结构化最大间隔双支持向量机在股票预测中的应用

股票价格受政策、宏观经济以及公司经营状况等多方因素的影响,且各因素之间存在较高的相关性,因此股票数据存在的高噪声、非平稳等特性使得股票预测充满困难。为了减少数据中存在的噪声对股价预测准确性的影响,基于马氏距离的类间隔可分性,提出了结构化最大间隔双支持向量机,其分别针对正类样本和负类样本,寻找两个非平行的超平面,使每一类样本离本类样本的欧式距离尽可能小,同时离异类超平面的马氏距离尽可能大。8组基准数据集的实验结果表明,该方法在含噪声数据的分类问题上具有稳定的准确率,从而提升了模型的预测性能和抗噪能力。同时将其应用到股票涨跌趋势预测中,通过对上证综指、上证A指、上证380指数以及中国平安等14只股票实证分析的结果表明,相较于其他对比模型,结构化最大间隔双支持向量机表现出了较好的预测结果,具有一定的实用价值。

基于最小二乘孪生支持向量机的不确定数据学习算法

孪生支持向量机通过计算2个二次规划问题,得到2个不平行的超平面,用于解决二分类问题。然而在实际的应用中,数据通常包含不确定信息,这将会对构建模型带来困难。对此,提出了一种用于求解带有不确定数据的最小二乘孪生支持向量机模型。首先,对于每个实例,该方法都分配一个噪声向量来构建噪声信息。其次,将噪声向量结合到最小二乘孪生支持向量机,并在训练阶段得到优化。最后,采用一个2步循环迭代的启发式框架求解得到分类器和更新噪声向量。实验表明,跟其他对比方法比较,本方法采用噪声向量对不确定信息进行建模,并将孪生支持向量机的二次规划问题转化为线性方程,具有更好的分类精度和更高的训练效率。

基于特征加权混合隶属度的模糊孪生支持向量机

模糊孪生支持向量机(FTSVM)忽略了不同特征间的差异,导致核函数或距离的计算无法准确反映样本间的相似性,使FTSVM在处理含有大量不相关或弱相关特征的高维数据分类时,难以达到良好分类效果;且隶属度的设计未有效区分离群点或噪声。针对以上问题,提出了一种基于特征加权混合隶属度的FM-FTSVM。首先计算每个特征的信息增益,并依据信息增益值的大小为特征赋予权重,降低不相关或弱相关特征的作用,使其能更好地应用于高维数据分类;然后,为每一类样本构造一个最小包围球计算基于紧密度的特征加权隶属度,并结合基于距离的特征加权隶属度得到特征加权混合隶属度,综合考虑样本点到类中心的特征加权欧式距离和样本间的紧密程度,可更好识别离群点或噪声数据;最后,融合特征加权核函数,降低不相关特征对核函数或距离计算产生的影响。与对比算法在人工数据集、高维数据集和UCI数据集上进行比较,发现本文提出的方法在区分离群点、噪声和有效样本上有明显优势,且在高维数据集上可获得更好分类效果。

基于混合孪生支持向量机的径流区间预测

径流具有非线性和随机性特征,单一点预测模型难以精确刻画和描述径流演化过程。为此,提出了一种可有效量化径流波动范围的智能区间预测方法。首先采用自适应噪声完备集合经验模态分解将非线性径流序列划分为若干子序列,并采用样本熵方法重构得到修正序列;其次以孪生支持向量机为基础,分别对复杂度较高的子序列构建区间预测模型、复杂度较低的子序列建立点预测模型,同时采用鲸鱼优化方法寻求满意的模型参数组合;最后将各子模型的预测结果叠加得到最终的预测区间。结果表明:所提方法具有良好的稳健性和可靠性,在点预测、区间预测等不同场景、不同预见期的性能指标均优于对比模型;如预见期为3 d时,对于黄河流域唐乃亥水文站,所得预测区间具有较高的可靠度与清晰度,其预测区间覆盖率PICP值为98.30%,预测区间平均宽度PINAW值为0.0792,可靠度、清晰度分别平均提高了9.47%和32.66%。研究成果可为智能化径流预测提供行之有效的方法。

鲁棒的模糊最小二乘双参数间隔支持向量机算法

针对最小二乘双参数间隔支持向量机(LSTPMSVM)对噪声敏感且在分类过程中易受异常值影响的问题,提出了一种鲁棒的模糊最小二乘双参数间隔支持向量机算法(RFLSTPMSVM).该算法利用松弛变量的2范数使得优化问题具有强凸性,再根据隶属度为每个样本分配相应的权重,有效降低异常值带来的影响.同时,在目标函数中引入K-近邻加权,考虑样本之间的局部信息,提高模型的分类准确率.此外,通过求解简单的线性方程组来优化该算法,而不是求解二次规划问题,使模型具有较快的计算速度.在UCI(university of California irvine)数据集上对该算法进行性能评估,并与TWSVM、LSTSVM、LSTPMSVM和ULSTPMSVM 4种算法进行比较.数值实验结果表明,该算法具有更好的泛化性能.

