基于核主成分的支持矢量机信用评级

本文提出模糊支持矢量机的模糊规则提取方法,针对当前SVM的常见模型参数选择的方法的不足,引入遗传算法的自动模型选择优化方法;考虑到信用评级数据的非线性特征,提出了新的信用评级核主成分(KPCA)的特征提取方法,减少指标间的相关性,提高模型的预测精度;使用上市公司数据进行了实证分析,实验结果证明了该信用评级方法优于神经网络的方法,证明了该方法适用性。

一种基于层次语义图像分类的改进方法

为了解决层次语义图像中分类率低,特别是高层语义图像分类率低的问题,采用两种解决措施。首先引入Fuzzy Support Vector Machine(FSVM)理论,并对FSVM做出改进,消除由Support Vector Machine(SVM)构成的多类分类器中的不可分区域,从而使低层语义图像分类准确率提升,为高层语义分类提供基础。然后再建立底层图像特征与低层语义图像之间的映射关系,对低层语义的图像做高层语义上的关联,最终实现层次化的语义描述结构。实验表明,所提出的方法提高了层次语义图像,特别是高层语义图像分类准确率。