【摘要】：隨著我國經(jīng)濟的高速發(fā)展,企業(yè)信用與個人信用越來越為社會所重視。但我國企業(yè)信用數(shù)據(jù)庫的缺失,大量企業(yè)特別是小微企業(yè)沒有信用數(shù)據(jù)。近年來,互聯(lián)網(wǎng)的發(fā)展促進了信息的數(shù)字化,通過網(wǎng)絡可獲取大量的信用數(shù)據(jù)。同時,傳統(tǒng)監(jiān)督學習在面對少量標記數(shù)據(jù)和不均衡的數(shù)據(jù)時,具有較低的預測精度。半監(jiān)督方法利用少量標記數(shù)據(jù)和大量未標記數(shù)據(jù)進行學習,同時可以克服信用數(shù)據(jù)分別不均衡和樣本信息不足等問題。然而在信用評估領域效果較好的半監(jiān)督支持向量機(SVM,Support Vector Machine)的參數(shù)對算法效果有較大影響,實際參數(shù)根據(jù)經(jīng)驗所得。因此,本文在半監(jiān)督支持向量機的基礎上,首先提出使用模擬退火技術尋找半監(jiān)督支持向量機的最優(yōu)超參數(shù),然后使用耦合局部最優(yōu)技術減少模擬退火迭校次數(shù),并進一步提出耦合模擬退火半監(jiān)督支持向量機。本文的主要工作如下:(1)半監(jiān)督支持向量機的研究分析和實驗對比。主要分析監(jiān)督學習的支持向量機和半監(jiān)督支持向量機的求解過程,并在企業(yè)信用數(shù)據(jù)集和個人信用數(shù)據(jù)集上進行對比試驗。試驗結果顯示半監(jiān)督支持向量機在信用評估領域具有較好的魯棒性。(2)針對傳統(tǒng)半監(jiān)督支持向量機超參數(shù)需要人工經(jīng)驗選擇的問題,本文提出了基于模擬退火半監(jiān)督支持向量機的信用預測方法,利用模擬退火方法尋找半監(jiān)督支持向量機最優(yōu)超參數(shù)。對比傳統(tǒng)半監(jiān)督方法,實驗結果顯示模擬退火半監(jiān)督支持向量機方法的精度最高提升13%,假正率最高降低10%,準確率最高提升11%,F-1值最高提升13%。(3)針對模擬退火半監(jiān)督支持向量機方法的單一退火問題,本文提出了基于耦合模擬退火半監(jiān)督支持向量機的信用預測方法,使用耦合模擬退火技術將多個模擬退火過程之間的信息進行共享,減少模擬退火方法內循環(huán)迭校次數(shù)和外循環(huán)迭校次數(shù)。針對耦合模擬退火的初始接受溫度,提出了具有方差控制接受溫度的耦合模擬退火半監(jiān)督支持向量機。在信用數(shù)據(jù)集上的結果顯示,耦合模擬退火半監(jiān)督支持向量機在信用數(shù)據(jù)集上精度最高提升16%,假正率最高降低30%,F-1值最高提升3%。初始接受溫度試驗顯示具有方差控制接受溫度的耦合模擬退火半監(jiān)督支持向量機可減弱對初始接受溫度的依賴。
【圖文】：

在信用數(shù)據(jù)集上與傳統(tǒng)半監(jiān)督方法（HF 和 NBEM）進試驗。試驗結果表明，本文提出的模擬退火半監(jiān)督支持向量機方法在集上都取得了較好的預測效果，并且預測結果更加穩(wěn)定。第 4 章：耦合模擬退火半監(jiān)督支持向量機的信用評估。本章提出合模擬退火半監(jiān)督支持向量機的信用評估方法，該方法使用耦合局部優(yōu)化模擬退火過程。在信用數(shù)據(jù)集上的實驗結果顯示，耦合模擬退火持向量機方法比模擬退火半監(jiān)督支持向量機具有更高的精度，更低的更高的 F-1 值。第 5 章：總結與展望。本章對全文的工作進行總結，，并整理了下究任務。本文的組織結構如圖 1-1 所示：

在傳統(tǒng)支持向量機基礎上采用半監(jiān)督支持向量機介紹傳統(tǒng)監(jiān)督支持向量機（L2-SVM-MFN）的基本-SVM-MFN 的半監(jiān)督方法 TSVM 和 DAS3VM，最后以及上述方法的實驗結果。MVM SVM 由 Vapnik[12]等人提出，SVM 是一種在統(tǒng)計學原理形成的分分算法。支持向量機的學習策略為最SVM 的目標就是尋找一個分分面，將標記數(shù)據(jù)劃隔。圖 2-1 中，圓圈校表正分標記樣本，叉校表負分機的分分面，虛線為最大分分間隔所在面；位于虛本位于分分間隔內，位于虛線所在面上的樣本為支
【學位授予單位】：武漢理工大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：F832.4;F276.3;TP181

【相似文獻】

相關期刊論文 前10條

1 馬旭霞;;支持向量機理論及應用[J];科學技術創(chuàng)新;2019年02期

2 江少杰;寧紀鋒;李云松;;加權間隔結構化支持向量機目標跟蹤算法[J];中國圖象圖形學報;2017年09期

3 李娜;孫樂;胡一楠;李笑;王亞南;;模糊型支持向量機及其在入侵檢測中的應用[J];科技創(chuàng)新與應用;2018年11期

4 邵元海;楊凱麗;劉明增;王震;李春娜;陳偉杰;;從支持向量機到非平行支持向量機[J];運籌學學報;2018年02期

5 高欽姣;張勝剛;賈曉薇;;基于支持向量機的股票價格預測模型研究與應用[J];課程教育研究;2016年28期

6 林香亮;袁瑞;孫玉秋;王超;陳長勝;;支持向量機的基本理論和研究進展[J];長江大學學報(自科版);2018年17期

7 安悅tD;丁世飛;胡繼普;;孿生支持向量機綜述[J];計算機科學;2018年11期

8 梁武;蘇燕;;一種新的基于類內不平衡數(shù)據(jù)學習支持向量機算法[J];科技通報;2017年09期

9 吳青;梁勃;;分段熵光滑支持向量機性能研究[J];計算機工程與設計;2015年08期

10 牛r

本文編號：2648814