基于支持向量机的银行客户信用评估系统研究

客户信用评估对于银行的经营管理有着重要的意义。基于支持向量机(Support vector machine)的智能化新技术建立银行客户信用评估系统,由于支持向量机具有全局收敛性和良好的推广能力,因此使得基于这种技术的评估系统具有较强的实用性。我们的实证分析表明了这一点。     

基于支持向量机的个人信用评估模型及最优参数选择研究

运用基于支持向量机理论试图建立一个新的个人信用评估预测方法,以期取得更好的预测分类能力.为了达到这个目标及保证可靠性,研究中使用网格5-折交叉确认来寻找不同核函数的最优参数.为了进一步评价SVM分类准确性,我们在本文最后对SVM方法与线性判别分析,Logistic回归分析,最近邻,分类回归树及神经网络进行了比较,结果表明,SVM有很好的预测效果.     

基于支持向量机的卷烟质量评估方法

卷烟质量的优劣迄今仍是靠卷烟评吸专家的感官进行评估。由于受到多种主、客观因素的影响,评估结果的准确性往往难以保证。为此,提出了一种基于支持向量机的卷烟质量评估方法。实例表明,该方法能够根据烟草中的化学成分的测量值来确定卷烟的质量。为今后对卷烟质量进行人工智能评估打下了基础。     

基于支持向量机的部队作战效能评估

随着信息化战争复杂性与不确定性的增加,对部队作战效能的评估提出了更高要求。在分析支持向量机和增强最简半自治适应性作战神经网络仿真工具箱（enhanced irreducible semi autonomous adaptive combat neural simulation toolkit, EINSTein）特点的基础上,建立了基于支持向量机的部队作战效能评估模型,完成从评估指标到作战效能值的非线性映射。在一定作战想定背景下,结合EINSTein系统产生的仿真数据对模型进行了验证。仿真结果表明,与误差反向传播神经网络（back propagation neural networks, BPNN）相比,基于支持向量机的效能评估模型能够降低人为因素的影响,更准确地评估部队作战效能,是一种有效的评估方法。     

支持向量机用于性能退化的可靠性评估

为解决性能退化轨迹建模中的小样本训练问题,研究了基于统计学习理论的支持向量机回归原理,提出了基于支持向量机回归模型的产品性能退化轨迹建模、寿命预测及可靠性评估方法.给出两种性能退化轨迹的支持向量机回归模型——单一模型和加权模型.实例分析表明,所提方法有较好的预测精度.加权支持向量机回归模型可在早期实现较高精度的寿命预测,提高性能退化的可靠性评估精度,从而可缩短试验时间,节约经费开支.     

支持向量机在武器系统效能评估中的应用

传统的基于仿真的武器系统效能评估方法一般都需要大量仿真实验结果的统计量。针对仿真实验样本有限的情况,首先分析了统计学习理论和支持向量机(Support Vector Machine,SVM)方法;接着在此基础上研究了基于支持向量机的武器系统效能评估方法,并对该评估方法进行算子化,得到基于支持向量机的效能评估预报模型;最后,针对导弹武器系统效能评估问题,给出基于支持向量机的效能评估算子的应用例子,并对评估结果进行了分析。     

基于支持向量机的中文文本自动分类研究

提出了一种基于支持向量机的文本自动分类方法,并进行了实验研究。在详细介绍了进行文本分类的实验过程和在实验中使用支持向量机的方法的基础上,通过实验比较了支持向量机算法和传统的KNN算法应用于文本分类的效果,并针对支持向量机算法的缺点,提出了进行文本预处理时的改进方法。实验结果表明了支持向量机在处理文本分类问题上的优越性。     

直接支持向量回归机

将超平面偏置项平方加入到最小二乘支持向量回归机(LSSVMR)的目标函数中,提出直接支持向量回归机(DSVMR)。该方法增强了求解问题的凸性,与LSSVMR相比,只需要求解一个与核矩阵类似的对称正定矩阵的逆就可以得到问题的解,再使用Cholesky分解和SMW(Sherman-Morrison-Woodbury)求逆公式,降低了计算复杂度,加快了学习速度,而且逼近能力与LSSVMR近乎相同。最后数值试验表明DSVMR可行且完全具有上述优势。     

模糊近似支持向量机模型及其在信用风险评估中的应用

支持向量机是近些年兴起的人工智能方法,并在信用风险分析领域得到了广泛应用.为了有效地减小在实证研究中样本的奇异点和噪声对模型的干扰, 在近似支持向量机的基础上, 引入模糊隶属度的思想,提出了模糊近似支持向量机, 使之不仅能保留近似支持向量机原有的优点,同时也可以减小奇异点和噪声对模型的干扰,从而进一步提高了分类判别能力. 为验证模糊近似支持向量机的效果, 利用两个公开的信用数据集进行实证研究. 实证研究结果表明:与其它模型相比,所提出的模糊近似支持向量机能够显著地提高信用风险分类精度,具有较高的实用价值.     

