升预测精度.     

基于支持向量回归的唇动参数预测

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

基于支持向量机的股价反转点预测

股票市场瞬息万变,股价反转点对投资者进行投资决策起着至关重要的作用。技术分析能够揭示股价反转的某些特征,但是使用单一技术指标预测股价反转点的召回率和准确率不高。本文提出了一种使用支持向量机（SVM）对技术指标组合进行数据挖掘,从而实现预测股价反转点的方法,实验结果表明该方法较使用单一技术指标进行反转点预测在召回率和准确率方面都有极大的提高。     

基于SVM的多变量股市时间序列预测研究

目前在股市时间序列预测中,大多数采用单变量时间序列预测算法,导致预测准确度不够高.提出采用基于支持向量机SVM(Support Vector Machines)的多变量股市时间序列预测算法,来提高预测准确度.SVM训练算法中,合适的参数可以使训练模型具有更好泛化能力.交叉验证具有指导参数选择的能力,然而考虑到交叉验证算法效率不高的问题,将其并行化,既达到了参数优选的目的,又避免了传统交叉验证效率低的问题.然后,根据较优参数建立多变量SVM时间序列回归预测模型,进行预测.实验证明,预测平均绝对百分比误差控制在10%以内,并且较之单变量的SVM回归预测有更好的泛化能力.     

基于支持向量机的分段线性学习方法

1.引言包括感知器、神经网络等在内的学习方法都是基于经验风险最小(ERM)原则的,而在实际的基于小样本的学习系统中,这些学习方法在经验风险最小的情况下并不能保证期望风险最小化。对于线性不可分情况不能给出是否分段线性可分的可靠信息。如果简单地引入非线性变换,则容易导致过学习现象。这显然不是我们所希望的。     

基于支持向量机的时态数据预测方法

支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型（BP神经网络）进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。     

基于经验模式分解的时间序列预测方法研究

支持向量机理论是20世纪90年代由Vapnik提出的一种基于统计学习理论的新的机器学习方法,其具有全局最优解和较好的泛化能力,可将其用于求解时间序列预测间题.但是对于非平稳时间序列的顶测,利用支持向量机算法单独建立一个模型的预测结果不如平稳时间序列那样明显,可以采用经验模式分解法作为时序预测的预处理工具.先将非平稳时间序列进行经验模式分解,再对各个分量分别建模,最后将各分量预测结果进行组合.同时通过仿真实验验证了该方法是有效的.     

一种向量预选取的分段支持向量机回归算法

针对数据波动剧烈时,一组特定的支持向量机回归参数无法满足随数据分布而改变的要求,导致回归曲线达不到所要求的精度的问题,同时针对如何有效删除在回归过程中某些非必要的数据以加快求解速度的问题,本文提出一种向量预选取的分段支持向量机回归算法．该算法首先根据数据空间分布特点删除一些非必要数据,然后根据不同区域样本的复杂程度对区间进行分段,针对各个区域设置相应的参数．仿真实验证明：p-p-SVR算法在保持回归精度的同时,较传统方法具有更好的泛化性能．     

基于数据包字节长度的线性自回归(Autoregression)和支持向量分类机(SVM)的网络流量预测建模与分析

本文提供了两种网络流量入侵检测的方法和它们的结果对比。这两种方法分别为线性的自回归预测以及非线性的支持向量机预测。本文将给出使用这两种方法在预测网络攻击的夺效性的详细分析。实验证明用支持向量机模型确实改进了对于攻击的识别性能，并且其误警率比AR模型低了很多。此外，与SVM相比较，AR预测模型的计算复杂度要低。     

Improving the integration of piece wise linear representation and weighted support vector machine for stock trading signal prediction

