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.     

基于IG-SVM模型的供应链融资企业信用风险预测

为了提高对供应链融资中小企业信用风险预测的精度,在通过对中小企业信用风险评价研究基础上集成机器学习算法构建了能够提高信用风险预测的组合模型。该模型采用支持向量机(Support vector machine,SVM)建立供应链中小企业信用风险分类预测模型,并引入信息增益(Information gain,IG)提取对预测结果有显著贡献的特征变量,优化模型特征输入。在与其他模型的对比实验中可知,采用IG-SVM模型预测的测试样本精确度为97.62%,比单一SVM模型精度提高8.97%。采用IG进行特征优化,能进一步提高SVM模型的预测能力。     

基于PSO-SVM的岩石边坡稳定性预测

边坡稳定性与其影响因素之间存在着复杂的非线性关系.结合粒子群优化算法和支持向量机,提出了边坡稳定评价的粒子群优化支持向量机模型.模型采用支持向量机建立边坡稳定性和影响因素之间的非线性关系;同时,利用粒子群算法对支持向量机参数进行全局寻优,从而确保了模型参数的准确性.模型的测试结果显示了良好的精度.将该模型应用到某岩石高边坡中,预测结果与实际情况符合较好,表明该模型在岩石边坡稳定性预测中的可行性和有效性.     

基于GAMPSO-SVM的大坝变形监控模型

建立合理的安全监控模型对实测资料进行实时分析和处理对大坝的安全运行有着重要意义.近年来,支持向量机(SVM)在建立监控模型中得到了广泛应用.但参数的选取对SVM模型的精度有相当大的影响.为了提高参数选择的精度,在标准粒子群算法(PSO)的基础之上,提出了一种加入高斯扰动项的变异粒子群优化算法(GAMPSO),对支持向量机的参数进行寻优,建立了基于GAMPSO-SVM的大坝变形监控模型,并进行工程实例验证.结果表明,该模型能有效避免陷入局部最优,具有更好的预测精度和泛化能力.     

基于DNPSO的支持向量机的发动机故障诊断

设定了基于粒子序号和粒子邻居数量的动态邻域粒子群模式,并通过田口试验分析了6种测试函数的优化性能,选定了粒子群算法的惯性权重、粒子邻居数量及加速系数等参数的较优渐变模式,建立了具有较为广泛适应性且运算量相对较低的动态邻域粒子群模型.利用该模型优化了支持向量机的惩罚参数和核函数评估参数,在发动机的故障特征识别过程中,通过与BP神经网络及标准粒子群算法优化参数的支持向量机等分类器的比较,动态邻域粒子群算法优化的支持向量机具有较高的特征识别能力和较强的鲁棒性.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

支持向量机在边坡稳定分析预测的应用

目的提出一种基于改进算法的支持向量机模型(PSO-SVM),利用边坡的参数分析预测边坡稳定性.方法利用支持向量机有效解决小样本、高维数、非线性等问题的优势,建立粒子群算法(PSO)优化的支持向量机模型,粒子群算法优化支持向量机参数,模型中边坡几何参数和强度参数:边坡角β、边坡高度H、岩石容重γ、黏聚力c、内摩擦角φ以及孔隙水压力ru作为输入参数,边坡稳定性系数FS和边坡稳定状态S作为输出参数.结果 PSO-SVM模型与网格搜索算法(GS)、遗传算法(GA)优化SVM模型以及人工神经网络ANN模型相比,具有更高的分类精度和更强的预测能力.结论 PSO-SVM模型能够准确地获得边坡的稳定性系数,评价其稳定性,在边坡稳定分析和预测中具有良好的实际应用价值.     

基于MFOA算法的SVM模型在信用风险评估中的应用

P2P网贷行业借助于互联网技术,得到了急速地发展,其中的个人信用风险评估也变得更加重要.为提高信用风险评估的准确性,基于SVM建立一套信用风险评估模型.然而SVM模型的性能很大程度上取决于惩罚因子以及核函数的参数,因此需要对SVM的参数进行优化.采用基于改进的多种群果蝇优化算法对支持向量机的参数进行优化选择并在真实的P2P信贷数据上进行实验.通过与几种常见的群智能算法的优化效果如遗传算法,蚁群算法,粒子群算法等进行对比,结果表明,使用多种群果蝇优化算法的SVM模型具有评估准确率更高等优点.     

基于混沌粒子群优化小波支持向量机的汇率预测

目前,支持向量机( SVM)常用的参数寻优方法存在易陷入局部极值的缺点,而其常用的核函数的逼近精度也有待提高.基于混沌映射的遍历性与随机性和小波变换的局部分析与特征提取能力,提出了一种混沌粒子群优化小波支持向量机(CPSO-WSVM)的算法,并应用它构建汇率预测模型.实验结果表明,相比传统的粒子群优化高斯核SVM(PSO-GSVM)的算法,CPSO-WSVM算法大大提高了预测的精度和效率,应用效果好.     

基于微粒群优化算法和支持向量机的软测量建模

在分析基本微粒群优化算法(PSO)和支持向量机(SVM)原理的基础上,采用带有末位淘汰机制的微粒群优化算法优化支持向量机的参数,建立了延迟焦化装置粗汽油干点软测量的微粒群支持向量机模型.该方法利用支持向量机结构风险最小化原则和PSO算法快速全局优化的特点,用于软测量建模.仿真实验表明:所建模型的泛化性能较好,模型具有较高的精度.     