一种新隶属度函数的模糊支持向量机

传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计,这对非球形分布数据很不合理.使用类内超平面代替类中心,提出基于样本到超平面距离的新隶属度函数设计方法.该方法克服传统方法的不足,降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力.数值实验表明,与支持向量机和三种不同隶属度函数的模糊支持向量机相比,新隶属度函数的模糊支持向量机达到最好的分类效果,而且新隶属度方法的简单易行,计算时间少.     

模糊支持向量机与模糊模拟

研究当训练点的输出为模糊数时，支持向量机的构建问题。首先将模糊分类问题转化为求解带有模糊决策的机会约束规划问题。利用模糊模拟和基于模糊模拟的遗传算法，求解带有模糊决策的机会约束规划。在此基础上，构造模糊支持向量机(算法)。最后，给出显示模糊支持向量机特点的模糊支持向量集的定义。     

基于回归型支持向量机的液压舵机故障诊断

利用回归型支持向量机（SupportVectorRegression，SVR），设计了一个液压舵机的故障诊断系统。利用系统的可测参量，建立了基于SVR的液压舵机的全局故障检测模型。在仿真过程中发现，此方法能对电液伺服阀、位移传感器和伺服放大器的各种故障进行诊断，诊断准确度高，适用于闭环控制系统的故障检测，仿真结果验证了该方法的有效性。     

基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

基于支持向量机的智能决策方法

分析多属性决策问题及现有方法,提出了基于支持向量机的智能多属性决策方法.首先,介绍了支持向量回归估计的学习算法.其次,探讨了基于支持向量机的智能决策原理.然后,提出了多属性决策支持向量机方法的实现算法.最后给出了一个算例.     

稳健的支持向量分类机的优化理论分析

由于在实际中,我们已知的数据往往带有试验误差或者统计误差,因此对扰动数据的处理是一个重要的课题.文[2]对输入带球形扰动的两类分类同题提出了稳健的支持向量分类机的模型,本文主要对引入核后的稳健模型的优化理论做了系统深入的研究,内容包括原始问题的解的唯一性问题、对偶问题及其与原始问题的关系,从而完善了稳健的支持向量分类机的优化理论基础,为相应的算法提供了严密理论依据.     

改进的支持向量回归机

标准的支持向量回归机中原始最优化问题的目标函数有两部分：一部分是衡量经验风险的，另一部分是衡量推广能力的。本文引入一个凸函数来代替衡量推广能力的部分，讨论了当这个凸函数取不同的形式时支持向量回归机的变形，这些模型不再要求核函数必须对称正定，从而为我们可以得到更灵活的回归曲面提供了有效的工具。     

基于支持向量机的故障过程趋势预测研究

提出了运用SVM机器学习方法进行故障过程趋势预测的方法，并设计了一个实用的SVM回归算法对“Tennessee Eastman”工厂的实际数据进行仿真研究，结果表明，用SVM方法进行故障过程趋势预测，具有较强的抗噪能力，在样本量有限情况下，采用ε－不敏感损失函数得到的回归结果具有较高的实用价值，通过大量实验，给出了ε取值不同对估计结果的影响的一个具体实验结果，分析了ε取值对支持向量数目的控制作用。     

新型小波支持向量机在波动率预测中的实证研究

运用支持向量机进行广义自回归条件异方差(GARCH)模型预测所面临的一个主要问题就是普通核函数难以准确捕捉股指波动率的聚集特征.然而小波函数却具备以任意时间粒度在任意位置刻画任一时间序列的能力.因此,本文基于小波分析与核函数理论,构造了一个满足mercer条件的多尺度小波核来解决这一问题.通过真实股指数据分析,小波支持向量机在波动率预测中的有效性获得了证实.     

用于回归估计的支持向量机方法

用于回归估计的支持向量机方法以可控制的精度逼近非线性函数，具有全局最优、良好泛化能力等优越性能，得到广泛的研究。描述了该方法的基本思想，着重讨论了V-SVM、最小二乘SVM、加权SVM、线性SVM等支持向量机的新方法，降低训练时间和减少计算复杂性的分解法、SMO及增量学习算法。在非线性系统参数辨识、预测预报、建模与控制研究中，支持向量机是很有发展前途的研究方法。     

基于支持向量机的有效带宽估计算法的研究

高性能网络设计的关键是对性能参数进行建模和估计的能力，通信业务在网络上传输时，其带宽要求与通信质量密切相关，合理分配带宽能很好提高网络性能，合理分配网络带宽的首要任务是能够根据网络信息的变化，预测带宽使用情况，为此，本文采用支持向量机（SVM）对网络业务流数据进行预测估计，通过训练样本，从而获得样本以外数据的分布规律，在此基础上，设计了一种网络传输有效带宽使用的估计算法，实验表明，该估计算法具有较高的训练效率和很高的估计精确度。