基于粒子群协同优化算法的供应链金融信用风险评价模型

针对供应链金融模式下信用风险评价精度受信用特征子集与模型参数影响的问题, 提出一种粒子群协同优化信用风险评价模型. 该模型在充分论证供应链金融风险特征指标体系的基础上, 利用二进制粒子群算法优选特征子集, 并对支持向量机(SVM)参数协同优化. 对供应链金融信用风险评估进行实验, 并与传统径向基支持向量机和主成分分析特征抽取方法对比, 结果表明, 该模型优选的特征子集和SVM参数能显著提高信用风险评价精度.     

基于信息增益优化支持向量机模型的煤矿瓦斯爆炸风险预测

为了探索基于样本数据的煤矿瓦斯爆炸风险预测,依据本质安全理念构建了预测瓦斯爆炸风险的指标集,结合机器学习与特征优化算法提出了信息增益(information gain,IG)与支持向量机(support vector machine,SVM)的组合模型,通过对优化后的14种特征信息的分类学习,完成对风险未知样本的预测任务.以全国100家煤矿企业为研究对象,使用不同模型分别预测瓦斯爆炸风险并全面分析和比较,实验结果表明,经过IG优化后的SVM模型预测正确率达到了95.45％,相对于单一SVM模型提高了9.09％,同时高于其他预测模型,证明了该组合模型在瓦斯爆炸风险预测领域的优越性.     

基于BO-XGBoost与集成学习方法的供应链金融信用评价研究

针对供应链金融领域中小企业融资的信用风险控制问题，提出了一种在Bagging算法框架下结合贝叶斯优化和XGBoost算法的集成学习模型BO-XGBoost-Bagging（BXB）。首先，基于XGBoost特征重要度进行特征筛选，建立供应链金融信用评价指标体系。其次，通过贝叶斯优化获得XGBoost的最优超参数，并结合Bagging算法得到集成模型BXB。最后，在中小企业数据集上进行预测，通过实证研究验证信用评价模型的有效性。实证结果表明，BXB模型相比其他模型具有更好的预测效果，能够更加准确、全面地对中小企业的信用风险进行评估，更好地区分风险企业和正常企业，最大程度减少违约损失，在供应链金融信用评价方面有着较高的应用价值。     

充填钻孔寿命SVM优化预测模型研究

基于充填钻孔是充填料浆从地表输送到井下采场的咽喉工程,是矿山正常运转的保障,对矿山充填钻孔使用寿命进行预测十分重要,建立支持向量机(SVM)回归预测模型,用训练集对模型进行训练,以验证集预测值的均方误差作为适应度函数,通过遗传算法(GA)对SVM模型参数进行优化选择,应用优化得到的SVM模型对预测集进行预测。以某矿为例,通过GA得到SVM模型最优参数:适应值(均方误差)为0.011 1,惩罚系数C为47.076 8,核函数参数σ为2.263 8。采用优化的SVM模型对预测集充填钻孔寿命进行预测,预测结果的最大预测相对误差为8.6%,平均相对误差为5.2%。对比BP神经网络(最大相对误差为13.6%),优化的SVM模型预测结果更加理想,精度更高。     

基于粒子算法和支持向量机的财务危机预警模型

基于特征集的选择、核函数参数的优化对支持向量机(SVM)模型的预测性能有着重要的影响,提出了一个粒子算法-支持向量机(PSO-SVM)模型.该模型采用PSO对特征集和核函数参数同时进行优化,从而提高SVM模型的预测结果.将所提出的PSO-SVM模型应用到财务危机预警中,取得了较佳的预测结果.     

基于机器学习的拉矫延伸率预测模型及数值分析

在冷轧弯曲矫直过程中,针对拉矫机工艺参数设置问题,利用经验公式、有限元仿真建立的延伸率模型预测精度不高.为提高预测精度,基于传统解析模型与机器学习算法进行研究,比较了两种方法预测模型的精度,得到机器学习算法的延伸率预测模型要比数值解析模型的拟合优度高.比较BP神经网络算法和支持向量机(SVM)算法,得到两种机器学习算法的预测模型精度基本一致.为进一步提高预测精度,采用Adam算法对BP神经网络进行优化,采用遗传算法对SVM预测模型的参数进行优化,最终得到最优预测模型的均值绝对百分比误差MAPE以及拟合优度R^○2分别为13.4%和0.953,可以为实际生产提供技术指导.     