增量式稀疏密度加权孪生支持向量回归机

密度加权孪生支持向量回归机(DWTSVR)是一种能够反映数据内在分布的回归算法,具有预测精度高和鲁棒性强等优点,然而其并不适用于训练样本以增量形式提供的场景。针对该问题,提出一种增量式稀疏密度加权孪生支持向量回归机(ISDWTSVR)。首先,辨别新增数据是否为异常样本,并赋予有效样本适当的权重,减小异常样本对模型泛化性能的影响;其次,结合矩阵降维与主成分分析思想筛选出原始核矩阵中的一组特征列向量基代替原特征,实现核矩阵列稀疏化,以获得稀疏解;接着,借助牛顿迭代法和增量学习策略对上一时刻的模型信息进行调整,实现模型的增量更新,同时结合矩阵求逆引理避免增量更新过程中直接求解逆矩阵,进一步加快训练速度;最后,在UCI基准数据集上进行仿真实验,并与现有代表性算法进行比较。实验结果表明,ISDWTSVR继承了DWTSVR的泛化性能,在大规模数据集Bike-Sharing上,新增一个样本模型更新平均CPU时间为5.13 s,较DWTSVR缩短了97.94%,有效地解决了模型必须从头开始重新训练的问题,适用于大规模数据集的在线学习。

近邻密度辅助模糊优化孪生支持向量机的钢板表面缺陷分类

为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

基于双谱奇异值和最优参数支持向量机的目标识别算法

提出了基于双谱奇异值和最优参数支持向量机的目标识别算法。首先从目标距离像的双谱中提取双谱奇异值特征;然后通过实验的方法确定支持向量机参数取值的范围,利用遗传算法获取支持向量机的最优参数;最后应用最优参数支持向量机对3种地面坦克目标进行识别。仿真实验表明,即使在较低的信噪比下该算法仍然可以取得比较高的识别率。

双目标函数支持向量机在情感分析中的应用

针对单目标函数支持向量机在情感分析中应用的不足,采取两种双目标函数支持向量机NPSVM和TWSVM进行情感分类应用研究.实验表明双目标函数支持向量机在应用于情感分析中,其精度和稳定性具有明显优势.

基于双目标优化遗传算法和支持向量机的旋转机械退化状态识别

退化特征提取是机械健康状态监测的重要组成部分,伴随旋转机械长时间连续运转,退化特征出现性能波动甚至下降,给退化特征提取和选择造成了困难。首先利用一个特征映射算法库对振动信号提取特征,并基于Kolmogorov-Smirnov(KS)检验和Benjamini-Yekutieli过程对原始特征集进行过滤,然后利用双目标优化遗传算法(Bi-objective Optimization Genetic Algorithm, BOGA)结合支持向量机分类器(Support Vector Classifier, SVC),在有监督的环境下搜索出最佳特征子集,其中BOGA设置了SVC分类精确度和特征子集维数两个目标函数,前者进行最大化,后者进行最小化。通过在液压泵退化状态数据集上进行实验和在凯斯西楚大学轴承数据集与FRESH;CAa、ReliefF、JMIM三种方法进行对比,验证了该方法在退化状态识别上的较好性能。

加权光滑CHKS孪生支持向量机

针对光滑孪生支持向量机(smooth twin support vector machines,简称STWSVM)采用的Sigmoid光滑函数逼近精度低和STWSVM对异常点敏感的问题,引入一种性能更好的光滑函数——CHKS函数,提出了光滑CHKS孪生支持向量机模型(smooth CHKS twin support vector machines,简称SCTWSVM).在此基础上,根据样本点的位置为每个训练样本赋予不同的重要性,以降低异常点对非平行超平面的影响,提出了加权光滑CHKS孪生支持向量机(weighted smooth CHKS twin support vector machines,简称WSCTWSVM).不仅从理论上证明了SCTWSVM具有严凸性和任意阶光滑的性能,而且在数据集上的实验结果表明,相对于STWSVM,SCTWSVM可以在更短的时间内获得更高的分类精度,同时验证了WSCTWSVM的有效性和可行性.

