多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 。

基于遗传算法优化支持向量机的航空装备维修费用预测

针对传统航空装备维修费用预测方法难以计算得到满意结果的问题,建立遗传算法优化支持向量机的航空装备维修费用预测模型。将遗传算法与支持向量机相结合,利用遗传算法对支持向量机的参数进行优化,通过实例对GA-SVM模型的应用进行分析对比。结果表明:在航空装备维修费用预测中,该模型比SVR、BP神经网络、偏最小二乘回归以及传统普通多元线性回归方法,具有更高预测精度和泛化能力。

基于聚类和支持向量机的胃癌患者住院费用建模（英文）

针对胃癌患者住院费用分类标签设定的复杂性以及传统费用建模算法的局限性,本文提出了一种基于聚类和支持向量机的住院费用建模算法,为胃癌患者住院费用的控制和预测提供方法基础.搜集整理宁夏某三甲医院2009–2011年间1583例胃癌患者为样本,采用K-means对总住院费用逐年聚类得到分类标签,最后通过支持向量机对住院费用进行建模预测以及影响因素分析,用分类准确率作为预测效果的评价指标.实验结果表明胃癌患者住院费用呈逐年增加趋势,其中以西药费为主,占总费用的53.74%.通过K-Means以年份对费用聚类比单纯以费用分布特征聚类的分类准确率提高了13.13%,当核函数选用高斯核函数,且惩罚因子C=10和核参数γ=1时建立的支持向量机模型最稳定,分类准确率为92.11%.实验结果表明根据年份聚类得到类别标签更合理,结合聚类的SVM来预测住院费用更有效.

支持向量机模型在肺癌病人住院费用影响因素分析中的应用

目的:建立基于支持向量机的单病种住院费用拟合模型,利用模型分析住院费用影响因素及其对住院费用的影响程度。方法:以浙江省某三级甲等医院2010年-2013年间肺癌患者的住院信息为样本,利用SPSS 16.0建立数据库,应用Weka软件建立支持向量机拟合模型,分析住院费用的影响因素。结果:影响住院费用的主要因素依次为住院天数、主诊断疾病、麻醉方式、年龄、费用类别、职业、住院次数。结论:从缩短住院天数、发展全民基本医疗保障制度等方面来控制住院费用。

基于损失函数优化支持向量回归机的专用电力工程费用量化研究

支持向量机(SVM)已经成熟应用于非线性回归领域,并应用于工程费用量化分析。提出一种基于鲁棒支持向量回归机(RSVR)的量化新模型;通过优化支持向量机的损失函数,增加算法的鲁棒性,建立基于该原理的专用电力工程费用量化模型;并对样本数据添加人工噪声,提高样本数据的异常点,测试该模型的鲁棒性;算例分析表明:该文方法预测精度高、计算量小。

支持向量机分类器在医疗诊断中的应用研究

在医疗诊断中 ,常根据病人的多项病理检测结果进行诊断。由于存在个体的差异和数据本身的噪声 ,所以要准确的诊断是困难的。支持向量机是在统计学习理论基础上发展而来的一种新的通用学习方法 ,具有很多独特的优点。该文介绍了支持向量机非线性分类算法 ,选取径向基核函数 ,构造了支持向量机非线性分类器 ,并将其应用于心脏病诊断。所用数据来自UCIbenchmark数据集。与其它方法相比 ,取得了较高的准确率。

军用无人机研制费用的支持向量机预测

应用支持向量机建立了军用无人机研制费用预测模型,并采用该模型对某型军用无人机研制费用进行了预测。实例表明,与常规预测方法的结果相比,在少样本的情况下,建立预测模型具有更高的预测精度。

武器系统费用估算的支持向量机模型优选

针对武器系统费用估算中的诸多问题,提出了采用最小二乘支持向量机方法建立费用估算模型,同时考虑到支持向量机建模过程中正则化参数以及核参数的重要性,提出了一种层次化网格搜索算法,并将其用于支持向量机模型参数的优化中。该算法能根据实际问题所需要的计算精度要求,定义合理的搜索层次和间隔,可以比较方便快捷地得到满足实际需求的计算结果。经过实际计算表明,该方法能够有效地得到模型的优化参数,而且整个优化过程非常清晰,模型泛化性能较好。

