導航:首頁 > 外匯期貨 > 基於支持向量機的中國股指期貨

基於支持向量機的中國股指期貨

發布時間:2021-08-07 23:45:58

A. 基於SVM(支持向量機)的手寫數字識別,用matlab

樓上怎麼全部列的標題,這樣有什麼參考價值呢?
如果想找資料的話,最好到CNKI上面看看,有很多車牌識別方面的中文文章。
不過這個需要學校購買了許可權才可以下,外網的就很困難了。

B. 求助,基於支持向量機的軸承故障位置分類演算法

樓主google一下case western reserve university bearing data,看看這個數據對你是否有用.

C. 《基於支持向量機的入侵檢測》畢設論文開題報告,幫幫忙

去這里看看:http://www.bylw.net/

D. 基於支持向量機方法的土地退化信息提取

研究區土地具有明顯的侵蝕特徵,基於野外調查,確定為無退化土地類型和三種退化類型:

1)輕度退化類型:土壤質地以砂壤土為主,部分表土被搬運,受地面徑流和片蝕影響,例如種植農作物的黃土窪川壩地和果園地等。

2) 中度退化類型: 土壤質地以壤砂土為主,大部分表土被運移,植被稀疏處主要受細溝侵蝕即線蝕,也受地面徑流和片蝕影響; 植被覆蓋以牧草和灌木林為主,主要為牧草地和灌木覆蓋度較高的山坡。

3) 高度退化類型: 土壤質地以沙土為主,全部表土和部分亞表土或底土被搬移,表面受細溝、沖溝、塌堤等侵蝕影響,主要位於植被覆蓋度低的肋型墚頂,以及植被覆蓋度較低 ( <5%) 的沙土地 ( 圖 3 -6) 。

圖 3 -6 土地退化的不同類型

( 一) 土地退化監測指標體系建立

土地退化的發生和分布與區域氣候、地形、地貌、土壤質地、水文狀況等方面密切相關,因此需要綜合考慮不同因素,結合橫山縣地處農牧交錯地帶的地理特徵,以及植被退化和土壤退化對當地生產、生活和經濟發展的影響,選擇能夠突出反映研究區土地退化特徵並對土地退化影響最大的指標 ( 表 3 -3) 。

表 3 -3 評價因子的選擇

董榮萬等 ( 1998) 提出了植被覆蓋度與土壤侵蝕量的計算模型,具體表達式如下:

退化廢棄地遙感信息提取研究

式中: M 為土壤平均侵蝕量; X 為植被覆蓋度 ( %) 。計算公式為 ,此模型在本研究中被定義為土壤侵蝕指數 ( Soil Erosion Index,SEI) 。

Huete ( 1988) 提出了土壤調整植被指數 ( Soil-Adjusted Vegetation Index,SAVI) ,在高光譜 Hyperion 數據中,它的計算公式如下:

退化廢棄地遙感信息提取研究

式中: ρ 為反射率; L 為調整參數,其作用是消除 ( 或減小) 植被反射率中土壤光學性質以及背景的影響,從而達到增強植被信息的目的。L 值的確定需要較多先驗知識,Huete( 1988) 研究表明當 L 取 0. 5 時,能夠很好地消除 ( 減少) 土壤背景的影響。本研究的 L取 0. 5,進行 SAVI 計算。

為進一步消除土壤背景的影響,突出植被特徵,Qi 等 ( 1994) 提出了改進土壤調整植被指數 ( MSAVI) ,在高光譜 Hyperion 數據當中,計算公式如下:

退化廢棄地遙感信息提取研究

式中: ρ 為各個波段的反射率。

何挺 ( 2003) 在陝西省橫山地區通過測量土樣的水分含量,採用多元統計回歸的方法與高光譜 Hyperion 數據反射率建立反演模型,此模型在本研究中定義為土壤濕度指數( Soil Moisture Index,SMI) ,它的計算公式如下:

退化廢棄地遙感信息提取研究

式中: X 為反射率 ρ 的對數的一階微分,即 X = ( lgρ) '。

上述指標從不同側面綜合反映了土地退化特徵。土壤的理化性質與土壤的化學成分關系密切,土壤有機質含量高,土壤越肥沃,退化程度就越低; 植被覆蓋度高 ( SAVI 和MSAVI 指數大) ,反映抗風蝕和水蝕的能力越強,地表的蒸降比越大,相應表土的土壤濕度越小,土壤旱情越嚴重,水土流失現象越明顯,土地退化程度越高。在此,根據各指標對土地退化特徵的反映情況,參考半乾旱地區 MODIS 數據土地退化監測指標的標准,結合 2000 年全國 1∶ 10 萬土地退化現狀圖以及野外實地調查與采樣,最終確定出不同指標的分級閾值,建立研究區 Hyperion 高光譜數據的土地退化監測指標體系 ( 表 3 -4) 。

