个人信用评估GA-SVM模型的构建与应用

文章针对SVM中的参数选择问题,提出了利用遗传算法进行优化的方法,并将其应用于商业银行的个人信用评估中,构建了个人信用评估GA-SVM模型;通过对GA适应度函数的设置来控制个人信用评估中给商业银行造成较大损失的"取伪"误判的发生;模型的应用结果表明,GA-SVM模型能够对样本数据进行较好的分类,并且"取伪"误判得到了控制.     

磁化处理的全尾砂料浆沉降参数优化模型

为了提高全尾砂料浆的脱水浓缩效果,将磁化处理技术引入到全尾砂料浆脱水浓缩中,并建立GA-SVM模型优选全尾砂料浆的沉降参数。建立支持向量机(SVM)沉降参数优化模型,以磁感应强度、磁化处理时间、料浆流速、料浆浓度、絮凝剂单耗为输入因子,沉降速度为综合输出因子,通过正交试验建立样本数据对SVM模型进行训练与检验,采用遗传算法(GA)对SVM模型参数进行优化,进而得到磁化全尾砂料浆沉降参数的GA-SVM优化模型。将GA-SVM模型运用到某铁矿磁化全尾砂料浆沉降参数优化中,得到的最佳沉降参数为磁感应强度0.192T、磁化处理时间1.85min、料浆速度1.92m/s、PAC单耗28g/t,沉降速度可达约155cm/h。研究表明:适宜的磁化处理条件可提高全尾砂料浆的脱水浓缩效果,节约30.0%~42.5%PAC用量,GA-SVM模型对全尾砂料浆沉降参数预测结果相对误差在5%以内、预测精度高,为全尾砂料浆脱水浓缩及其参数优选提供了一种新思路。     

基于遗传算法优化参数的支持向量机短期负荷预测方法

通过研究参数选择和支持向量机预测能力的影响,建立利用遗传算法优化参数的支持向量机负荷预测系统.通过遗传算法对支持向量机(SVM)预测模型的各项参数进行寻优预处理,找到最优的参数取值,然后,代入支持向量机SVM预测模型中,得基于遗传算法的支持向量机(GA-SVM)模型,利用此模型对短期电力负荷进行预测研究.通过实例验证,选择河北某地区2005-03-02至2007-05-22每天各个时点的数据进行分析,并且选择SVM模型与BP(Back propagation)神经网络进行对比.研究结果表明:用GA-SVM算法得到的均方根相对误差仅为2.25%,比用SVM模型和BP神经网络所得的均方根相对误差比分别低0.58%和1.93%.所提出的测试方法克服了传统参数选择方法存在的缺点(如研究者往往凭经验和有限的实验给定一组参数,而不讨论参数制定的合理性),提高了支持向量机的预测精度.     

基于GA-SVM的个性化体育训练效果评估模型研究

针对当前模型在评估个性化体育训练效果过程中未考虑合理选择评估参数,导致个性化体育训练效果评估模型运行时间增加,造成效果评估精度和效率较低的问题,提出了基于GA-SVM的个性化体育训练效果评估模型。首先根据个性化体育训练效果评估指标选取原则,基于图论和矩阵工具,筛选评估指标,并针对所选评估指标进行类别和量纲统一化处理;然后利用GA（遗传算法）选取SVM（支持向量机）评估模型参数最优值,优化SVM评估模型;最后利用MATLAB仿真软件对基于GA-SVM的个性化体育训练效果评估模型进行了仿真测试。仿真结果表明：所构建的基于GA-SVM的评估模型的相对误差为0.04%,所用时间为1.9 s,模型评估相对误差较小,模型评估所用时间较短,能够有效提高模型评估效率和精度。     