基于聚类和支持向量机的胃癌患者住院费用建模研究

目的针对胃癌患者住院费用分类标签设定的复杂性以及传统费用建模方法的局限性,提出了一种基于聚类和支持向量机的建模方法,为胃癌患者住院费用的控制和预测提供方法和基础。方法以宁夏某综合性三甲医院2009—2011年3年间1 583例胃癌患者为样本,采用K-means算法对总住院费用逐年聚类得到分类标签,最后通过支持向量机对住院费用进行建模预测以及影响因素分析,用分类准确率作为预测效果的评价指标。结果胃癌患者住院费用呈逐年增加趋势,其中以西药费为主,占总费用的53.74%。通过K-means算法以年份对费用聚类比单纯以费用分布特征聚类的分类准确率提高了13.13%,当核函数选用高斯核函数,且惩罚因子C=10和核参数g=1时建立的支持向量机模型最稳定,分类准确率为92.11%。治疗结果、是否手术、入院情况、住院天数、年龄、住院次数和婚姻状况是影响住院费用的因素,其中最主要的影响因素为治疗结果和是否手术。结论对住院费用逐年聚类以得到分类标签的方法更加合理,且聚类和支持向量机相结合能有效地用于住院费用建模预测。胃癌患者住院费用的控制关键是要减少药品费的支出以及提高医疗水平,增大医疗费用透明度及完善医疗保障制度等方面。

基于改进支持向量机算法的船舶寿命周期费用研究

船舶寿命周期费用的预估有着强耦合、非线性的特点,论文建立基于改进支持向量机算法的船舶寿命周期费用估算模型,通过研究支持向量机中的RBF函数提高估算精度,并通过均方根误差函数评价估算模型的有效性。结果表明,该改进算法具有更高的预测精度,适用于船舶寿命周期的费用研究。

基于优化支持向量机的物流企业广告费用投入风险预测与防范策略

首先介绍了传统风险预测方法及其弊端,紧接着提出了一个基于粒子群优化算法(PSO)和广义模式搜索(GPS)结合的优化支持向量机(OSVM)模型,并将其运用到物流企业广告费用投入风险预测模型中,经过实验检验了模型的可靠性,实验结果表明,该模型可以有效提高风险预测的精度,在此基础上提出了物流企业科学投入广告费用的对策建议。

基于机器学习的日间手术患者住院费用预测研究

目的 探讨XGBoost、BP神经网络和支持向量机对日间手术患者住院费用的预测价值,选择最优模型,为医院合理优化日间手术医疗资源配置提供科学依据。方法 利用某三甲医院2018年1月—2021年8月日间手术中心患者病案首页共9 064份,通过Excel建立数据库,采用SPSS 21.0软件进行描述性分析。对于日间手术患者住院费用的分析预测,利用Python建立XGBoost、BP神经网络和支持向量机模型,比较评价指标选出最优模型,从而对医院日间手术患者的住院费用作出精准预测。结果 该院患者住院费用的中位数为2 872.11元。XGBoost模型预测住院费用的R方值为0.854,MAPE值为0.209;BP神经网络的R方值为0.837,MAPE值为0.240;支持向量机的R方值为0.730,MAPE值为0.225。综合两个评价指标,XGBoost预测的准确性比BP神经网络和支持向量机更高。结论 XGBoost比BP神经网络和支持向量机在日间手术患者住院费用预测研究中表现更具优势,具有较高的估算精度和可靠性。通过对住院费用的精准预测,可为相关医疗运营管理者提供决策参考,在保证医疗质量的情况下主动控费,从而达到引导医疗行为、提升医院资源使用效率的效果。

