基于改进LSSVR的电子商务信用风险评估

由于电子商务具备诸多新型的产业特征,而现有的风险识别工具关注传统行业的产业发展,无法有效地评估电子商务这一新兴产业的风险情况。为防备电子商务企业可能出现的信用风险,提出了一个基于支持向量机的LSSVR风险识别模型,并采用我国18家上市电子商务企业的数据进行了实证分析。结果表明,该方法具备较强的实践价值和风险预测能力,相较于传统LSSVR方法计算速度更快,所需参数更少,能够提升电子商务信用风险的评价效率。

基于网络搜索数据的GDP组合预测研究

网络搜索数据(Web Search Data, WSD)是研究宏观经济现象的重要微观信息依据。从需求、供给与政策环境等方面选取和筛选关键词来合成网络搜索指数,采用金枪鱼群(Tuna Swarm Optimization, TSO)算法优化的最小二乘支持向量回归(Least Squares Support Vector Regression, LSSVR)模型,对GDP进行预测。结果表明,网络搜索指数与GDP具有强相关性,合成的网络搜索指数能较好地反映GDP的波动走势;网络搜索数据的加入使得预测结果呈现出强时效性,预测效果及预测精度都取决于对最优模型的选择,引入参数智能优化算法可提高模型的预测性能。提出的TSO-LSSVR&WSD模型充分利用网络搜索数据及组合预测优势,提高了GDP的预测精度和时效性,可应用于宏观经济指标预测中。

基于传感器信号融合和PSO-LSSVR的刀具磨损预测研究

最小二乘支持向量回归模型能有效地构建特征与刀具实时磨损间映射关系,但受限于自身参数的复杂性,无法获得最优模型性能,同时由于单个传感器的局限性,难以全面反映刀具磨损的多维信息。为进一步提升刀具磨损预测精度,提出一种基于多传感器信号融合并利用粒子群算法优化参数的最小二乘支持向量回归模型的刀具预测方法。通过对采集的传感器信号进行小波降噪,提取可用于反映刀具磨损的多域特征,并通过核主成分分析法对多域特征进行降维融合,采用经过粒子群算法优化参数的最小二乘支持向量回归模型构建融合后特征与刀具磨损的映射关系。通过公开数据集进行的实验,表明该模型具有较高的预测精度,验证了所提出预测方法的有效性。

T型管液压成形加载路径自适应多目标优化

为解决静态代理模型非线性结构优化效率、精度低的问题,采用最小二乘支持向量回归机(LSSVR)模型进行T型管液压成形加载路径自适应多目标优化研究.用一个数值算例说明本文方法的有效性,以管与背压冲头的接触面积最大及管的最大减薄率最小为优化目标,以接触面积大于对标仿真值、最大减薄率小于实验值、高度大于实验值为约束条件进行多目标优化设计.采用拉丁超立方体设计构造初始支持向量回归模型,用自适应法将每次迭代中获得的额外取样点添加到重建的支持向量回归机模型,得到帕累托最优解集.用理想点法,选择一个最优妥协解以供工程师选用.在成形高度没有变差的情况下,自适应多目标优化结果的管与被压冲头接触面积比实验值提高了32.42%,最小厚度比实验值增加了14.97%.表明自适应迭代LSSVR模型能够在少量样本下保证优化设计精度和计算效率.