若干评价准则对不平衡数据学习影响的研究

评价准则对分类器的构建起着重要作用, 在不平衡数据学习(IDL)中这更是如此. 众多研究已表明, 绝大部分传统的以精度准则为优化目标而获得的分类器是不适于IDL的. 那么其他准则又如何呢? 本文致力于回答这个问题. 通过在支持向量机(SVM)模型上进行“元学习”(Meta-Learning), 我们研究了若干常用的评价准则对IDL的影响, 这些准则包括ACC(精度)、BAC(平衡精度)、 GMean(几何平均)、F1(F1得分)、 IG(信息增益)、AUC(ROC曲线下方图面积)以及本文提出的两个新准则GAF和GBF. 在16个来自UCI的不平衡数据集上进行了仿真实验； 对实验结果的统计分析表明, 不同的准则对分类器性能的影响有显著差异. 即便是对于先进的学习方法SVM而言, 若以精度准则最大化选择分类器, 那么得到的SVM分类器也容易偏向预测多类(majority class). 然而, 通过在其他准则上优化, 我们能输出纠偏了的SVM分类器, 它们的整体性能更高, 尤其是在预测少类(minor class)能力方面得到了显著提高. 进一步地, 仿真实验发现在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能, 这表明它们是值得采用的评价准则.     

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.     

基于引力搜索算法的SVM参数优化及应用

为了提高支持向量机(SVM)模型的拟合精度和泛化能力,以最小化输出量的均方误差为目标,采用基于万有引力定律的优化机制,提出了一种基于引力搜索算法的SVM参数优化方法。通过仿真实验验证,基于引力搜索算法的SVM回归模型不但精度高且泛化能力强。将该方法应用于谷氨酸发酵过程的建模研究,仿真结果表明,该方法可以提高谷氨酸质量浓度的预测精度。     

基于支持向量机的云计算资源负载预测模型

为了准确描述云计算资源负载的动态变化趋势,设计了云计算资源负载预测模型。采用混沌分析算法对云计算资源负载的时间序列进行处理,构建云计算资源负载预测的学习样本。采用支持向量机(SVM)建立云计算资源负载的预测模型,并设计了组合核函数,以提高SVM的学习能力。选择灰色模型、反向传播(BP)神经网络、径向基函数(RBF)神经网络、RBF核函数的支持向量机进行云计算资源负载预测的仿真对比实验。结果表明,对单步云计算资源负载预测时,该文模型的预测精度为94.85%,仅低于灰色模型的95.85%;对多步云计算资源负载预测时,该文模型的预测精度最高,为89.17%。     

基于潜变量SVM的出行方式预测模型

为提高小样本下的出行方式选择模型的预测精度,提出了考虑低碳出行心理变量的支持向量机(SVM)算法.首先基于计划行为理论,考虑低碳出行心理因素,建立多原因多指标潜变量模型.然后将预测后的潜变量带入SVM分类器,构建了带潜变量的SVM选择模型.最后,利用交叉验证优化所建模型参数,并以长三角地区城市居民为研究对象实证检验了模型性能.实证结果表明,所建带潜变量的SVM选择模型具有较好的预测效果,比不带潜变量的SVM选择模型的精度提高了4.54%,比传统的带潜变量的混合选择模型提高了2.56%,同时验证了小样本下模型仍然具有很高的精度.本研究为出行方式选择模型和低碳出行方式选择研究提供了一定的理论参考.     

基于Logistic模型的供应链金融信用风险实证研究

供应链金融这种全新的融资模式,不但解决了商业银行探索发展新模式,开拓新业务的问题,还化解了中小企业融资难问题;在全球信用危机下,金融机构和企业如何能有效地加强供应链金融信用风险的控制;基于Logistic模型,进而对纺织类企业样本进行实证研究,通过实证分析,对供应链金融信用风险进行度量和预测.     

考虑易用性和可解释性的自组织映射-即时学习风险预测框架

为提高风险预测系统的易用性和可解释性,提出基于自组织映射网络(SOM)改进的即时学习(JITL)风险预测框架。首先,应用SOM对数据样本进行聚类,并对聚类特征进行解释。进而,通过基于聚类结果的样本选择算法构建待测数据的相似样本集,在线上调用作为基学习器的支持向量机(SVM)进行建模并输出风险预测结果。最后,采用一个交通事故数据集对风险模型的性能进行测试,检验其精度、易用性和可解释性。结果表明：采用SOM-JITL策略的SVM模型,受试者工作状况曲线面积指标达到0.720,相比不使用该策略的传统SVM模型提高17.5%,精度较高;SOM-JITL模型构建所需参数调节工作少,具有较好的易用性;此外,SOM聚类结果准确识别出处于交通拥堵等高风险场景,与现实场景一致,具有可解释性。综上,SOM-JITL策略能有效提高基学习器的性能,达到精度、可解释性和易用性的平衡,有助于以低成本大规模推广风险预测系统。     

