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.

构建并优化小微企业信用评估技术已经成为商业银行开展小微业务必然选择。基于小微企业内在特征，设计以小微企业现金流信息为违约触发机制的小微企业信用评估指标体系，构建最小二乘支持向量机模型（ＬＳＳＶＭ），运用某国有控股银行的小微企业贷款微观数据证实该模型能够相对提高预测精确度和稳定性。应用ＬＳＳＶＭ构建的小微企业信用评估指标体系以及评估模型有助于提升银行对小微企业的了解程度和小微业务风险管理能力，减轻信息不对称，在一定程度能够化解供给型信贷配给导致的小微企业融资难问题。

构建并优化小微企业信用评估技术已经成为商业银行开展小微业务必然选择。基于小微企业内在特征，设计以小微企业现金流信息为违约触发机制的小微企业信用评估指标体系，构建最小二乘支持向量机模型（ＬＳＳＶＭ），运用某国有控股银行的小微企业贷款微观数据证实该模型能够相对提高预测精确度和稳定性。应用ＬＳＳＶＭ构建的小微企业信用评估指标体系以及评估模型有助于提升银行对小微企业的了解程度和小微业务风险管理能力，减轻信息不对称，在一定程度能够化解供给型信贷配给导致的小微企业融资难问题。

受到季节性、外部冲击和经济周期等因素作用的景区客流波动幅度大,其预测一直是旅游学研究中的难题,尤其是中长期预测。文章采用当前使用极为广泛的最小二乘支持向量机方法(least squares support vector machines,LS-SVM)对黄山风景区客流月度数据(1987年1月～2010年12月)进行了2年时间尺度的预测,结果表明:采用LS-SVM方法进行景区客流中期预测,其预测的各项性能指标均明显优于BP神经网络(Back Propagation Neural Network)、X-12-

文章针对最小二乘支持向量机的特点,通过Bootstrap建立适当的性能指标,用模拟退火算法(SA)优化最小二乘支持向量机的有关参数,并在非线性经济系统中应用。用最小二乘支持向量机对非线性经济系统进行预测的结果与神经网络预测的结果比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的。

针对超磁致伸缩材料(GMM)的强非线性特征,提出了一种新的超磁致伸缩驱动器(GMA)实验系统及其数据驱动建模方法.实验中的测量数据取自光栅传感器,采用数据驱动原理,基于最小二乘支持向量机(LS-SVM)实现了GMA的非线性建模.对模型性能进行了实验评估,预测了GMM棒的动态特性,并讨论了驱动电压对输出特性的影响.实验结果显示,该模型能较好地预测GMA的制动输出,预测误差在0.05%以内.

文章介绍了最小二乘支持向量机及遗传算法的原理,利用遗传算法优化参数后的最小二乘支持向量机建立四川省天然气消费量的时间序列预测模型。并利用两个性能指标将其与BP神经网络模型进行了对比,结果表明,在样本有限保证一定精度的情况下,遗传算法优化参数后的最小二乘支持向量机模型的范化能力较强,能够利用该模型对四川省天然气消费量进行预测,并在最后利用该模型预测2007~2009年四川省天然气消费量。

统计学里的预测问题主要是通过对已知数据的分析,找到输入输出数据内在的相互依赖关系,从而获得对未知数据的预测能力。文章采用遗传算法对模型参数进行优化,构建了基于LS-SVM的经济发展水平预测模型;并对湖北省经济发展水平进行了预测。预测结果表明:相对于BP神经网络预测模型,LS-SVM预测模型有更好的学习能力和预测能力。

指出利用图像识别的技术对配送货物的编号进行识别是一种有效的方法,它不仅实现简单,而且成本较低,是一种能够实现RFID功能的低成本方法,并将最小二乘支撑向量机(Least Square Support Vector Machine,LSSVM)用于货物的编号自动识别。通过实验验证了其有效性。

