本文介绍了几种常用的支持向量机多类分类方法,分析了其存在的问题及缺点。在有向无环图支持向量(DAG-SVMS)多类分类方法的基础上,提出了一种新的多类分类方法。该方法采用了最小超球体类包含作为层次分类依据。试验结果表明,采用该方法进行多类分类,跟已有的分类方法相比有更高的分类精度。

异常检测作为一种智能化的数据管控手段，在网络入侵检测、欺诈识别和故障检测等场景中都扮演着重要角色。大数据时代下，数据来源众多，给多源数据集的异常检测建模分析带来了较大挑战。本文将惩罚整合分析的思想应用到异常检测中，通过对不同数据集的模型系数差异进行惩罚，提出了基于多源数据的整合单类SVM异常检测方法。该方法可以同时对多源数据进行异常检测并自动将相似数据集聚为一类，可以大幅减少模型待估参数个数并降低后期维护成本。模拟实验表明，本文提出的方法不仅能准确将数据集聚类，而且模型预测效果优于合并数据集建模和每个数据集单独建模。该方法在某银行网站日志异常检测中也有较好的表现。

【目的】为更精确地识别网民态度,监测网络舆情,提出一种基于SVM多特征融合的情感5级分类方法。【方法】从词性特征、情感特征、句式特征、语义特征4个方面,提取动词、名词、情感词、否定词等14个特征,运用SVM方法对微博情感进行5级分类。【结果】实验结果表明,该方法对情感5级分类的准确率为82.40%,召回率为81.91%,F值为82.10%。【局限】训练语料的规模有待进一步提高。【结论】该方法在情感5级分类方面取得较好的效果。

为了对不平衡的库存物料进行精准化的分类，提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化，建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理，以得到平衡的物料训练集，并结合SVM将库存物料分为四类。以D公司库存物料数据为例，采用多种算法进行分类对比，引入网格搜索法确定最优参数，留一法交叉验证得到算法分类精度，所提算法总分类准确率达到了97.81%，四类物料分类准确率均在90%以上。

随着中国利率市场化改革的进行,基准利率的选择变得越来越重要。本文旨在借助一种新的计量模型DAG来确定我国目前短期利率中的关键利率。本文主要选取了六种非常活跃的、具有非常好的流动性的短期利率进行研究。最终得到的因果关系图显示隔夜Shibor、7天Shibor和隔夜同业拆借利率在货币市场中都起到了基础性作用,但这三者之间不存在因果关系,也就是说不存在唯一的利率可以直接地或间接地影响其他所有利率而充当基准利率的角色。

将 SVM理论与预警理论相结合 ,提出了一个基于 SVM的宏观经济预警系统 ,并应用于我国棉花产量增长率的预警。与已有预警系统比较 ,该预警系统在预警概化能力上有着明显的优势

基金风格是指基金为了适应投资者不同的风险管理需求,在基金招募书中说明并在实际运作中遵循的投资策略。但基金在运作过程中是否会表现出与宣称风格的背离?如何从基金的实际数据去判断它的风格?如何把市场上的基金按照实际风格进行分类?这些都是投资者在信息不对称的市场中所面临的问题。本文提出一种解决上述问题的分类方法,具有利用信息全面,操作过程简便的优点,可以为不同风险偏好的投资者选择适合的基金风格提供一定的参考。该方法首先基于两个方面选取基金的指标:一是基金的投资对象;二是基金的投资理念。接着对选取指标的样本数据进行因子分析和聚类分析,最后对分类结果作Sharp回归以分析结果。本文运用该方法对中国的基金数...

In this paper, a new method based on LS-SVM (Least Squares Support Vector Machines) is presented to deal with credit assessment in commercial banks for solving the problem of inadequate samples of the financial data,which usually happended in most banks in China.On the basis of SLT(Statistical Learning Theory),this approach with methodology of SRM (Structural Risk Minimization)will overcome the shortcomings of traditional credit assessment models,such as over fitting and local optimization,and,by using kernel functions in model,it will effectively solve the problems of linear inseparability and selecting parameters of model.The approach has some good properties including a generalization ability and global optimization in terms of sample processing.It is a new way for the credit assessment on the condition of small samples from bank data.The feasibility,effectiveness and practicability of presented approach was verified by experiments.

SVM是一种新的分类工具,可是其核函数在数学上必须满足Mercer条件,使得具有良好全局分类性能的Sigmoid函数在SVM中应用受到限制。本文将Sigmoid核函数与云模型相结合,提出一种简单的核函数的实现方法。此方法不仅提高了SVM文本分类能力,而且明显地减少了平均的CPU执行时间。

文章讨论了基于分类的SVM非线性回归算法及其在时间序列预测中的应用。与传统SVM回归算法相比,本算法有更强的不敏感性和健壮性、参数值可设定性并可避免过拟合现象。文中提出了一种计算预测模型初始参数值的方法,可以高效地找到较好的模型参数,并通过实验对方法的有效性和可行性进行了验证。

随着数据挖掘技术在现实问题中的广泛应用,多标签学习现已成为数据挖掘技术中的一个研究热点.组合分类器链(ECC)算法是一种性能较好的多标签分类方法,其分类效果好、准确度高,但该算法的时空复杂度较高,不能适应大规模多标签数据分类任务.为此提出了一种基于Spark的组合分类器链多标签分类方法,将串行组合分类器链算法的各步骤进行了并行化实现.通过单机实验和集群并行化实验,证明该方法对大规模多标签数据集具有良好的适应能力和加速比,且分类效果不输于传统的串行多标签分类方法.

传统的备件分类方法存在主观性强，补偿性差的问题，且在分类完成后缺少持续更新的能力。本文首先考虑备件的经济、供给和重要性三个方面建立了备件分类指标体系，并结合否定规则改进聚类算法，解决多指标的补偿性问题。其次，提出一种改进粒子群优化BP神经网络的备件分类模型，对新入库备件分类有持续更新能力。最后，结合S公司的备件数据，利用改进的算法对备件进行分类和更新。结果表明所提出的改进聚类算法更符合实际需求，且所提出的BP神经网络平均准确率为96.77%，优于其他传统的算法，可为企业的备件分类管理提供有力的支持。

近年来,人工神经网络因其强大的并行处理能力,任意函数逼近能力及自学习、自组织、自适应等特点而在许多领域得到广泛应用。但是,神经网络这种依

手术时间估计是进行科学手术排程的前提和依据,为了能够准确地估计手术时间从而为手术排程提供有效信息,采用交叉验证(CV)方法优化支持向量机(SVM)参数,构建基于交叉验证的支持向量机模型对手术时间进行估计。为了验证模型的性能,将CV-SVM模型与径向基(RBF)神经网络模型相对比,通过某医院眼科角膜移植手术时间估计进行实例验证。结果表明,相比RBF模型,基于CV-SVM模型的手术时间估计结果平均绝对百分误差在11%以内,相对误差在23%以内,验证了模型的有效性,为手术时间估计提供了一种有效的方法。

本文对先有预测工具比较分析的基础上,提出了基于支持向量机的股市预测方法,并建立了数学模型对新疆众和进行了实证研究。结果表明,支持向量机比神经网络有更好的学习和泛化能力,在股市预测中取得了较好的效果。