基于正则化投影孪生支持向量机的电力系统暂态稳定评估

提出一种基于正则化投影孪生支持向量机的暂态稳定评估方法。将基于传统支持向量机进行暂态稳定评估的高维二项式优化问题转化为两个低维二项式优化问题,并在投影孪生支持向量机的目标函数中引入正则项来改善评估稳定性。首先,构建由系统特征和投影能量函数特征组成的初始样本集,通过特征选择对初始特征进行压缩,获取可有效表征暂态稳定性的最优特征集。然后,基于正则化投影孪生支持向量机的思想将暂态稳定状态分成稳定类与不稳定类,寻找各稳定状态的最佳投影坐标轴,使稳定类投影到稳定类投影超平面上后尽可能地聚成簇,而不稳定类投影到稳定类投影超平面上后尽可能远离稳定类聚成的簇,降低暂态稳定评估的计算时间,同时借助遗传算法进行参数选择以提高准确率。最后,通过IEEE-145和南方电网算例的仿真分析,验证了所提方法的有效性和准确性。

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI(University of California Irvine)机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持向量机多类分类算法在训练时间上具有绝对的优势,尤其在处理稍大数据集的多类分类问题时,这一优势尤为突出;实验仿真结果还证明,在采用非线性核时,该算法取得了比基于经典支持向量机的一对其余多类分类算法及二叉树支持向量机更好的分类效果;同时该算法还解决了后两种算法可能存在的样本不平衡问题,以及基于经典支持向量机的一对其余多类分类算法可能存在的不可分区域问题.

基于支持向量机与数值法的W火焰锅炉多目标燃烧优化及火焰重建

对一台300 MW机组W火焰锅炉进行研究,采用最小二乘支持向量机,建立了炉内燃烧温度、污染物生成以及飞灰含碳预测模型;并进一步结合遗传算法,建立了运行优化模型,实现了燃烧过程炉内火焰形貌的重建。研究结果表明所建燃烧预测模型能较准确地预测煤粉的燃尽程度、NOx排放,炉内火焰的形态、火焰中心位置以及火焰的温度水平。优化目标不同,得到的运行条件有显著差别。随负荷的不同,针对不同优化目标得到的运行参数的差别也不相同。以燃尽为优化目标得到的优化运行工况炉内火焰温度高于以控制NOx为优化目标的炉内火焰温度。

一种改进的最小二乘孪生支持向量机分类算法

提出了一种新的模式分类器,即广泛权重的最小二乘孪生支持向量机.该支持向量机在正、负两类样本上广泛地增加权重,很好地抑制了交叉噪声样本对数据分类的影响.其次,根据间隔最大化原理,该支持向量机在目标函数上增加了一个正规化项,实现结构风险最小化和避免在求解该目标函数时可能对病态矩阵求逆的处理.同时,提出了利用一种指数函数计算训练样本的密度来获得样本权重值的算法.该算法能够有效缩减计算权重的时间,且具有较强的鲁棒性.实验证明本文提出的广泛权重的最小二乘孪生支持向量机能够实现高精度和高效率的分类效果,而且特别适合于含有交叉噪声样本的数据集分类.

基于水平集和支持向量机的图像声呐目标识别

为了能实现水下遇险目标的精确定位,首先要对声呐所获取的图像进行目标识别。利用水平集法获得水下声呐图像中目标轮廓后,提取目标轮廓的7个不变矩作为特征矢量,并将获取的不变矩特征输入到已经训练好的支持向量机中进行识别,从而得到识别结果。所使用的识别方法综合了基于水平集提取轮廓的长处,不变矩的位移、尺度、旋转不变性的特点和支持向量机在小样本、非线性模式识别中的独特优势。实验结果表明:该方法对高分辨率图像声呐具有较高的识别率和较低的误判率,对原始声呐图像的目标识别率高达99%,对加入方差为0.09的高斯噪声的声呐图像的目标识别率可以达到97%。

基于遗传算法的多目标最小二乘支持向量机在近红外多组分定量分析中的应用

近红外(NIR)定量分析通常涉及多个组分,采用遗传算法和自适应建模策略,建立了能够对多组分同时定量的多目标最小二乘支持向量机(LS-SVM),并将其应用于玉米中四个组分和连翘中两个活性成分的NIR分析。结果表明多目标遗传算法配合自适应建模策略可保证优化收敛于全局最优解。所建玉米多目标LS-SVM模型明显优于PLS1和PLS2模型;连翘多目标LS-SVM模型与PLS模型均可取得较好的校正和预测效果。两组数据中,径向基神经网络(RBFNN)模型均出现过拟合现象。多目标LS-SVM和单目标LS-SVM性能相近,但多目标LS-SVM建模运行一次即可得到结果,在NIR多组分定量分析中具有潜在应用优势。

应用支持向量机分类的多角度目标识别技术

综合应用图像的不变矩特征和支持向量机分类方法,提出了一种对于红外图像中多角度目标的识别方法。首先通过目标分割算法求得红外图像中目标的轮廓图像,然后从轮廓图像的Hu矩、Zernike矩和Fourier-Mellin矩中选取适当阶次的矩特征组成目标在特定视角范围内的不变性特征向量;对目标的视角范围进行适当划分以解决多角度引起的目标样本多样性,并在每个划分的视角范围内分别应用支持向量机的方法进行多目标分类。测试结果表明,本文提出的方法较好地实现了红外图像中多角度目标的识别问题,是一种有效的自动目标识别算法。

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。