表 3 -4 研究區土地退化監測指標體系

( 二) 支持向量機方法與神經網路方法

1. 支持向量機方法

支持向量機方法 ( Support Vector Machines,SVM) 是建立在統計學習理論基礎上的一種新興的學習方法,應用思路充分體現了統計學習理論中關於學習過程一致性和結構風險最小化的思想,它的設計方法是在保持經驗風險固定 ( 甚至為零) 的基礎上最小化其置信范圍 ( 彭望綠等,2002) 。SVM 的核心思想就是把學習樣本非線性映射到高維核空間,在高維核空間創建具有低 VC 維的最優分類超平面,通過綜合考慮經驗風險和置信范圍的大小,根據結構風險最小化原則確定其經驗風險和置信范圍,取其折中,得到風險上界最小的分類函數。

Vapnik 的統計學習理論指出,如果輸出變數和輸入變數之間存在一個未知但是固定的分布,要使其實際輸出和理想輸出之間的偏差最小,則應該遵從結構風險最小化原理。結構風險最小化就是在確定的置信范圍內尋找最小經驗風險。隨著函數復雜度增加,置信范圍會增大,而經驗風險會減小。選擇最小期望風險與置信之和最小的函數子集就可達到期望風險最小,這個函數子集中經驗風險最小的函數即最優函數。

支持向量機方法的設計思想就是通過一個事先選擇的非線性映射將處於低維空間中的向量映射到一個高維的特徵空間中,然後在特徵空間中構建具有較低 VC 維的最優分類超平面。如果用核函數K(Xi,X)代替上面最優超平面中的點積運算,就相當於把樣本從原來所在的空間變換到了一個新的特徵空間中。支持向量機方法避免了傳統的廣義線性分類思路帶來的缺點,即在構建判別函數的時候,不是直接將低維空間中的樣本向量映射到高維的特徵空間中求解,而是先在原空間中對向量做某種比較(例如求點積和某種距離),然後再對其做非線性變換,直接得到高維空間中的內積結果。這樣,大量的實際運算工作是在輸入空間而不是在高維的特徵空間中完成,因此也就避免了所謂的「維數災難」。支持向量機方法的分類函數在形式上類同於一個神經網路,其輸出結果是中間節點的線性組合,而每一個中間節點對應的是輸入向量和一個支持向量的內積運算。

在支持向量機方法的應用中,採用不同的內積核函數,就能夠構造不同類型的非線性分類面的學習機器。常見的內積核函數有三類:多項式核函數、徑向基函數和S型內積核函數。

2.神經網路方法

神經網路方法需要對土地退化指標建立評價分級標准,根據人工神經網路建模原理,以分級標准數據和野外調查GPS定位樣本作為訓練樣本,通過人工神經網路學習與訓練,進行模擬、建模以及土地退化程度的綜合評價。利用人工神經網路進行指標預測可以選擇多種網路模型,一般選擇最常用而且具有函數逼近、模式識別、分類和預測等多功能的BP網路模型。

神經網路系統是由大量處理單元(神經元)相互連接的網路結構,能被用於多源數據的綜合分析,特別是處理沒有特定分布(例如正態分布)、定性的數據,這種模型已經在遙感圖像分類、自然資源分析與預測及特徵提取中得到廣泛應用。前饋型神經網路模型(BP神經網路)是一種常用的模型。

神經元網路結構由輸入層、隱含層和輸出層組成,在前饋型網路模型中,第一隱含層的節點輸入值等於輸入層諸節點輸出值的加權和,對於第一隱含層的一個節點,其網路輸入值μj

退化廢棄地遙感信息提取研究

式中:ωji為兩個節點間的連接權重(從輸入層i到它的下一層);xi為輸入樣本點。第j層上節點的輸入值Oj採用激勵函數計算:

退化廢棄地遙感信息提取研究

式中:θj為閾值或偏倚,它的作用是沿著水平軸變化激勵函數。θ0的作用是修改函數線形。θ0值高將會引起θj緩慢變化。

學習演算法由信息的正向傳播和誤差的反向傳播構成。在正向傳播過程中,輸入信息從輸入層經隱含層處理,並傳向輸出層,每一層神經元隻影響下一層神經元的輸入。如果不能在輸入層得到期望的輸入,則轉入後向傳播過程,將連接權值關於誤差函數的導數沿原來的連接通路返回,通過修改各層的權值以減少網路輸出誤差。

