基于组合分类器的信用卡信誉检测

给出了支持向量机的信用卡信誉检测模型和基于决策树的信用卡信誉检测模型的建立方法,并在这两种单一分类器的基础上,归纳总结支持向量机方法和决策树方法对信用卡信誉检测的偏好特性,提出了一种基于偏好特性进行组合的组合分类器模型建立方法.     

一种基于随机森林的可疑交易检测方法

针对信用卡诈骗犯罪侦查工作中可疑交易识别问题,提出一种可疑交易检测方法,测试了不同参数环境下属性重要性的敏感性,采用随机森林方法进行特征选择,设计了可疑交易检测的模型.采用一组真实的信用卡交易数据对所提出的方法进行了实验,并与逻辑回归和支持向量机方法进行了比较分析.实验结果表明:所提出的基于随机森林的检测方法在综合指标...     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达.以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比.结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

基于SVM的网络入侵检测系统模型分析

利用支持向量机(Support Vector Machine SVM)进行建模,可以解决在建立检测模型时因无法收集所有样本而导致的模型推广性能差的问题,并且可以提高入侵检测率,降低漏报和误报率,提高系统的实用性.本文尝试在入侵检测领域利用支持向量机,构建基于支持向量机的入侵检测系统模型.     

支持向量机在云检测中的应用

针对地球观测系统/中分辨率成像光谱仪影像资料中的云检测工作,提出了基于支持向量机SVMs(support vector machines)的遥感影像分类方法.分析了云检测过程中的特征提取和选择,建立了基于支持向量机的遥感影像分类模型,并针对陆地、海洋2种不同的下垫面进行了云检测试验.云检测结果中,云与陆地、水体、积雪准确地区分开来.结果表明,特征选择对云检测起到了积极的作用,同时也证明了支持向量机方法在遥感影像分类中的优势.     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

基于支持向量机的Windows主机入侵检测系统

提出了一种基于支持向量机的W indow s主机入侵检测方法。讨论了以W indow s注册表作为数据源的入侵检测系统的结构及特征向量的提取方法。给出了基于支持向量机的入侵分类算法,通过建立支持向量描述模型进行预测。实验表明:该方法对已知样本有很高的检测率,对未知样本也有一定检测能力。     

基于支持向量机与移动Agent的入侵检测系统模型

目前要发展新的入侵检测系统必须解决检测准确性、高效性的问题,同时要考虑分布式智能化的检测方法.提出一种采用基于支持向量机与移动Agent技术的入侵检测系统模型,利用支持向量机对小样本、高维非线性数据良好的分类性能,将其作为检测工具;利用移动Agent的智能性、移动性,在网络节点间进行迁移检测入侵.给出了相应的模型结构.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于多模型融合的互联网信贷个人信用评估方法

针对网络个人信用有效评分缺失的问题,分析了互联网信贷个人信用评估数据的特点,选用支持向量机、随机森林和XGBoost分别建立了信用预测模型,并对3种单一模型进行了投票加权融合. 基于互联网信贷数据的特点,在特征工程中对样本集特征进行了离散化、归一化和特征组合等处理. 为增加对比,对实验数据集进行了FICO评估核心Logistic回归分析. 实验结果表明:3种单一算法性能均优于Logistic回归,XGBoost表现优于支持向量机和随机森林模型,预测相对准确;投票融合模型的表现比单一模型更好,模型分辨能力更优秀,预测精度更高,更适用于互联网信贷个人信用评估.     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

基于SenV-RBF的个人信用评分模型

将基于敏感性分析的RBF(radical basis function)网络应用于个人信用风险评估中,在训练中通过引入最大输出敏感度来度量隐藏神经元的数目及其径向基函数的中心,并构建了用于识别两类模式的基于SenV-RBF网络的个人信用评分模型.该模型对数据分布无任何要求,其在个人信用评分领域的运用,克服了统计等方法对假设较强的要求以及静态反映信用风险的缺点.经过比较分析,基于SenV-RBF网络的个人信用评分模型在分类的准确性和稳健性方面要优于传统的RBF,且精度可以达到支持向量机的水平.     