基于主成分分析和支持向量机的参数费用模型

在武器系统分析中,建立武器参数费用模型时,首先要挑选特征参数,这里采用主成分分析方法选择武器的特征参数;利用支持向量机建立了参数费用模型。通过实例与线性回归法和神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单。

支持向量机的国产飞机研制费用建模估算

国产飞机研制费用建模因样本容量有限而导致了传统多元统计回归模型的适用性问题。应用支持向量机(SVM)理论进行多维空间小样本建模与估算,以国产运输机研制费为例,基于设计专业分解研制费用样本,采用变量投影重要性指标(VIP)筛选自变量,建立研制费用估算模型,并使用交叉检验与误差概率估计验证模型有效性。该模型方法适用于国产飞机研制费用估算,且可用于飞机改型及改装的经济性定量评估,便于项目早期决策使用。

最小二乘支持向量机在医疗数据分析中的应用

以医疗数据为应用对象,应用网格搜索和交叉验证的方法选择参数,建立最小二乘支持向量机分类器,进行实际验证,并与使用K近邻分类器(K-NN)和C4.5决策树两种方法的结果进行比较。结果表明,LS-SVM分类器取得较高的准确率,表明最小二乘支持向量机在医疗诊断研究中具有很大的应用潜力。

基于K-means聚类与支持向量机的大病患者住院费用影响因素与控制策略研究

目的探寻有效方法分析大病患者住院费用的主要影响因素,为控制住院费用提供合理对策。方法样本选取2016年1月—2017年5月湖北省某市城镇居民基本医疗保险大病患者住院信息,采用K-means聚类和支持向量机进行分析。结果聚类优度检验提示将住院费用分为3类最佳,基于RBF核函数的支持向量机模型的预测准确度最高,住院费用的主要因素为主诊断疾病、住院日、医院级别、医保业务类别和医院类型。结论 K-means聚类与支持向量机模型可作为分析大病患者住院费用的有效方法,为控制住院费用提供策略。

基于多核优选的装备费用支持向量机预测法

针对支持向量机的核函数选择存在盲目性问题,提出多核优选的装备费用支持向量机预测方法。在不同核函数条件下,以提高推广能力拟合精度为目标,结合变步长多层次搜索算法选择最佳参数,确定拟合效果,通过判断选择最佳核函数。实例计算表明,多核优选的支持向量机预测方法精度高,通用性好。

基于属性约简及支持向量机的医疗诊断决策研究

把基于粗集的属性约简方法与支持向量机分类器的基本理论相结合,以提高决策分类的综合性能。将所提方法应用于医疗诊断决策,并对属性约简前后的决策性能进行了比较分析。试验结果表明,利用约简后的数据集,计算复杂性降低,内存需求减少,同时仍能保持较高的决策准确率。

基于集成支持向量机的医疗设备风险评估研究与应用

医疗设备临床使用风险的精确评估是风险预警和防控的基础。本研究将德尔菲法与相关性分析、鉴别力分析相结合,从设备、环境、人因、管理4个方面建立指标体系,提出了基于支持向量机(support vector machine,SVM)的风险评估方法,运用自适应增强算法(adaptive boosting,AdaBoost)进一步提高算法的泛化性能和评估精度,构建医疗设备临床使用风险评估模型。将该模型用于三甲医院ICU在用呼吸机风险因素的综合评估,N折交叉验证模型的适用性,取得了良好的应用效果。

基于支持向量回归机的复杂产品费用估算研究

传统的费用估算算法需要大量的样本数据来保证其估算的准确性,但在实际应用中,由于样本数据的有限性,其准确性无法得到保证,针对这种情况提出使用基于统计学习理论的支持向量回归机(SVR)进行费用估算,并通过具体实例详细阐述基于SVR的费用估算具体步骤,包括数据预处理、基于SVR的训练、估算和后处理过程,通过与神经网络方法相比,实验结果验证了SVR在小样本情况下具有更好的估算精度。最后实现了基于SVR的复杂产品费用估算方法,并集成于复杂产品费用估算系统。