The integrated piecewise linear representation (PLR) and weighted support vector machine (PLR-WSVM) has shown success in the prediction of stock trading signals. Meanwhile drawbacks of PLR-WSVM exist particularly in a real world setting. For example, the profitability using PLR-WSVM is unstable, it is not reasonable to specify same threshold value for all stocks in PLR, and critical errors in trading signals may significantly reduce the profit. In this paper, we conduct a set of improvements to PLR-WSVM. First, most of absolute technical indicators in input variables are substituted with relative indicators since the relative indicators are generally more helpful in predicting trading signals. Second, a four-class prediction problem is converted into a two-class problem in which one class is a turning point (TP) and the other is an ordinary point. And prior domain knowledge is exploited to identify either buying or selling signals from TPs. Thirdly, a delay-one-day strategy (DODS) is proposed to further correct the predicted trading signals. DODS reduces the critical errors occurring to PLR-WSVM. Finally, a procedure for selecting a threshold in PLR is provided. The threshold is automatically selected by a given percentage of TPs in a training set. The percentage of TPs is easier to understand by investor compared with the threshold. We conduct experimental study over 20 stocks, and the results confirm the expected performance of the improved PLR-WSVM. More importantly, the improved PLR-WSVM provides steady profits in average over the stocks of interest with accepted retracements.     

K线能量计算的股市生命期态势预测方法*

股市中K线特征是股价涨跌的因果信息,基于支持向量机（SVM）的股价预测模型没有考虑K线特征知识,对于股价态势难以有效预测。本文提出基于K线能量计算的股市生命期支持向量机态势预测算法（LPF-SVM）。首先,提取典型K线特征,通过引入特征的孕育成熟度和爆发力定义,给出K线特征支持向量机算法（KLF-SVM）;进而,在KLF-SVM算法基础上定义特征的能量计算模型,给出一种K线能量计算的SVM股价预测算法。为了有效地预测态势,引入股价波动的生命期概念,通过K线组合特征判定股价所处的生命期的阶段,进而结合生命期阶段之间的时序影响关系,给出一种基于生命期的股价态势预测算法。在上证和深证数据集上的实验结果表明,LPF-SVM算法对于股价上升波段和下跌波段的股价预测取得了很好的效果。     

基于最小方差的股市拐点预测方法

预测股市拐点对指导股市投资具有重要意义,而股市拐点的预测是不平衡分类问题,针对SVM在解决此类不平衡问题时存在偏斜性的问题,提出了一种选取惩罚因子的方法。该方法以训练集交叉验证后所有类别样本的查全率与查准率的方差的乘积做为判断标准,将最小方差乘积对应的惩罚因子作为各类的最优惩罚因子,并将此Biased-SVM模型应用于股市拐点预测。在实验中,选取了常用股票技术指标作为输入向量,与其他几种解决不平衡问题的方法相比。实验结果表明最小方差法在保证非拐点的多数类样本识别精度的同时,提高了两类拐点样本的识别精度,为投资决策提供了佐证与帮助。     

基于SVM-MLP的乳腺癌预测

乳腺癌一直是影响女性健康最重要的问题之一,已经成为全球女性发病率最高的恶性肿瘤.近年来,利用机器学习和深度学习方法来诊断癌症已经成为发展较快的一个分支.通过使用逻辑回归模型(LR)、高斯核函数支持向量机(SVM)、前馈神经网络(MLP)对同一数据集进行预测,得出其中SVM迭代时间最短,前馈神经网络预测准确率最高.为了减...     

缠论和相似灰色模型的预测方法在股价拐点预测中的研究应用

针对股价拐点预测研究中拐点序列重构和振荡序列预测问题,提出一种缠论和相似灰色模型结合的预测方法。首先,在缠论基础上系统地给出序列重构的基本理论,再针对灰色理论在振荡序列中预测的不足,提出纵向残差和横向偏差相关系数与灰色理论相结合的相似灰色预测模型;然后利用纵向偏差—横向残差相关系数对历史数据进行匹配计算,得到预测误差最小的灰色模型参数,以加权求和的方式实现具有振荡特性的股价拐点预测。最后两组股价拐点预测实验表明,所归纳的序列重构理论是有效的,与其他常用灰色模型对比表明,相似灰色模型可有效提高振荡序列的预测精度。     

