基于粗糙集的支持向量回归机混合算法

利用粗糙集(RS)对不精确数据的处理能力,生成分类数据的边界集,替代原始样本作为训练集,减少训练集与获取的支持向量的数量,然后使用支持向量机的最小序列优化(SMO)算法改进回归学习机的性能.将粗糙集与SMO回归算法结合提出一种混合函数回归算法RS-SMO-RA.在常用SMO回归算法SMO-RA基础上,扩增一段简短的生成边界样本的算法程序.仿真结果表明,算法RS-SMO-RA的效率更高,且能够改进学习结果的性能.     

基于粗糙集和支持向量机的客户价值分类

针对现有数据挖掘模型解决客户价值分类的不足,提出了基于粗糙集和支持向量机理论的客户分类模型,该模型首先应用粗糙集理论对主要指标属性进行特征提取,约简出主要指标体系,然后将训练样本送入支持向量机进行学习和训练,进而对检验样本的客户类别进行判别.结果表明:与传统的客户分类模型相比,基于粗糙集和支持向量机的客户分类模型对检验样本的预测精度更高,具有良好的分类效果,是一种更为高效和实用的分类方法.     

基于粗糙集的支持向量机故障诊断

该文结合粗糙集属性约简及支持向量机分类机理,提出了一种新的故障诊断方法。首先利用粗糙集对过程特征变量进行约简,去除冗余的过程信息,并降低过程数据的维数,获得具有代表性的过程特征信息。基于该特征信息建立支持向量分类机用于故障的诊断。以高压直流输电系统为例,对交流单相接地故障和直流接地故障进行诊断,诊断时间分别为12ms和11ms,诊断正确率分别为98.8%和96.8%。     

基于支持向量机方法的深基坑变形预测

提出了深基坑变形预测的一种新方法,即支持向量机方法.该方法根据有限的学习样本,建立了各种影响因素和深基坑变形之间的一种非线性映射.基于已有的深基坑变形资料,采用支持向量机模型,对深基坑现场实例进行了预测,网络输出结果与实际情况十分吻合.实例研究表明,支持向量机方法用于预测深基坑变形是有效且可行的.     

基于粗糙集支持向量机的科技项目财务预测模型

引入粗糙集和支持向量机理论对企业的财务状况进行分析和预测,建立了财务预测模型,为决策者在科技项目立项前后的监督和管理提供支持.     

基于粗糙集与支持向量机的Web文本分类

Web文本分类是Web数据挖掘的一个重要研究方向,它是在通过经验数据训练得到的分类体系下,根据网页的文本内容自动判别网页类别的过程,本文提出一种综合粗糙集与支持向量机的Web文本分类模型,利用粗糙集的属性约简方法,减少支持向量机训练数据的维数,提高Web文本分类的性能与效率.     

利用粗糙集和支持向量机的银行借贷风险预测模型

将粗糙集和支持向量机相结合,提出利用粗糙集和支持向量机的银行借贷风险预测模型,提高银行个人借贷风险预测精度,为银行判断是否同意借贷提供参考和依据。该模型首先将银行样本数据形成初始决策表,对其进行数据预处理;然后用属性相似度的属性约简算法对决策表进行属性约简,去除冗余属性,获得高效的决策规则;最后将约简后的最小属性作为4种不同核函数的支持向量机学习样本,构建预测模型且进行预测评价对比分析。实验结果表明,使用相同训练样本,高斯核函数的支持向量机预测模型的准确率最高且为93%,说明该预测模型具有较高的精度。通过实验分析,构建预测模型有效地预测了银行借贷风险,且为银行借贷管理提供辅助决策。     

基于粗糙集的支持向量机微阵列数据分类方法

DNA 微阵列技术,使人们可以同时观测成千上万个基因的表达水平,对其数据的分析已成为生物信息学研究的焦点.针对微阵列基因表达数据维数高、样本小、非线性的特点,设计了一种基于粗糙集的支持向量机基因表达数据分类方法,该方法采用粗糙集进行基因特征约简,运用支持向量机进行数据分类,实验表明其分类效果良好.     

基于粗糙集和支持向量机的肿瘤图像识别

设计了一种基于粗糙集与支持向量基的乳腺肿瘤图像识别方法。其基本思想是首先对图片进行降噪预处理,接着提取纹理和形状特征构成表征医学图像的特征矢量,然后将特征离散归一化处理,再用粗集方法进行特征属性约简,最后利用支持向量基进行识别。结果表明,该方法取得了比较理想的识别效果。     

基于粗糙集下近似理论的支持向量机分类方法

传统的粗糙集理论不能处理连续属性,而且得到的分类规则大多比较复杂.支持向量机理论能够得到简洁的分类规则,也能处理连续属性,但仅适用与小样本,对大样本数据集有一定的局限性.文章首先提出了针对连续属性的粗糙集下近似理论,使粗糙集理论能够应用到连续属性.基于上述理论以及支持向量机分类方法仅与支持向量有关的特性.提出了一种先由粗糙集进行预处理的支持向量机分类方法.实验表明,该方法在缩短训练时间的基础上,保留了支持向量机方法所需分类信息,提高了分类精度,克服了SVM算法的应用瓶颈.     