基于SVM短时交通流量预测

交通流量预测是智能交通系统中非常重要的研究领域,传统的预测方法在交通流量预测中有着非常广泛的应用.但是,在短时交通流量预测中,由于其影响因素错综复杂,传统的预测方法对于短时交通流量不能很好地进行预测.随着机器学习和数据挖掘各种理论的不断提出及完善,机器学习和数据挖掘与交通流量预测的结合是智能交通系统未来发展的一个重要方向.本文利用SVM (support vector machine)构建了短时交通流量预测模型,并利用遗传算法(genetic algorithm)对SVM的惩罚参数C和核参数σ进行优化,同时比较SVM中不同核函数,包括多项式核函数(polynomial kernel)和径向基核函数(RBF kernel)的预测效果.径向基SVM (RBF SVM)训练时间要比多项式SVM (polynomial SVM)短,预测准确率和精度也要比多项式SVM要好.从仿真结果上看,SVM非常适合应用于短时交通流量预测,能够取得很好的预测效果与精度.     

基于GA-ELM的短期负荷预测研究

为了提高短期负荷预测的精度,针对ELM模型预测中存在拟合程度低,参数容易陷入局部最优等问题,设计了一种考虑外界因素的GA-ELM模型预测方法.以湖北省恩施州某地2017年12月的历史数据对ELM进行训练,通过GA优化选取极限学习机参数,最后根据优化后的参数建立GA-ELM负荷预测模型.对比算例分析表明,GA-ELM预测模型比ELM、SVM、GA-SVM和PSO-SVM模型的预测效果更好、精确度更高.     

基于GA-SVM算法的网络入侵检测研究

信息网络化时代使得网络更加开放,网络安全问题备受关注,有效的网络入侵检测算法对确保网络安全发挥着至关重要的作用.在对SVM算法进行分析的基础之上,采用GA算法对惩罚系数和核参数进行优化,得到用于网络入侵检测的GA-SVM算法,同时将其应用于KDD Cup99数据集的4种网路入侵数据的检测中.检测结果表明,相对于SVM算...     

基于遗传算法优化支持向量机的大坝安全性态预测模型

为提高支持向量机对大坝安全性态的预测效果,提出基于遗传算法优化的GA-SVM大坝安全性态预测模型,以k-CV验证误差最小作为优化目标,引入遗传算法对支持向量机的惩罚参数c和核函数参数g进行寻优。模型以影响因子作为输入,以效应量作为输出,采用训练样本对支持向量机进行训练,并使用训练好的模型预测效应量。根据概率统计理论中的3σ准则,建立大坝安全性态三级指标和判别准则。以某大型水库大坝为例,建立该大坝的GA-SVM模型,并与SVM模型和逐步回归模型进行了对比验证。预测结果表明,GA-SVM模型渗压预测值与实测值最接近,预测精度较SVM模型和逐步回归模型提高了约3倍。     

基坑近邻地表沉降的GA-SVM建模研究

基坑开挖引起其邻近地表沉降的即时预测评估有利于实现工程安全的高效控制,应用支持向量机(Support Vector Machines,SVM)函数方法提出一个适用于这项工作需要的沉降数据预测方法。通过遗传算法(Genetic Algorithm,GA)的引入获得核函数类型、核函数参数及错误惩罚因子的选取结果。结合SVM函数回归计算技术,利用已知数据完成GA-SVM建模,根据模型的外推结果,给出沉降预测值。以广州某地铁工程为实例,对比分析了GA参数寻优是否进行优化的预测效果差异,与实测结果的对比证实GA-SVM预测模型具有较好的预测精度,同时表明GA-SVM沉降预测方法良好的技术应用价值。     

基于Stokes矢量特征与GA-SVM的全极化SAR影像分类方法研究

发展了一种基于极化散射特征的全极化SAR影像分类方法,探索了Stokes矢量特征作为分类特征的有效性,通过遗传算法耦合SVM的特征选取方法(GA-SVM)有效解决了分类器泛化不足的问题.以一景高分三号(GF-3)全极化影像作为主要的数据源,与同步外业调查获取的地面实况数据进行对比,结果表明所设计的待选分类特征集与特征选取方法得到的特征组合取得了较好的分类效果,总体精度达到90.00%,Kappa系数为0.87,影像部分地物的错分、误分现象得到改善.这表明:(1)GA-SVM的特征选取方法可以在有效地降低分类特征维度的同时提升目标SVM分类器的分类精度;(2)将Stokes矢量元素及其分解特征作为分类特征,可有效提升非参数模型分类的精度.     