【目的】在底部具有木质样本热源的圆柱形封闭腔内,基于最小二乘支持向量机(LS-SVM)建立自然对流引起的温度场预测模型,研究采暖木质地板蓄热后的温度场分布规律,为后续反演采暖木质地板的蓄热特性提供数据基础。【方法】首先,给出圆柱形封闭腔物理模型的边界条件和木质样本初始温度,根据流体力学定律建立热场传热的质量、动量和能量守恒方程,并用计算流体力学(CFD)软件进行求解。其次,对CFD求解的数据进行归一化处理,并根据木质样本初始温度将归一化后的数据分成训练集和验证集2部分,其中训练集5 481个温度,验证集8组,每组609个温度;利用训练集对LS-SVM模型进行训练,采用果蝇优化算法对模型的核函数参数σ和正则化参数γ进行寻优,得到σ和γ的最优参数组合为[1.0×10~(10),0.06]。最后,应用优化好的模型分别对每个验证集上的温度值进行预测,并与BP神经网络方法的预测结果进行比较。【结果】LS-SVM对不同样本温度场预测的最大拟合度为0.998 9,最小为0.996 8;平均相对误差、最大相对误差和均方误差最大值分别为0.25%、2.6%和0.31%,最小值分别为0.054%、0.84%和0.12%;最长建模时间为12.93 s,最短为12.72 s。与之相比,BP神经网络预测的最大拟合度为0.999 7,最小为0.998 3;平均相对误差、最大相对误差和均方误差最大值分别为0.47%、5.43%和0.63%,最小值分别为0.21%、2.08%和0.33%;最长建模时间为107.15 s,最短为106.23 s。LS-SVM对不同样本温度场预测的拟合误差比BP神经网络方法的预测结果要小一些,拟合度与BP神经网络方法相近,建模和预测需要的时间明显少于BP神经网络。【结论】采用LS-SVM对采暖木质地板的蓄热温度场建模是可行的,该方法适合对小样本建模,泛化性较好,对在试验条件下利用有限数据来对温度场建模和预测具有明显优势,可为后续开展采暖木质地板蓄热机制的反演工作提供指导。

以短期融资券为研究对象,构建基于信用利差的公司违约概率样本,并将传统正定核最小二乘支持向量机(LS-SVM)模型拓展到不定核LS-SVM模型对公司违约概率展开合理预测分析,进而对不定核LS-SVM模型与正定核LS-SVM模型以及Logistic模型进行了全行业以及分行业公司违约概率的预测精度对比。实证结果表明,基于不定核LS-SVM模型的公司违约概率预测模型无论在全行业还是在分行业中均展现出最优的预测性能,且具有更为优异的稳健性。

天然气消费量的预测对于四川省这样的一个天然气资源大省有着非常重要的意义。影响天然气消费量的因素很多,并且影响机制比较复杂,传统的线形预测模型必然会存在较大误差。文章在考虑影响四川省天然气消费量众多影响因素的基础上,选择出比较有代表性的自变量体系,利用主成分分析方法对自变量体系进行降维及去噪,并将生成的主成分作为四川省天然气消费量预测模型的自变量体系,采用最小二乘支持向量机(LS-SVM)建立非线形预测模型。结果表明,该模型性能明显强于其它预测模型,具有一定的应用价值。

为监测刀具的磨损状态,该文建立了一个基于声发射的刀具磨损状态监测系统。在刀具磨损状态监测实验中,采集加工过程中的声发射信号,提取方根幅值、绝对值均值、均方根、最大值作为反映刀具磨损的时域特征值。针对人工神经网络容易陷入局部极小值、结构难以确定、学习收敛速度慢等缺点,提出最小二乘支持向量机(least square support vector machine,LS-SVM)的刀具磨损状态识别方法。针对LS-SVM性能依赖于惩罚因子和核参数,利用粒子群优化(particle swarm optimizati

支持向量机是一种新型的学习方法,该方法以结构风险最小化原则取代传统机器学习中的经验风险最小化原则,在小样本的机器学习中显示出了优异的性能。文章提出适当的验证性能指标用遗传算法优化最小二乘支持向量机的有关参数,并进行时间序列预测。通过对混沌时间序列的预测及和神经网络预测的比较证明,该模型的预测精确度是令人满意的,文中提出的方法是可行的。

旅游客流量是决定旅游业经济效益持续发展的重要因素,游客流量预测也因此成为旅游发展规划的重要内容。文章基于最小二乘支持向量机(LS-SVM)算法,建立了一种新的旅游人数预测模型,对甘肃省2007年的国际旅游客流量进行预测,并将其结果与神经网络模型预测结果相比较。结果表明,基于LS-SVM的游客预测模型能较准确对旅游人数进行预测,并且避免了如神经网络由于陷入局部最优而过学习的问题,从而为客流量预测提供一种新思路与方法。