基于支持向量回归机和B样条网络回归曲线建模算法

将改进的支持向量回归机与B-样条网络相结合,提出了一种建立回归曲线模型的新算法。实验仿真结果说明了这种算法是可行和有效的。     

深基坑工程风险评估的决策支持系统

对深基坑工程风险评估进行了讨论，分析决策支持系统的逻辑结构，认为将决策支持技术应用于深基坑工程风险评估，可以解决决策方案模糊性、决策目标冲突性以及结构不良等问题，提高科学决策水平。     

基于RS和SVM的水泥回转窑故障诊断研究

将粗糙集和支持向量机两种理论相结合应用于水泥回转窑的小样本故障诊断。首先介绍了粗糙集(RS)理论和支持向量机(SVM)理论的基本理论知识,然后将RS理论应用于水泥回转窑故障信息的知识约简,再利用SVM理论对RS理论约简后的数据进行训练和分类。这种融合之后的诊断方法不仅充分发挥了两种理论的优点,同时克服了SVM对冗余信息和有用信息识别的局限性,有效地降低了SVM的输入信息空间维数,弥补了RS理论法对输入信息中的噪声敏感、抗干扰能力差的缺点,有效地提高了诊断的效率和准确率。     

支持向量机及其在地基中的应用

将支持向量机方法应用到地基工程中,提出了计算地基承载力的支持向量机方法.利用支持向量机表达地基承载力与地基参数之间的非线性映射关系,在此基础上计算地基的承载力.结果表明,该方法是科学的、可行的,为计算地基承载力提供了一条新途径.     

基于粗糙集优化支持向量机的泥石流危险度预测模型

为准确预测泥石流危险度,提出了基于粗糙集理论(RS)的粒子群算法(PSO)优化支持向量机(SVM)模型。首先离散化泥石流样本数据形成初始决策表,利用粗糙集理论对10个泥石流危险度影响指标进行属性约简,将约简后的泥石流指标数据归一化处理作为支持向量机的学习样本,通过粒子群算法寻优获得最佳支持向量机模型参数,最终建立基于粗糙集的泥石流危险度预测的优化支持向量机模型。并将构建的RS-PSO-SVM模型用于对测试样本的预测,结果表明：在相同训练样本的条件下,RS-PSO-SVM模型、PSO-SVM模型及RS-PSO-BP模型三者的预测准确率分别为：87.5%,87.5%,75%,说明RS-PSO-SVM模型和PSO-SVM模型具有比RS-PSO-BP模型更高的精度。此外,尽管RS-PSO-SVM模型和PSO-SVM模型具有相同的预测精度,但是由于进行了属性约简,RS-PSO-SVM模型可以有效提高运行效率,降低模型复杂度。     

基于支持向量机的商业银行信用风险评估模型

贷款业务是商业银行最重要的资产业务，构建一个适用的信用风险评估模型十分重要．本基于近年来在智能学习系统领域发展起来的新理论，引入小样本学习的通用学习算法——支持向量机(SVM)．建立了商业银行的信用风险评估模型，通过与多元判别分析、以及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．     

基于模糊回归支持向量机的短期负荷预测

支持向量机(SVM)是一种新颖的机器学习方法,具有泛化能力强、全局最优和计算速度快等突出优点.模糊数学在不确定性、不精确性及噪声引起的问题上,有其特有的计算分析操作,能有效地分析和处理模糊信息.研究了一种模糊回归支持向量机模型,该模型将两者有机结合,发挥了各自的优点.将其应用到电力系统短期负荷预测,仿真结果表明,所提方法不仅具有与支持向量机方法相同的预测精度,且提供了更多的有用信息.     

基于SVM的函数模拟

支持向量机在高维空间中表示复杂函数是一种有效的通用方法, 提出了采用基于支持向量机的非线性回归法求解函数模拟问题.     

支持向量机回归与分类解的关系

将线性Lp(p=1)和Lε损失函数下的支持向量机回归与分类解的关系及支持向量机回归与υ-支持向量机分类解的关系,推广到非线性Lp(p≥1)和Lε损失函数上,得到这些解关系更一般的形式.