Forecasting Financial Distress of Chinese High-tech Manufacturing Companies Based on a Hybrid Model of GA-SVM

Owing to the radical changing of Chinese economy, it is essential to build an effective financial distress prediction model. In this paper, we present a genetic algorithm (GA) approach for optimizing parameters of support vector machine (SVM). We validate the proposed model on datasets of Chinese high-tech manufacturing industry. Experimental results reveal that the proposed GA-SVM model can compare to and even outperform other exiting classifiers. Compared to grid-search algorithm, the proposed GA-based takes less time to optimize SVM parameter without degrading the prediction accuracy of SVM.     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。     

运用GA-SVM模型的砂石骨料分类方法

提出一种能够直接从破碎工序上识别骨料成分的算法模型.在花岗岩、石灰石、灰绿岩三种骨料剪切破碎实验的基础上,获取其相关物理特征量;然后,采用遗传算法(GA)与支持向量机(SVM)相结合的算法,对破碎、筛分后的人工砂石骨料物理特征量进行训练,建立人工砂石骨料分类的GA-SVM模型.研究结果表明:所提GA-SVM模型具有较强的分类效果,能够较好地识别人工砂石骨料成分;与传统的BP神经网络、偏最小二乘法相比,其分类准确率高.     

基于支持向量机的股市时间序列预测算法

针对股市时间序列预测的特点,提出了基于SVM的股市时间序列预测算法.设计了SVM的在线训练算法,并设计了遗传算法自动调整sVM的核参数,实现了基于sVM的股市时间序列预测算法在线调整的完全智能化.通过实证分析,以及同BP神经网络方法的比较,结果证明该算法具有预测精度高、参数调整智能化等优点.     

基于CPSO和SVM的混沌时间序列预测

提出了一种改进的支持向量机（SVM）混沌时间序列预测精度的方法。对于模型参数估计,引入混沌粒子群优化算法（CPSO）实现全局寻优,利用支持向量回归实现非线性系统的建模和预测。对Mackey-Glass混沌时间序列进行了预测实验的结果表明,本文方法能对Mackey-Glass混沌时间序列进行准确预测。     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

深锥浓密机底流浓度预测与外部结构参数优化

针对困扰支持向量机(SVM)模型参数选择问题,结合遗传算法(GA),建立了深锥浓密机底流放砂浓度的GA-SVM预测模型,研究了不同结构参数状态下底流浓度的变化规律,进行了深锥浓密机的外部结构参数优化选择。以司家营铁矿为例,在最优底流放砂浓度为72%的条件下,经外部结构参数优化后的深锥浓密机锥高10m、锥角为30°,系统稳定可靠、底流连续均匀,动力荷载较同类矿山降低约15%,压耙停机故障降低80%。     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

基于GA-SVM的渤海湾富营养化模型

为了更好地模拟和认知渤海湾富营养化的复杂行为,通过研究遗传算法(GA)和支持向量机(SVM)的结合形式,即参数寻优和特征选择,以渤海湾水质实测资料为依据,叶绿素a的质量浓度为输出,建立了GA-SVM的富营养化模型.无特征选择时,用遗传算法对支持向量机的参数(惩罚参数和核参数)进行自适应地优选,预测模型的均方误差可达到1.831μg/L,具有较好的认知、泛化能力.再利用遗传算法二进制编码及启发式寻优的优点,对所建模型的输入空间进行特征选择,提取出代表性的特征变量:DO%、pH值、水温、COD、盐度以及氨氮.特征提取后预测模型的均方误差可达到1.363μg/L,模型性能有了很大提高.分析表明,COD、盐度及氨氮可作为人为控制的首要指标.