基于KPCA-PSO-RBF-SVM的矿井突水水源识别模型

为对矿井突水水源进行识别以减少矿井突水事故的发生,提出了粒子群(PSO)结合RBF核参数优化的SVM模型,并使用核主成分分析法(KPCA)对选取水源特征指标进行高效降维.根据水源离子敏感性选取了8种水化学指标(K~+、Na~+、Mg~(2+)、Ga~(2+)、HCO_3~-、Cl~-、F~-、SO_4~(2-))作为突水水源识别特征参数.使用基于最大方差关联度准则的核参数选择方法并结合粒子群算法构造参数优化算法,使用参数优选后的支持向量机模型对90组突水水源识别训练数据进行模型训练,用其余32组数据进行测试,模型实测效果与Logistic模型、PCA-Fisher模型以及PSO-SVM模型进行对比,结果表明:采用径向基核函数优化的支持向量机模型能够选取较优参数,模型实测平均准确率为93.75%,误差明显低于其他模型,证明了该模型能精准且高效地识别矿井突水水源.     

基于支持向量机和粒子群算法的励磁系统频域辨识

针对励磁系统参数实测及建模问题,提出了采用支持向量机和粒子群算法进行励磁系统参数频域辨识的方法.先用支持向量机方法来提取特征样本,然后采用粒子群算法和这些少量的特征样本对励磁系统进行参数辨识.用支持向量机筛选出的特征样本一方面可以减少粒子群算法的计算时间,另一方面还可以提高模型的辨识精度.实际算例表明粒子群算法用于频域辨识时实现过程简单,对简单模型和复杂模型都可以得到较好的辨识效果.     

多子种群PSO优化SVM的网络流量预测

针对网络流量的时变性和非平稳性特点,为提高网络流量预测精度,提出一种“多子种群”机制的粒子群算法和支持向量机的网络流量预测模型(Multi-Subpopulation Particle Swarm Opti-mization and Support Vector Machine,MSPSO-SVM).首先支持向量机(Support Vector Machine,SVM)参数编码成粒子位置串,并根据网络训练集的交叉验证误差最小作为参数优化目标,然后通过粒子间信息交流找到最优SVM参数,并引入“多子种群”机制,解决粒子群优化(Particle SwarmOptimization,PSO)算法的早熟停滞缺陷,最后根据最优参数建立网络流量预测模型,并采用实际网络流量数据进行仿真测试.结果表明,相对于其他预测模型,MSPSO-SVM可以获得更优的SVM参数,网络流量预测精度得以提高,更加适用于复杂多变的网络流量预测.     

基于ARIMA与SVM混合模型的连续血压预测

由于血压时间序列数据受到多种因素影响,具有时变性、非线性和非平稳性特征,因此利用单一的时序预测模型难以准确描述血压的复杂变化规律.为了提高模型的预测精度,本文提出一种基于差分自回归移动平均(ARIMA)和支持向量机(SVM)的混合预测模型,并利用粒子群优化(PSO)算法优化SVM模型参数.利用养老院血压历史数据对模型进行验证.实验结果表明,基于ARIMA与SVM的混合模型预测精度高,更能全面描述血压时间序列的变化趋势.     

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.      

基于合成核支持向量机的风力发电机故障诊断

采用合成核函数构造支持向量机模型,运用粒子群优化算法（PSO）对模型参数进行参数寻优,利用UCI数据集的数据进行分类验证.与单核SVM相比,该方法具有更好的分类能力和运算速度.将合成核SVM应用到风机齿轮箱的故障诊断中,取得了良好的效果.     

电动车动力总成噪声品质粒子群-向量机预测模型

为了实现电动车动力总成噪声品质的预测,以某集中驱动式电动车为例,在考虑动力总成辐射噪声品质频域特性和已设立的敏感频带能量比这一客观评价参数的基础上进行了心理声学参数,即响度、尖锐度、粗糙度、抖动度、语音清晰度等与主观评价的相关性分析,由此建立了电动车动力总成噪声品质粒子群支持向量机预测模型,内容涉及采用支持向量机建立噪声品质预测模型、利用粒子群优化算法对向量基惩罚因子及核函数参数进行优化,最后验证了敏感频带能量比评价参数的有效性。研究结果表明:敏感频带能量比与主观评价相关度达到0.946,可以较好地反映主观感受;基于粒子群支持向量机的噪声品质预测模型的平均相对误差和最大相对误差分别为2.0%和6.7%,表明以敏感频带能量比作为输入特征的粒子群优化支持向量机模型,在电动车动力总成噪声品质的预测精度上优于基于遗传算法优化及网格搜索优化的预测模型。     

基于量子激励的粒子群优化的SVM研究

本文提出一种基于量子激励粒子群算法优化支持向量机（SVM）训练参数的新方法。该方法在粒子群优化算法中引入量子论思想,提高了粒子搜索的遍历性,从而避免了陷入局部极值,最终得到SVM的最优参数。仿真实验结果表明,本文提出的基于量子激励的粒子群优化的SVM比传统算法优化的SVM的精度高、收敛速度快。     

基于IPSO的混合核函数SVM参数优化及应用

针对混合核函数支持向量机(SVM)在建模中的重要参数值选择问题,提出利用具有较强全局搜索能力的改进粒子群优化算法,对混合核函数SVM建模过程中的重要参数进行优化调整,给出应用该方法的具体步骤,通过仿真实验验证该算法的有效性.该方法用于谷氨酸发酵过程的建模研究,取得了较高建模精度.