基于支持向量机的虚拟企业伙伴选择方法研究

分析了虚拟企业中的伙伴选择问题,针对传统决策方法中的不足,提出应用支持向量机对竞标企业自动分类与筛选,向决策者提交候选伙伴列表,并结合其他选择算法实现伙伴选择的方法。通过分类,以达到缩减决策输入数量,提高选择过程的效率和精度的目的。试验结果表明,该方法能降低伙伴选择的时间消耗,与人工选择对比有较高的拟合率。     

基于支持向量机的虚拟企业伙伴选择方法研究*

分析了虚拟企业中的伙伴选择问题,针对传统决策方法中的不足,提出应用支持向量机对竞标企业自动分类与筛选,向决策者提交候选伙伴列表,并结合其他选择算法实现伙伴选择的方法。通过分类,以达到缩减决策输入数量,提高选择过程的效率和精度的目的。试验结果表明,该方法能降低伙伴选择的时间消耗,与人工选择对比有较高的拟合率。     

虚拟企业伙伴搜索系统的设计

主要介绍了虚拟企业中伙伴企业搜索引擎系统的设计方法．该系统是一个专门搜集企业信息的专业型搜索引擎，它以元搜索为思想基础，利用网络机器人和信息抽取工具搜索大量准确可靠的企业信息，还具有邮件群发、企业注册等多项功能．该系统为虚拟企业提供了一个查找企业信息的平台，使得盟主能够更快捷、方便地找到适合某种特定任务的伙伴企业．     

基于SVM的多Agent协商伙伴选择

根据多Agent协商问题的交互特点,引入SVM(Support Vector Machine)分类方法对Agent的协商历史信息进行学习,从Agent的协商历史信息中提取样本来训练SVM,结合模拟协商过程和己方的决策信息,预测与特定伙伴协商时可能出现的结果以及相应的协商收益,根据Agent的自利性原则,选择最合适的协商伙伴.最后,通过仿真实验验证了所提出方法的有效性和优越性.     

基于RS和SVM的客户协同创新伙伴选择

针对客户协同创新伙伴选择时面临决策属性多并且可供决策分析数据样本少的难题,提出了基于粗糙集和支持向量机的客户协同创新中伙伴选择模型。该方法的核心是应用粗糙集进行属性约简作为数据预处理以删除决策中的冗余属性,然后结合支持向量机在处理小样本以及非线性问题上的优势进行客户分类,在保证不会降低分类性能的前提下达到降低数据维数和分类过程中的复杂度的目的。论文最后将该方法应用于一工程实例,结果初步验证了论文提出模型和方法的有效性和可行性。     

基于本体的虚拟企业伙伴选择系统研究*

虚拟企业伙伴选择首先必须要解决潜在伙伴企业信息的获取和规范化处理的问题.为了解决这一问题,提出通过构建企业本体来规范企业资源信息描述和理解.在此基础上建立了一种基于本体的虚拟企业伙伴选择系统,并对企业本体库的内容框架和结构设计方法作了详细介绍.     

虚拟企业伙伴选择的粗糙集方法

将粗糙集理论应用于虚拟企业合作伙伴选择中,提出了基于粗糙集理论的虚拟企业伙伴选择的模型和方法.该方法根据各潜在伙伴企业的样本数据集建立决策系统,以伙伴选择的评价指标作为属性,从中挖掘出反映评价指标本质关系的重要属性以及伙伴选择知识规则.这些规则很好地描述了有限样本中所反映出的属性之间的本质特征,运用这些规则可对伙伴选择数据库中的其他样本有效地进行伙伴选择.应用实例表明,该方法是正确有效的.     

基于AHP/动态规划的虚拟企业伙伴选择决策方法

伙伴选择作为虚拟企业组建过程中的重要环节，是目前研究的热点。层次分析法(AHP)是解决该问题的一种常见方法，可以较好地解决备选企业的综合评价问题，但该方法的应用只局限于选择单个伙伴企业的情况。本文引入动态规划的思想，将伙伴企业的选择从一个扩充到多个，成功解决了同一类型的多个伙伴企业问的任务分配问题，并给出了应用实例。     

