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.     

基于支持向量机与概率输出网的深度学习模型

本文提出了基于支持向量机与概率输出网络的深度学习回归模型.该回归模型利用深度学习的深层结构,以及支持向量机的泛化能力、概率输出网络中的条件概率估计特点,建立了多层支持向量机的深度学习结构,避免了深度学习的参数选择问题.其中核参数的选择域呈网格状,通过求取输出对应β分布的累积概率分布和经验累积概率分布的K-S检验,求取一致性的p值最大对应的核参数作为支持向量机模型的核参数.对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止.仿真实验通过三个标准的回归数据集证明了本文提出模型的有效性.     

区间型时间序列数据的点预测方法研究

区间型时间序列数据大量存在,但在时序数据的预测方法中,对这种类型的数据进行点预测没有相关研究。借助支持向量机(SVM),在区间时间序列数据回归算法的基础上,通过区间数据相空间重构,建立了时间序列的支持向量区间预测SVIP方法。在实验仿真环节中,通过两个仿真实例验证了该方法的良好性能,同时与采用Elman神经网络方法的预测结果进行了分析比较,说明了SVIP方法的优点。     

SVR在切削颤振状态趋势预测中的应用

针对当前准确地预测机床切削颤振状态趋势存在的困难,提出了基于支持向量机回归算法(SVR)的切削颤振状态趋势的预测方法,给出了运用支持向量机进行回归分析时的参数选择原则。研究了基于小波包分解的切削信号特征提取方法,首先将切削信号进行小波包分解,计算信号分解到各频带区间内的能量并对其进行归一化,并将其作为切削信号的特征向量输入到支持向量机回归分析模型。在CA6140车床上进行了数据采集和仿真,结果表明,通过这种方法得到的信号在各频带区间内的能量变化曲线能准确地反映切削颤振的过渡过程,并且通过SVR对其进行趋势预测也取得了比较满意的结果。     

基于v-支持向量回归机的盲均衡算法

盲均衡可以看作模式分类问题,每一类由信源字符表的可能输出定义.由于支持向量回归机具有优良的泛化性能,提出了一种基于v-支持向量回归机的盲均衡算法,并且利用加权最小二乘方法求解v-支持向量回归机.计算机仿真结果表明提出的盲均衡算法具有计算复杂度低、适于实际应用的特点.     

基于PSO-SVR的数控平面磨削表面粗糙度智能预测研究

分析磨削加工表面粗糙度预测技术的研究及其应用现状,提出一种基于混合粒子群算法与支持向量回归机的智能预测数控平面磨削表面粗糙度方法,构造以工件进给速度、砂轮横向进给量、砂轮修整深度和修整导程为输入,表面粗糙度为输出的智能预测模型.在SINUMERIK 840D数控系统平台上对该模型进行仿真实验,结果验证了模型的可行性,最后通过与传统回归计算方法、FBNN以及其他智能预测方法的比较,进一步表明了模型优越的预测性能.     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法，该文利用支持向量机对非线性系统进行黑箱建模，介绍了V-SVR的基本理论，并进行了仿真实验，结果验证了所提出的方法的正确性和有效性。     

基于AR模型和支持向量机的转子系统故障诊断方法

提出了基于AR模型和支持向量机的转子系统故障诊断方法.该方法对转子系统的振动信号建立AR模型,以AR模型主要的自回归参数和残差的方差作为特征向量,然后建立支持向量机分类器,进而判断转子系统的工作状态和故障类型.实验结果分析表明,该方法能有效地应用于转子系统的故障诊断.并通过支持向量机与BP神经网络的性能比较,说明了支持向量机的优点.     

基于支持向量回归机的红外热像实时仿真

提出了基于支持向量回归机的红外热像仿真方法,该方法使用实测得到的场景红外辐射特性数据组成的训练样本集训练支持向量回归机,使得支持向量回归机具有预测能力,然后使用和物体表面划分面元数目相同的支持向量回归机计算仿真设定条件下的物体表面表观温度场数据,并利用三维可视化技术,将温度场数据和三维模型相结合,最终以运动车辆及建筑物场景为例,实现了对目标与背景构成的场景进行全方位红外热像实时仿真。     

基于支持向量机的时间序列预测模型分析与应用

阐述了支持向量机在时间序列预测中应用的理论基础,给出了时间序列预测分析的基本框架。将支持向量机预测模型应用于某型航空发动机的滑油金属含量监测中,并与递归神经网络预测器进行了比较。得出支持向量机由于采用了新型的结构风险最小化准则表现出优秀的推广能力,可预测区间较长且具有较高的准确度,而递归神经网络模型在中、短期预测中与支持向量机相差不大,在较长区间预测中效果较差的结论。     

Ridge-forward quadratic discriminant analysis in high-dimensional situations

Quadratic discriminant analysis is a classical and popular classification tool, but it fails to work in high-dimensional situations where the dimension p is larger than the sample size n. To address this issue, the authors propose a ridge-forward quadratic discriminant (RFQD) analysis method via screening relevant predictors in a successive manner to reduce misclassification rate. The authors use extended Bayesian information criterion to determine the final model and prove that RFQD is selection consistent. Monte Carlo simulations are conducted to examine its performance.     

基于多尺度低频特征组合的线性鉴别分析

目前线性鉴别分析(LDA)方法是在原始图像上直接进行,抽取的是图像的全局特征,受光照、表情变化而引起的局部高频信息影响较大,忽视了更能反映图象本质的低频特征.为此提出先将图像进行多尺度划分,再提取划分后的每个子图像的低频部分,组合起来作为该图像的特征向量,最后根据这些特征向量再应用LDA方法进行鉴别分析.多尺度低频特征组合的向量反映了图像从局部到全局的全部低频特性,具有更有效的鉴别信息.在ORL和Yale人脸库上的实验结果显示,所提出的算法识别性能显著提高,鉴别能力更好.     

