基于μσ-DWC特征和树结构M-SVM的多维时间序列分类

为了实现多维时间序列的分类,提出基于统计量-小波系数(μσ-DWC)的序列特征提取方法和新型树结构多分类支持向量机M-SVM模型.分类算法的实现过程如下:利用该特征提取方法将原始多维时间序列映射到特征空间,获得原始序列的压缩表示,即特征向量;得到训练集的特征向量表示之后,训练和构建树结构M-SVM模型;提取未知序列的特征向量并输入已训练完成的树结构M-SVM模型,得到未知序列的类标号,完成分类.实验结果表明:该算法比传统的分类方法具有更高的分类准确率和预测速度,同时可以保证较理想的训练速度.

基于特征选择的M-SVM中文文本分类

在文本分类领域,中文文本需要经过数据处理,将文档表达成计算机可以理解并处理的信息。本文采用TF-IDF作为文本表示方法,针对中文文章的多分类问题,对传统支持向量机进行改进,提出了一种基于特征选择的多类支持向量机分类方法。在中文文章数据集的对比实验结果表明,本文的方法在多分类性能上较优于其他模式识别方法。

多类支持向量机分类技术及实证

文章创新性地应用多类支持向量机技术,以深圳证券交易所中小企业板块信息技术行业的上市公司为例,分类识别这些中小企业的信用水平差异,并针对综合评价问题,提出相关政策建议。