支持向量机在企业财务预警中的应用研究
支持向量机(Support Vector Machines,简称SVM)是在统计学习理论基础上发展起来的一种新型的机器学习方法，通过采用结构风险最小化原则，SVM较好的解决了有限样本学习的问题。它拥有众多的优良特性，如利用核函数避免解的局部最小、具有解的稀疏性、通过界限的作用达到容量控制或支持向量数目的控制等等，在解决有限样本、非线性及高维模式识别问题中表现出许多特有的优势。学术界普遍认为它是继神经网络之后的一个新的研究方向。
本文首先对支持向量机的理论基础进行了研究和探讨，并对SVM这一更具构造性的机器学习方法的研究现状以及主要改进算法做了综述和比较说明；针对支持向量机目前存在的主要问题进行了分析。对于针对具体问题所使用的算法、核函数和参数选择也做了相应的研究。进而将主成分分析fPrincipal ComponentAnalysis，简称PCA)和支持向量机(SVM)结合，提出一种分行业、适用有限样本空间的财务预警模型：以传统财务指标为基础，通过主成分分析，简化输入向量，并利用SVM作为判别企业状态的工具。
本文利用SVM提取优秀企业各比率之间的内在相关知识，在小样本量、高维数、强噪声、非线性的数据条件下，通过对企业财务数据的分析处理，得到对企业状态的准确预测，作为评判企业状态的依据，克服了以往在区分企业状态方法上线性判别的局限性，也克服了有限样本条件下BP网络推广能力不强的缺陷。
支持向量机;企业财务预警系统;统计学习理论;主成分分析;神经网络
中国海洋大学
硕士
通信与信息系统
丁香乾
2006
中文
TP183;F275
50
2007-08-07（万方平台首次上网日期，不代表论文的发表时间）