神經網路分辨地物的能力包含在它的權重中,在學習過程中,它們的值被迭代式調整到一種能使神經網路區分感興趣的原型結構,神經網路的向後傳遞演算法能使輸出的所有模型的平方誤差最小化,這是一種迭代漸降式演算法。簡單地說,學習過程就是希望網路找到一組權重和閾值系數,並使這組系數滿足實際輸出值與預期輸出值之間的誤差達到要求的精度。

在遙感影像分析應用中,需先選擇一組訓練樣本和一組測試樣本,每個樣本由像元波段向量和該像元的各個成分光譜的分量組成。輸入層神經元節點值由像元波段向量值指定,輸出層神經元節點值由像元各個成分光譜分量指定,實驗確定學習系數、動量系數、隱含層數和各個隱含層上的神經元節點數,迭代終止由測試樣本精度控制 ( 同時參照訓練樣本的系統誤差) 。

( 三) 土地退化信息提取

在 ENVI 軟體中,將計算出的 6 個指標影像堆棧成一個具有 6 個波段的新影像文件,作為輸入層。依據前面的土地退化監測指標體系,將 6 個指標影像按照分級的閾值進行密度分割,根據不同的退化等級,進行邏輯交集運算 ( 在 ERDAS 軟體中通過空間建模實現) ,確定每種退化等級的交集范圍,從而選取訓練樣本。

在神經網路方法中,選擇隱含層層數為 1,訓練的次數為 1000,RMS 均方根誤差閾值為 0. 08,訓練到 70 多次的時候就已經達到了誤差閾值,說明分解的精度比較高。

在支持向量機模型中,選擇徑向基核函數 ( RBF) ,因為它適合於絕大多數的情況,並且能取得很好的效果,特別在處理具有相似波譜的不同地物類型的問題上,選取 100 為懲罰系數,0 為分類的可能閾值,運用支持向量機方法完成土地退化程度分類圖。最終評價結果如圖 3 -7 和圖 3 -8 所示。

圖 3 -7 神經網路法評價結果

圖 3 -8 支持向量機法評價結果

採用 Kappa 系數和誤差矩陣進行精度的評價,每個類型隨機選取 100 個樣本點,然後根據野外采樣數據和相關影像資料,完成分類精度的評價。精度評價結果見表 3 -5。

表 3 -5 分類精度評價表

比較最終評價結果圖,兩者十分相似。精度評價比較結果表明,支持向量機方法的精度 ( 總體精度0. 93) 略高於神經網路模型的精度 ( 總體精度0. 88) 。通過進一步分析,兩種方法在分析高度退化土地和無退化土地方面有著十分相似的結果,但是中度退化土地和輕度退化土地分類存在一些差異,比如說在神經網路模型中有 32. 48% 的中度退化土地,而在支持向量機方法中則有 38. 34% 的中度退化土地; 在神經網路模型中有 35. 43% 的輕度退化土地,而在支持向量機模型中則只有 29. 21% 的輕度退化土地,說明有可能其中一部分中度退化土地被神經網路法錯分到輕度退化土地當中,導致兩者最終精度存在差別。

分析其根 本 原 因,可 能 與 神 經 網 絡 法 采 用 的 是 一 種 非 線 性 的 優 化 算 法 有 關( Shanmugama et al. ,2006) 。有研究表明,一般情況下,用神經網路模型進行分類,可以得到與傳統方法相同甚至更高的精度,但是事實並非總是如此 ( 曾志遠,2004) 。而支持向量機方法具有以下幾方面的優勢: 一是具有良好的理論基礎,在統計學習理論的指導下,支持向量機方法可以克服其他一些機器學習方法的缺陷,例如神經網路法的 「過學習」問題。二是在結構風險最小化的指導下,使得學習機器具有良好的分類推廣能力,從而使得支持向量機方法在小樣本學習的條件下具有較好的學習分類效果。三是支持向量機方法將復雜的學習問題轉化為高維線性空間中的簡單問題來解決,增強了分類的可靠性和控制能力; 同時,通過引入核函數的思想,使得該方法適合解決特徵維數較高的學習問題; 通過選擇不同的核函數,還能依據不同問題選擇不同解決方法,從而取得最好的效果。四是通過引入不同的優化策略,可以對支持向量機方法的訓練過程進行全局優化,提高機器訓練學習的效率。以上優勢可能正是支持向量機方法能夠獲得更高制圖精度的根本原因。具體來看,研究區中度與輕度退化土地佔的比例較大,達到了 62. 28%,這與野外調查實際情況基本吻合,如果不採取有效的措施加以控制和保護,這兩種退化土地類型都有向高度退化方向惡化的趨勢。