基于模型的虚拟企业伙伴选择研究与应用

选择正确的合作伙伴是组建虚拟企业的关键因素之一,而要保证伙伴选择过程中决策的正确性,就必须采用合理的合作伙伴评价指标体系,并采用适当的优化决策方法。本文从虚拟企业建模的角度出发,提出了虚拟企业伙伴选择的三阶段模型,给出了评价指标体系,并用AHP算法给出了伙伴选择系统的实现方式。     

虚拟企业伙伴选择的优化算法

虚拟企业伙伴选择及优化是组建虚拟企业的一个关键问题。根据虚拟企业任务之间的关系，该文将虚拟企业伙伴选择问题分解为串行问题、并行问题和混合问题3类，并建立了问题的多目标决策模型，通过候选企业筛选和确定优化组合方案，优化了模型求解过程，并验证了该算法的有效性。     

基于支持向量机的数据挖掘研究

分析NPA训练算法,指出其不足并提出改进措施。在第1类子循环的前半阶段采用Gilbert迭代,后半阶段采用NPA迭代,并提出界定这2个阶段的方法,利用中间计算结果优化了第2类子循环中的迭代过程。在不增加计算量的条件下,提高了算法收敛速度。基于该算法开发的自动分类模拟系统获得了较好的分类结果。     

基于向量投影的支撑向量预选取

支撑向量机是近年来新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优点．但在支撑向量机中,支撑向量的选取相当困难,这也成为限制其应用的瓶颈问题．该文对支撑向量机的机理经过认真分析,研究其支撑向量的分布特性,在不影响分类性能的前提下,提出了基于向量投影的支撑向量预选取法,从训练样本中预先选择具有一定特征的边界向量来代替训练样本进行训练,这样就减少了训练样本,大大加快了支撑向量机的训练速度。     

基于支持向量机的股票预测

针对股票预测的特点,选择对上市公司股票走势有重要影响的相关数据进行测试。为了避免传统的预测算法(如BP算法)的一些弊端,使用可以避免这些弊端并且具有良好分类功能的支持向量机对该上市公司股票走势进行预测。测试表明预测的精度明显高于采用BP算法等传统神经网络分类方法的测试结果,预测达到了让人满意的效果。     

基于数据挖掘技术与支持向量机的目标识别研究

提出了基于数据挖掘技术及基于支持向量机的两种水中目标识别方法,分别藉助目标噪声特征量提取和模式识别算法以及支持向量及二次规划算法,对比性地研究了不同工况下三类目标的分类识别效果。其方法和结果对水中目标识别有较好的参考价值。     

支撑向量机及其在数据挖掘中的应用

首先介绍了数据挖掘的基本概念,然后系统地研究了支撑向量机学习算法,着重分析了支撑向量机的算法的特点。并阐述了支撑向量机的关键技术一核函数。最后讨论了支撑向量中学习算法在数据挖掘中的应用。     

基于核函数的支持向量机分类方法

支持向量机是目前正在兴起的一种新的数据挖掘分类方法,阐述了支持向量机的理论基础及核函数,阐明了支持向量机分类的基本思想,分析了支持向量机的优缺点,对支持向量机在海量数据分类中的应用前景进行了展望。     

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。     

基于几何分析的支持向量机快速训练与分类算法

当支持向量机中存在相互混叠的海量训练样本时,不但支持向量求取困难,且支持向量数目巨大,这两个问题已成为限制其应用的瓶颈问题。该文通过对支持向量几何意义的分析,首先研究了支持向量的分布特性,并提出了基于几何分析的支持向量机快速算法,该算法首先从训练样本中选择出部分近邻向量,然后在进行混叠度分析的基础上,选择真实的边界向量样本子空间用来代替全部训练集,这样既大大减少了训练样本数目,同时去除了混叠严重的奇异样本的影响,并大大减少了支持向量的数目。实验结果表明:该算法在不影响分类性能的条件下,可以加快支持向量机的训练速度和分类速度。     

基于不平衡数据分类的一种平衡模糊支持向量机

鉴于不平衡数据集中类不平衡比较大的分类问题,利用样本点的特性建立类不平衡调节因子和模糊隶属度,提出了平衡模糊支持向量机。首先计算样本协方差矩阵,求得类不平衡调节因子,然后计算各样本点的模糊隶属度,得到各样本对分类超平面的贡献率。类平衡调节因子和模糊隶属度同时对分类器的误差项产生影响。结果表明,这种平衡模糊支持向量机对类不平衡比较大的分类问题具有很好的分类效果。