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.

为实现对超磁致伸缩超声换能器输出振幅的准确预测,由换能器的等效电路推导得到输出振幅模型,并通过阻抗分析辨识出模型中的等效参数。为提高模型的准确性,研究了激励信号的频率和电压幅值对机电转换系数的影响。通过实验建立机电转换系数与激励频率的关系曲线,插值得到不同频率激励下换能器的机电转换系数,由振幅模型得到换能器输出振幅与激励电流幅值的关系曲线。结果表明:基于阻抗分析结果建立的振幅模型能够较准确地预测换能器在谐振状态下的输出振幅,验证了振幅模型的正确性。基于插值法得到的振幅-电流幅值曲线与实验结果一致,验证了所

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.

【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。

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-

为了提高财务困境预测的正确率,减少模型的训练样本数和训练时间,在传统支持向量机(SVM)预测模型的基础上,将遗传算法、信息熵和缩减记忆算法应用于最小二乘支持向量机(LS-SVM),提出了一种基于遗传算法和信息熵的缩减记忆式最小二乘支持向量机预测模型。并独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进模型的实现步骤。实验结果表明,该模型无论是预测正确率,还是训练样本的数量和训练时间,都显著优于最小二乘支持向量机以及传统支持向量机模型。

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。

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。

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。

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。

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。

大数据反映了人们的生活习惯、社会规律以及自然规律.数据流作为大数据最重要的表现形式之一,应用的范围非常广泛.在实际的数据流应用领域中,连续数据点组成的波段在宏观层次上展示了丰富的语义,因此以模式(波段)为粒度来表达数据流显得尤为重要.为此基于SP-tree挖掘的可伸缩模式,提出了Pattern2vec的方法,将可伸缩模式向量化,利用向量来发现数据流上潜在的隐含语义,完成分类工作.在医疗和电力数据开展实验,实验结果表明,Pattern2vec相比其他对比方法,具有更好的分类表现.

为准确对乳腺肿瘤进行分类诊断,减轻病患痛楚,提出基于邻域粗糙集与遗传算法修正的LS-SVM解析模型的乳腺肿瘤分类诊断模型。文章对1569例乳腺癌患者数据在邻域粗糙集约简基础上,建立LS-SVM解析模型,利用遗传算法对LS-SVM解析模型参数修正并将修正后的模型对乳腺肿瘤进行分类诊断,与现有的方法对比发现,组合模型精确度高于LS-SVM、神经网络等模型。基于邻域粗糙集与修正LS-SVM解析模型的乳腺肿瘤分类诊断模型具有较好的临床诊断价值,其应用为乳腺肿瘤的诊断提供了一种新思路。