( 四) 小結

1) 運用多指標多角度評價法,通過分析選取土壤侵蝕、植被覆蓋度、土壤理化性質、土壤濕度和地形地貌等不同指標,建立研究區土地退化監測指標體系。

2) 利用支持向量機方法和神經網路法對研究區土地退化情況進行評價,結果顯示支持向量機方法的精度要略高於神經網路方法,分析根本原因可能是與神經網路法本身採用的非線性的優化演算法有關。另外,支持向量機方法有著許多優勢,其中一點就是可以克服神經網路法中的 「過學習」問題。

E. 基於支持向量機的回歸特徵消除方法 是怎樣一個過程

通過對特徵使用現有的支持向量機訓練出一個最優模型,針對最優模型,對它的特徵權重排序,取前多個特徵,遞歸的進行此操作,直至特徵數目到達預定值

F. 支持向量機的基本思想是什麼

將數據進行分類是機器學習中的一項常見任務。 假設某些給定的數據點各自屬於兩個類之一,而目標是確定新數據點將在哪個類中。對於支持向量機來說,數據點被視為P維向量,而我們想知道是否可以用(p-1)維超平面來分開這些點。這就是所謂的線性分類器。

可能有許多超平面可以把數據分類。最佳超平面的一個合理選擇是以最大間隔把兩個類分開的超平面。因此,要選擇能夠讓到每邊最近的數據點的距離最大化的超平面。如果存在這樣的超平面,則稱為最大間隔超平面,而其定義的線性分類器被稱為最大間隔分類器,或者叫做最佳穩定性感知器。

除了進行線性分類之外,SVM還可以使用所謂的核技巧有效地進行非線性分類,將其輸入隱式映射到高維特徵空間中。

當數據未被標記時,不能進行監督式學習,需要用非監督式學習,它會嘗試找出數據到簇的自然聚類,並將新數據映射到這些已形成的簇。將支持向量機改進的聚類演算法被稱為支持向量聚類,當數據未被標記或者僅一些數據被標記時,支持向量聚類經常在工業應用中用作分類步驟的預處理。

應用

1、用於文本和超文本的分類,在歸納和直推方法中都可以顯著減少所需要的有類標的樣本數。

2、用於圖像分類。實驗結果顯示:在經過三到四輪相關反饋之後,比起傳統的查詢優化方案,支持向量機能夠獲取明顯更高的搜索准確度。這同樣也適用於圖像分割系統,比如使用Vapnik所建議的使用特權方法的修改版本SVM的那些圖像分割系統。

3、用於手寫字體識別。

4、用於醫學中分類蛋白質,超過90%的化合物能夠被正確分類。基於支持向量機權重的置換測試已被建議作為一種機制,用於解釋的支持向量機模型。支持向量機權重也被用來解釋過去的SVM模型。

為識別模型用於進行預測的特徵而對支持向量機模型做出事後解釋是在生物科學中具有特殊意義的相對較新的研究領域。

G. 基於支持向量機的多分類演算法有哪些

作為一種新興的機器學習方法,基於統計學習理論的支持向量機,最初是用來解決二類分類問題的。對於實際中主要遇到的多類分類問題,目前常用的兩大類改進推廣方法為"分解—重組"法和"直接求解"法。

H. 通過matlab編寫的基於先驗知識行人分割程序,不需要通過支持向量機訓練的那種

f(isset($_POST['submit'])&&$_POST['submit']=='提交'){
3 //判斷是否是提交過來的
4 $intext = $_POST['intext'];
5 if($intext!=null||$intext!=''){
6 $link = mysql_connect("localhost", "root", "123456");
7 //資料庫配置信息 第一個參數資料庫位置第二個是用戶名第三個是密碼
8 mysql_select_db("szn_test");
9 //設置要使用的資料庫
10 $sql = "select * from demo where res = '".$intext."'";

閱讀全文

與基於支持向量機的中國股指期貨相關的資料

熱點內容
我國債券期貨推出 瀏覽:392
95金融貸款是什麼公司 瀏覽:710
太保車險返傭金 瀏覽:586
撫順銀行撫盈系列是不是理財 瀏覽:988
聚氯乙烯君正集團 瀏覽:79
東北證券席位號 瀏覽:421
平安銀行理財崗位 瀏覽:910
公司理財的目標是什麼 瀏覽:473
銀行賬戶理財是什麼意思 瀏覽:727
怎麼開通帳戶貴金屬業務 瀏覽:71
融資固定年限 瀏覽:6
理財通的四個貨幣基金 瀏覽:740
上海銀行接收外匯 瀏覽:997
仁智股份後市怎麼走 瀏覽:726
上市公司子公司創業板上市 瀏覽:276
香港海外匯款要手續費 瀏覽:558
天馬股份介紹 瀏覽:114
張凡股票 瀏覽:527
黃金交易所的英文縮寫 瀏覽:844
濟源鋼鐵是上市公司 瀏覽:965