基于MLP神经网络的中小企业供应链金融信用风险评估

供应链金融是中小企业解决融资困境的良好途径,但流程复杂以及信息不对称大幅增加了金融机构识别和防范信用风险的难度,阻碍了供应链金融的发展.因此,构建科学有效的信用风险评估模型具有重要的理论意义和现实价值. MLP作为神经网络的典型代表,计算迅速,容错性能强,在处理分类问题上具有良好的表现.以2014年—2019年深交所中小企业板制造业中符合要求的中小企业为样本,通过全方位初选评估指标,利用相关性分析对指标进行进一步筛选,得到中小企业供应链金融信用风险评估指标体系,接着基于MLP神经网络构建了中小企业供应链金融信用风险评估模型.结果表明:所建立模型的准确率高、稳定性强,是中小企业供应链金融信用风险评估的理想模型.     

基于SVM-LR模型的滑坡易发性评价——以临潼区为例

以临潼区作为研究区,在收集资料的基础上,选取12类影响因素作为评价因子,采用滑坡相对点密度分析滑坡点与评价因子的空间分布关系,通过Spearman对因子相关性进行分析,剔除地形起伏度因子;分别采用支持向量机模型(support vector machine,SVM)与逻辑回归模型(logistic regression,LR)对区内滑坡易发性进行评价,评价结果表明:SVM、LR模型的预测准确率分别为81. 8%、86. 4%。在此基础上,通过建立max{LSI(SVM)、LSI(LR)}函数,提出SVM-LR模型并用于研究区滑坡灾害易发性评价中。最后采用受试者特性曲线(receiver operate curve,ROC)对3种模型的预测精度进行检验与对比,检验结果表明:SVM-LR模型的成功率与预测率均高于SVM、LR模型,在极高易发区—高易发区内,滑坡灾害点所占百分率提高了2. 8%。研究结果可以为滑坡易发性评价提供一种新的思路。     

基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法

为了提高SVM分类精度与泛化能力,故提出一种基于融合Levy飞行策略与自适应变异因子优化QPSO-SVM算法.用量子粒子群算法(quantum particle swarm optimization, QPSO)对SVM进行惩罚因子和核函数参数优化,并针对QPSO算法出现的早熟收敛的问题,采用Levy飞行策略与自适应变异因子对其进行修正.实验仿真结果表明,与其他的智能优化算法相比,所提出的模型具有较高的分类性能和预测精度.     

基于灰色支持向量机的矿山安全事故预测研究

为了提高矿山安全事故预测的可靠性,在灰色预测模型GM(1,1)和支持向量机SVM的基础上,提出了矿山安全事故次数的灰色支持向量机G-SVM的组合预测模型.首先采用GM(1,1)进行数据趋势预测,然后对于残差序列采用支持向量机预测进行捕获,最后将两种模型的结果进行融合,得到组合预测结果.结果表明,组合模型比单一的GM(1,1)模型和SVM模型具有更高的预测精度.     

基于随机漂移粒子群优化的随机森林预测模型及水文应用实例

提出一种基于随机漂移粒子群(RDPSO)算法优化的随机森林(RF)预测方法,利用RDPSO算法优化RF决策树数量和分裂属性个数两个关键参数,构建RDPSO-RF预测模型,并与基于RDPSO算法优化的支持向量机(SVM)、BP神经网络预测模型作对比,以某水文站枯水期1～3月月径流预测为例,利用实例前43年和后10年资料对3种模型进行训练和预测.结果表明,RDPSO-RF模型对实例1～3月月径流训练、预测的平均相对误差绝对值分别为4.28%、3.88%、5.67%和3.74%、4.57%、4.88%,训练、预测精度均优于RDPSO-SVM、RDPSO-BP模型,具较好的预测精度和泛化能力,可为相关预测研究提供参考和借鉴.     

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。     

一种基于改进信息增益特征选择的最大熵模型文本分类方法

针对传统信息增益(IG)特征选择算法忽略词频分布的缺陷,该文提出一种新的IG特征选择算法.该算法通过引入均衡比和类内词频位置参数,解决了传统IG算法忽略词频分布对分类的弱化问题,修正传统类内词频位置参数,提高特征选择算法的文本分类精度,并将该改进IG特征选择算法用于最大熵模型(ME)对文本进行分类.实验结果表明:该文所提方法在进行文本分类时F1值高于传统IG算法.该文方法的ME分类精度高于K最近邻KNN(K-Nearest Neighbor)算法,说明本文方法是可行的、有效的.