基于连接酶和磷酸化探针的单碱基突变检测方法研究

该文发展了一种基于表面连接酶反应及生物金属化的电化学方法用于单碱基突变的检测.金电极表面先固定捕获探针,然后和待检测的突变链及5'端磷酸化的连接探针杂交,在连接酶存在下,表面固定的探针会和连接探针连接起来.如果表面固定的探针和目标链不匹配,则连接反应不能进行.在90℃下进行热变性处理,形成的双链解开,进行了连接反应的连接探针连接到了金电极上.接着,生物素化的检测探针和连接产物杂交,再和链亲和素化的碱性磷酸酶反应,在碱性磷酸酶的作用下,非还原性的抗坏血酸磷酸酯(AA-P)转化成还原性的抗坏血酸(AA).溶液中的银离子在抗坏血酸的作用下,被还原生成银,从而使得银颗粒沉积在电极表面.用线性扫描伏安法来检测电极表面沉积的银.该方法已成功的用于检测编码K-Ras癌基因的第12位密码子的单碱基突变,检测下限低达80 fmol/L.     

点云空间曲线的微分信息计算及匹配方法

建立了点云几何分析的相关理论框架,即定义和计算点云潜在曲线的几何微分量,包括Frenet标架、曲率、挠率等;在此基础上提出一种新的点云空间曲线匹配方法。直接在点云上计算微分量来获取相应曲线的特征信息,从而构建全局粗匹配方案,并进一步建立基于空间动力学的精细匹配优化模型。数值实验表明,微分信息计算和匹配方法能很好地适用于带噪音的点云数据,有效地实现点云空间曲线的高精度匹配。     

基于变异分析的测试用例约简方法

针对回归测试过程中由于测试需求的变更导致测试用例规模不断扩大、测试成本不断增加的问题,提出一种基于变异分析的测试用例约简方法（RTM）。首先,以测试用例能否检测到指定变异体为依据,对测试用例进行划分并创建二进制数值形式的变异体事务集矩阵;然后,应用改进的关联挖掘算法获取测试用例间的关联关系;最后,根据这些关联关系有效约简测试用例。6个经典程序仿真实验结果表明,RTM能够使约简后的测试用例约简率达到37%,与传统贪心算法和启发式算法相比,测试用例约简率提高了6%,且在提高测试用例约简率的同时,保证了测试覆盖率,单个测试用例的测试覆盖率平均提高了11%。所提方法能够利用尽可能少的测试用例满足更多的测试需求,有效提高了测试效率,降低了测试成本。     

基于主导因子法的装备维修保障人员调度值预测

为实现装备维修保障人员调度数量的准确简单预测,提出一种通用的支持向量机(SVM)输入变量特征的确定方法——主导因子法。该算法在定义了“主导因子”、“驱动因子”、“主动性行为”和“行为载体”等相关术语的基础上,通过“极大关联性”准则和“行为目的”法设置主动性行为预测变量的主导因子,然后根据该主导因子和“驱动因子设置法则”提炼出各驱动因子作为SVM输入变量的特征。实际应用及与其他方法比较后表明：将主导因子法确定的各装备维修保障人员调度值驱动因子作为SVM输入变量特征对相关值进行预测的平均相对误差低至0.0109,相对于其他特征确定方法具有更高的预测准确率。     

基于改进迭代最近点算法的接骨板贴合性快捷计算方法

为了快速计算出接骨板在断骨表面的最佳贴合位置,以减少手术中接骨板反复调整的次数,提出了一种基于改进迭代最近点（ICP）算法的接骨板贴合性快捷计算方法。首先,由医生指导在断骨表面选取贴合区域,并利用接骨板表面点的法向量之间的夹角提取接骨板的内曲面点云;然后,在对两组点云模型进行平滑处理并采用格点采样的方式来简化点云模型后,利用点云之间的特征关系进行初始配准;最后,对接骨板内曲面点云模型进行边界及内部特征关键点提取,并采用K-维树（KD-Tree）搜索邻近点,对接骨板的特征关键点和断骨表面选取区域执行ICP精确配准。以胫骨为例进行实验,实验结果表明,所提算法相较于近年所提配准算法在保持较高配准度的同时提高了配准效率,能够实现胫骨不同受损类型与接骨板之间的快速配准,并且对其他受损骨骼具有通用性。