基于SVM-IOA集成的动态风险识别方法技术

基于SVM

Dynamic risk identification method based on svm-ioa integration

【技术实现步骤摘要】
基于SVM
‑
IOA集成的动态风险识别方法


[0001]本专利技术涉及动态风险识别
，特别涉及基于SVM
‑
IOA集成的动态风险识别方法。

技术介绍

[0002]传统的动态风险识别算法效果并不理想，如经典的模式识别算法需依赖于单个变量和预先设定阈值，而阈值的选取直接影响到算法的效率和效果，算法的可移植性较差。神经网络算法虽然具有一定的优势，但仍存在一定的缺陷，如风险识别的动态性效果较差，对训练数据的依赖性较强，且模型的推广能力有限。因此，需寻求动态性能更好、检测率更高且移植性良好的动态风险识别算法。

技术实现思路

[0003]为了克服上述现有技术的不足，本专利技术的目的在于提供基于SVM
‑
IOA集成的动态风险识别方法，具有精确度高、收敛速度快且不易陷入局部最优解等特点。
[0004]为了实现上述目的，本专利技术采用的技术方案是：
[0005]基于SVM
‑
IOA集成的动态风险识别方法，包括以下步骤；
[0006]Step1：初始化实验数据，对动态风险特征数据的选取，并对选取的动态风险特征数据进行归一化和降维处理，即通过对原始数据进行线性变换把数据映射到[0，1]之间，得到用于SVM
‑
IOA训练和测试的样本数据；
[0007]Step2：将支持向量机目标函数Step2：将支持向量机目标函数设置为抗原，SVM及其核函数的参数g，γ作为抗体；
[0008]Step3：初始化SVM
‑
IOA模型参数，运用Step1中的训练样本数据训练模型，通过多次迭代优化的参数，建立基于支持向量机与免疫优化算法(SVM
‑
IOA)集成的动态风险识别模型；
[0009]Step4：运用Step3得到的SVM
‑
IOA集成模型对测试样本集进行识别；
[0010]Step5：根据适应度函数，计算模型的精度，即通过函数计算，若不符合精度要求，重新设定SVM
‑
IOA模型参数，并对参数进行免疫优化操作，产生新的种群数据，并对这些数据进行解码操作，返回Step3，重新训练，直至满足终止条件；若符合精度要求，转入Step6；
[0011]Step6：采用SVM
‑
IOA算法，运用Step1中的训练样本数据训练模型通过多次迭代优化的参数，建立SVM
‑
IOA测试模型，(训练后其核函数的参数g，γ不一样)，并运用该模型对风险事件进行第一次识别，判断出是否为风险事件；(运用SVM
‑
IOA模型进行识别)
[0012]Step7：根据第一次识别结果，重新划分训练集和测试集，再次运用SVM
‑
IOA模型对风险事件进行识别，判断该事件是高风险或低风险。
[0013]本专利技术的有益效果：
[0014]本申请针对当前动态风险识别模型中支持向量机核函数的参数选取对识别模型性能的影响问题，提出了一种基于支持向量机与免疫算法的组合来建立动态风险识别模型的方法，为复杂多变的动态风险识别问题的处理提供更加高效、可靠的决策支持。首先对原始数据进行特征选取及降维处理，然后通过人工免疫算法对支持向量机的惩罚参数和核函数的参数进行择优，建立基于支持向量机与人工免疫集成的动态风险识别模型，最后运用Heart
‑
Disease数据集进行实验，实验结果表明该模型具有很好地识别效果。
附图说明：
[0015]图1是本专利技术流程示意图。
具体实施方式
[0016]下面结合附图和实施例对本专利技术作进一步详细说明。
[0017]表1各免疫算法识别率对比
[0018][0019]从表中各免疫算法的识别率可得出，SVM
‑
IOA和CSA的抗原识别准确率均高达90％以上，其中：SVM
‑
IOA抗原识别准确率为96.21％，SVM
‑
IOA的正向与反向的识别准确率分别为95.82％和96.01％，均高于SNSA、CSA和DCA的识别准确率。可见SVM
‑
IOA的抗原识别效果很好。
[0020]如图1所示：本申请选用径向基(RBF)核函数的支持向量机模型，将RBF核函数的公式带入F(x)超平面函数中。利用免疫优化算法对惩罚参数和径向基核函数的参数进行优选。将如下公式作为适应度函数，其中分类精度是指优选过程中模型对测试集的分类正确率，它反映模型对动态风险问题的分类识别能力，即可用如下公式计算。
[0021][0022]其中，TP(True Positive)表示SVM
‑
IOA模型识别出风险抗原的个数，FP(False Positive)表示SVM
‑
IOA模型未能识别出风险抗原的个数。
[0023]最大进化代数取值为200，一般取值范围为[100，500]，种群最大数量默认为20，一般取值范围为[20，100]，参数c的变化范围默认为[0，100]，参数g的变化范围默认为(0，
1000)，经过免疫优化算法迭代后，得到惩罚参数c，径向基核函数的参数g。免疫优化算法优选后的参数结果如图所示。此时，SVM
‑
IOA模型算法对训练集和测试集的平均分类精度达到了95.5％。
本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SVM
‑
IOA集成的动态风险识别方法，其特征在于，包括以下步骤；Step1：初始化实验数据，对动态风险特征数据的选取，并对选取的动态风险特征数据进行归一化和降维处理，即通过对原始数据进行线性变换把数据映射到[0，1]之间，得到用于SVM
‑
IOA训练和测试的样本数据；Step2：将支持向量机目标函数Step2：将支持向量机目标函数设置为抗原，SVM及其核函数的参数g，γ作为抗体；Step3：初始化SVM
‑
IOA模型参数，运用Step1中的训练样本数据训练模型，通过多次迭代优化的参数，建立基于支持向量机与免疫优化算法(SVM
‑
IOA)集成的动态风险识别模型；Step4：运用Step3得到的SVM
‑

【专利技术属性】
技术研发人员：杨美芳，杨波，
申请(专利权)人：江西财经大学，
类型：发明
国别省市：