基于Choquet模糊积分SVM集成的企业信用评估模型

针对Bagging算法下基于模糊积分的SVM集成方法在企业信用评估应用中存在的不足,提出一种基于改进模糊密度-Choquet模糊积分SVM集成的企业信用评估模型。该模型借鉴Boosting算法“注重”错分样本的基本思想,考虑SVM基分类器的总体错分程度,重新定义SVM基分类器的模糊密度,实现对模糊密度的改进;在此基础上,采用Choquet模糊积分作为SVM基分类器的结合方法,从而将基于Choquet模糊积分的SVM集成方法引入到企业信用评估中。实证结果表明,与传统方法相比,该模型的预测准确率更高,第一类错误率和第二类错误率更低;精确率、召回率、F1值和Macro-F1值等分类性能指标也明显占优,说明了该模型的可行性和有效性。

基于集成学习支持向量机的步态识别

提出一种基于Bagging算法和SVM的步态识别方法。首先应用背景差分法分割出运动人体轮廓,然后将人体分为多个可变区域,并通过计算获取特征向量。采用SVM分类器进行分类识别,为了提高SVM的识别率,采用Bagging算法对分类结果进行分类集成,实验结果表明,该算法取得了很好地识别性能。