基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型及其在信用分类中的应用

信用分类是信用风险管理中一个重要环节,其主要目的是根据信用申请客户提供的资料从申请客户中区分出可信客户和违约客户,以便为信用决策者提供决策依据.为了正确区分不同的信用客户,特别是违约客户,结合核主元分析和支持向量机算法构造基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型对信用数据进行了分类处理.在基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型中,首先对样本数据进行预处理,然后利用核主元分析以非线性方式降低数据的维数,最后利用带可变惩罚因子最小二乘模糊支持向量机模型对降维后数据进行分类分析.为了验证,选择两个公开的信用数据集来进行实证分析.实证结果表明:基于核主元分析的带可变惩罚因子最小二乘模糊支持向量机模型取得了较好的分类结果,可为信用决策者提供重要的决策参考依据.

改进最小二乘支持向量机算法及其在故障诊断中的应用

针对人为因素对故障诊断的干扰,提出了一种基于二叉树结构的遗传算法改进可变惩罚因子的最小二乘支持向量分类机(BTGAVPF-LSSVCM)故障诊断方法。首先为减少支持向量机惩罚因子选取受研究人员经验的影响,建立可变惩罚因子的支持向量分类机(VPF-SVCM),并证明了算法的对偶问题;其次,针对支持向量机不易求解的问题,利用最小二乘法求解VPF-SVM,提出VPF-LSSVCM算法,并推导其计算公式;然后,利用遗传算法搜索VPFLSSVCM核参数,提出GAVPF-LSSVCM算法;最后,根据故障诊断实际问题,构建二叉树结构的GAVPF-LSSVCM算法。通过数值仿真实验结果表明,相比支持向量机穷举法,所提出的BTGAVPF-LSSVCM算法诊断精度提高了近14.3%。