结合相似性测度与随机森林的个人信用评估模型

针对客户信用数据款项维度多、数量大、复杂性等问题,提出了一种基于相似性度量的多视角决策融合个人信用评估方法。该方法创新点在于能够细致地考虑不同信用数据的几何形状,多角度划分数据,并进行相似性匹配,此外充分运用随机森林能够进行特征提取的自洽性使得模型的准确性与稳健性同步得到了提高。在UCI数据集上的实验结果表明: 3种距离测度在进行特征提取与异常值去除后,性能均得到了大幅提升,且识别率的波动区间相对于数据预处理前显著缩小,展现了优化后的模型具有更强的稳健性;融合3种测度的决策可以多角度地综合信用信息,使得识别性能较单一测度显著优化,且与其他经典组合方法 比较性能更佳;将随机森林与距离测度相组合应用于个人信用评估领域为个人信用评估方法的多样性增添了新的经验。     

组合信用损失分布的蒙特卡洛模拟

组合损失分布的确定是测量各种组合信用风险的一个先决条件.本文通过对信用风险损失理论进行分析的基础上,分析阐述了利用蒙特卡罗方法模拟组合信用损失的原理和方法,并基于Matlab语言结合实际问题进行仿真实验,实验结果表明该模拟方法能较好地反映组合信用损失的分布特征,具有有效性和实用性.     

基于支持向量机的信用评估模型及风险评价

运用基于支持向量机理来建立一个新的个人信用评估预测模型,以期取得更好的预测分类能力.并对SVM分类结果与三层全连接BPN分类结果进行了比较.结果表明,在判别潜在的贷款申请者中支持向量的判别结果比神经网络的要好.为了减小训练集偏差及为了验证两种方法的鲁棒性,基于两种策略(平衡样本与非平衡样本)交叉验证来进一步评价SVM分类准确性,并对两种方法基于两种策略的误分类作了风险代价分析.     

基于最近邻法和支持向量机的个人信用评估方法

本文针对两类个人信用数据混叠较严重的数据集,提出对数据集先利用最近邻算法进行修剪,再应用SVM算法对个人信用进行评估的NN—SVM方法。仿真实验表明基于NN—SVM算法的个人信用评估方法比直接用SVM算法进行分析来的更加准确。同时,对比RBF_LS—SVM,Linear LS-SVM,Region single tree等算法的结果,发现NN—SVM算法明显优于其它算法。     

基于离群点剔除的SVM信用风险评价方法

针对信用评价数据存在离群点和噪声问题, 提出一种基于离群点剔除的支持向量机（SVM）信用风险评价模型. 该模型利用模糊c-均值聚类算法剔除样本离群点, 采用粒子群算法优化支持向量机分类参数, 进而提高支持向量机的分类性能. 将该方法应用于信用风险评价中的结果表明, 相比于其他模型, 该方法分类精度更高.     

支持向量机在银行客户信用评估中的应用

贷款业务是银行极为重要的资产业务,构建一个适用的客户信用评估模型十分重要。由于近年来在智能学习系统领域发展起来的新理论,并引入小样本学习的通用学习算法——支持向量机（Support Vector Machines,简称SVM）,建立银行客户信用评估模型。由于在统计学习理论中的结构风险最小化的SVM算法,克服了传统信用评估模型中的过拟合和局部最优的缺点。同时,通过在模型中采用核函数,有效地解决了线性不可分问题。因此,使得基于这种技术的评估模型具有较强的实用性。通过与神经网络模型的比较,证实了该方法用于风险评估的有效性及优越性。     

基于支持向量机的小企业信用评级最适样本量的研究

随着企业信用评级研究的深入,大多数研究者都得出支持向量机方法在企业信用评级中具有许多优势.为了探寻支持向量机模型的最适样本量,选取安徽省2007年和2008年的小企业作为样本,运用支持向量机并采用逐级调整样本量的方法探寻模型的最适样本量.