基于区间算法的频控阵阵元位置误差分析

频控阵通过在各阵元的发射基频上引入一个微小的频率偏移, 可以产生距离和角度相关的波束，这使得频控阵在信息和信号处理中更加灵活。但是, 大多数文献在分析频控阵时, 都假设阵元位置是理想而无误差的。而在实际情况中, 阵元位置往往会存在制造误差, 这必定会让实际发射波束的各项性能指标偏离理论设计的性能指标。而目前，几乎没有关于频控阵阵列位置误差分析的文献, 因此迫切需要寻找一种对频控阵阵元位置误差进行分析的方法。提出一种基于区间分析算法的频控阵阵列位置误差分析方法，以分析各阵元位置误差对波束性能的影响。该方法首先假设各阵元位置误差在某个已知的区间, 然后通过一系列数值计算得到误差对波束性能影响的上界和下界, 最后通过仿真实验验证此方法的有效性。     

基于主成分分析和聚类分析的烤烟质量评价模型构建

为了建立更为科学、客观的烟叶质量评价方法,采用外观质量评价与常规化学成分评价相结合的方法,研究8个外观质量指标和8个化学成分指标,建立了基于主成分分析和聚类分析的Fisher判别函数的烟叶质量评价模型,并对河南省平顶山市42个烟叶样品进行了分类。采用主成分分析方法共提取了6个主成分,并对各个样品6个主成分得分进行聚类分析,同时根据6个主成分得分和聚类分析结果进行判别分析,对比Fisher判别函数和聚类分析的结果,两者有较好的一致性。因此,可以利用这个烟叶评价模型对烟叶进行质量评价。这使得烟叶质量评价方法更加客观,也开辟了烟叶质量评价的新途径。表5,参16。     

考虑错分代价的LogitBoost算法及其在手机用户价值分类中的应用

针对传统LogitBoost算法将正确分类与错误分类平等看待且损失函数不收敛于代价敏感的贝叶斯决策问题.本研究在传统LogitBoost算法的基础上给出了一种基于错分代价改进的LogitBoost算法,并以某移动通讯公司的手机用户数据为基础检验了该算法的有效性,研究发现:与其他同类算法相比考虑错分代价后的LogitBoost算法的分类效果提升较明显;随着错分代价比值的增大,预期风险(同一阈值下)增大;同一错分代价比值下的预期风险,随着错分代价比值的增大表现出先增大后减小的趋势.该结论不仅说明了通过引入错分代价能有效降低模型的预期风险(这使新算法由关注分类错误率最小化转向关注预期风险最小),也为通讯公司提供了分析框架和决策参考.     

二维最大散度差图像投影鉴别分析

提出了一种新的二维散度差图像投影鉴别分析方法。该方法利用类间离散度与类内离散度之差作为鉴别准则，从根本上避免了传统的Fisher线性鉴别分析所遇到的小样本问题时。所提出的方法是直接基于图像矩阵的，与以往的基于图像向量的鉴别方法相比，它的突出优点是大大提高了特征抽取的速度。在ORL人脸数据库和AR标准人脸库上的仿真试验结果表明，所提出的方法不仅在识别性能上优于传统的散度差鉴别分析，特征抽取的速度有了较大幅度的提高。     

基于线性判别分析的时频域特征提取算法

针对复杂环境中的声目标特征提取与选择问题,结合声信号时频域的特点,提出了一种时频域相结合的特征提取方法。首先,对信号进行小波分解,达到去噪目的;然后,将短时能量、短时平均幅值、过零率及频带能量值作为原始特征矢量,并结合Fisher判别准则进行特征选择,以此构造低维特征向量;最后,对两类声目标的实测样本数据进行特征提取,并采用支持向量机和K近邻两种分类器对该特征提取方法的有效性进行校验。实验结果表明,采用“时域+频域+线性判别分析”的特征提取方法简单有效,且与单一时域或频域的特征提取方法相比,识别率更高。     

基于多域特征与随机子空间集成的脑电分类

针对脑机接口(Brain-Computer Interface,BCI)中脑电信号预处理、特征提取、分类识别等过程,提出一种基于多域特征的随机子空间集成方法实现运动想象脑电分类。该方法的基本思想是通过事件相关同步/事件相关去同步特性分析,提取出最佳时频段的多域特征作为特征向量,结合交叉验证自适应地选择特征随机子空间的集成规模,集成线性判别分析分类器实现脑电信号分类。实验结果表明,多域特征和随机子空间集成分类正确率可达90.71%、Kappa系数可达0.63,均优于BCI竞赛第一名成绩,从而证明了该算法在脑电分类中的有效性和实用性。     

一种最优的核Fisher鉴别分析与人脸识别

基于核的Fisher线性鉴别分析(KFDA)已成为抽取非线性特征的最有效方法之一。但是,针对必然面临的奇异性问题,如何抽取非线性最优鉴别特征还没有得到很好的解决。基于同构映射的思想,我们提出了一种最优的核Fisher鉴别分析(OKFDA)方法,从理论上巧妙的解决了奇异情况下最优鉴别矢量集的求解问题。在FERET人脸库的子库上的实验结果验证了OKFDA方法的有效性。     

增加决策单元的DEA-DA模型灵敏度分析

探讨了线性假设下DEA-DA模型的灵敏度分析问题,提出了决策单元增加时DEA-DA模型判别结果保持不变的充分条件,并给出了实例说明。