楊 波，楊美芳

(江西財(cái)經(jīng)大學(xué) 信息管理學(xué)院 信息系，江西 南昌 330000)

0 引 言

隨著科技與信息的發(fā)展，經(jīng)濟(jì)全球化的不斷深入，企業(yè)間關(guān)聯(lián)越發(fā)緊密，客戶需求的復(fù)雜多變以及競爭的加劇，使企業(yè)面臨不確定因素增加，“互聯(lián)網(wǎng)+”時(shí)代的到來，技術(shù)需求的提高以及互聯(lián)網(wǎng)環(huán)境的多變，更加劇了這種不確定性，使企業(yè)動(dòng)態(tài)風(fēng)險(xiǎn)進(jìn)一步加大，若不能及時(shí)處理,可能導(dǎo)致企業(yè)日常經(jīng)營活動(dòng)無法正常開展,甚至產(chǎn)生嚴(yán)重的后果[1]。動(dòng)態(tài)風(fēng)險(xiǎn)識別模型的核心思想是指通過已知的風(fēng)險(xiǎn)要素特征準(zhǔn)確識別可能存在的風(fēng)險(xiǎn)[2],并確定風(fēng)險(xiǎn)等級,減少超高風(fēng)險(xiǎn)帶來的經(jīng)濟(jì)損失,提高風(fēng)險(xiǎn)管理效率[3]。現(xiàn)有對動(dòng)態(tài)風(fēng)險(xiǎn)識別的算法大致可分為經(jīng)驗(yàn)統(tǒng)計(jì)特征算法、模式識別算法、機(jī)器學(xué)習(xí)算法、遺傳進(jìn)化算法和神經(jīng)網(wǎng)絡(luò)算法等[4]。傳統(tǒng)的動(dòng)態(tài)風(fēng)險(xiǎn)識別算法效果并不理想[5],如經(jīng)典的模式識別算法需依賴于單個(gè)變量和預(yù)先設(shè)定閾值,而閾值的選取直接影響到算法的效率和效果,算法的可移植性較差[6]。神經(jīng)網(wǎng)絡(luò)算法雖然在風(fēng)險(xiǎn)識別方面具有一定的優(yōu)勢,但仍存在一些不足,如風(fēng)險(xiǎn)識別的動(dòng)態(tài)性效果較差,對模型訓(xùn)練參數(shù)的依賴性較強(qiáng),且模型的擴(kuò)展能力有限[7]。因此,需尋求動(dòng)態(tài)性能更好、檢測率更高且移植性良好的動(dòng)態(tài)風(fēng)險(xiǎn)識別算法。

支持向量機(jī)(support vector machine，SVM)是Corinna Cortes和Vapnik等于1995年首先提出的，是機(jī)器學(xué)習(xí)中最流行的非線性分類預(yù)測模型[8]。該模型是一種基于統(tǒng)計(jì)學(xué)習(xí)的結(jié)構(gòu)風(fēng)險(xiǎn)最小化理論與VC維理論的普適模式識別模型[9]。它在解決高維、小樣本及非線性模式識別問題中具有其他模型無法比擬的優(yōu)勢，且對于領(lǐng)域文本的復(fù)雜多變性不敏感,可以很好地進(jìn)行模型訓(xùn)練與參數(shù)選取并具備良好的實(shí)踐與擴(kuò)展能力[10-11]。目前，支持向量機(jī)模型已成功應(yīng)用于模式識別、數(shù)據(jù)分類和機(jī)器翻譯等領(lǐng)域[12]。SVM的關(guān)鍵在于核函數(shù)技術(shù)的成功應(yīng)用,進(jìn)一步推動(dòng)了支持向量機(jī)處理多維數(shù)據(jù)識別問題的研究[13-14]。支持向量機(jī)模型的選取是通過調(diào)節(jié)核函數(shù)的參數(shù)與懲罰因子來提高模型的識別性能,降低識別的錯(cuò)誤率,因此SVM模型中參數(shù)的選取直接影響其識別性能[15]。目前,支持向量機(jī)參數(shù)選取缺乏理論與實(shí)踐的指引,大多數(shù)核函數(shù)的參數(shù)選取僅僅依賴于先驗(yàn)知識[16]。

人工免疫優(yōu)化算法是一種有效的全局函數(shù)優(yōu)化算法[17]。人工免疫優(yōu)化算法模擬生物免疫系統(tǒng)自然選擇過程中發(fā)生的繁殖、交叉、變異和優(yōu)選現(xiàn)象,在每次迭代過程中都保留一組候選解,并按某種標(biāo)準(zhǔn)從解群中選取更優(yōu)的個(gè)體,利用免疫優(yōu)化算子對個(gè)體進(jìn)行組合,產(chǎn)生新的子代候選解,重復(fù)此過程,直到滿足預(yù)先設(shè)定的收斂標(biāo)準(zhǔn)為止[18]。因此，該文首先將SVM的參數(shù)選取過程類比為函數(shù)最優(yōu)化求解過程,然后通過IOA算法來求解目標(biāo)函數(shù)的最優(yōu)值,最后找到核函數(shù)參數(shù)和懲罰因子C的最優(yōu)值。在此基礎(chǔ)上，選取Heart-Disease數(shù)據(jù)集對SVM-IOA集成的動(dòng)態(tài)風(fēng)險(xiǎn)識別模型進(jìn)行仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,該模型能夠選取出較好的核函數(shù)參數(shù),同時(shí)在進(jìn)行動(dòng)態(tài)風(fēng)險(xiǎn)識別模擬實(shí)驗(yàn)中表現(xiàn)出較好的識別效果。

1 方法概述

1.1 支持向量機(jī)方法

支持向量機(jī)(support vector machine， SVM)主要是針對高維、小樣本與非線數(shù)據(jù)樣本情境，分析學(xué)習(xí)與訓(xùn)練已知的樣本數(shù)據(jù)尋求問題的全局最優(yōu)解，而不只是樣本數(shù)據(jù)趨近于無窮大時(shí)的局部最優(yōu)解。SVM算法的基本思想是選擇一個(gè)非線性變換的核函數(shù)ψ(x)，將N維輸入的樣本特征向量

k為訓(xùn)練樣本的個(gè)數(shù)，從原空間映射到高維特征空間F，并在該高維特征空間構(gòu)造最優(yōu)線性回歸函數(shù)：

F(x)=aψ(x)+b

(1)

其中，a為權(quán)值向量，b為偏差。一方面，SVM就是尋求一個(gè)平面aψ(x)+b=0，使得訓(xùn)練數(shù)據(jù)點(diǎn)距離分類平面盡可能遠(yuǎn)。根據(jù)結(jié)構(gòu)風(fēng)險(xiǎn)最小化原則，參數(shù)a和b可通過最小化G函數(shù)確定。

(2)

其中，Gsv為控制經(jīng)驗(yàn)誤差函數(shù)，‖a‖2為控制模型分類能力，C為控制對錯(cuò)分樣本懲罰的程度。另一方面，SVM通過核空間理論與方法，并運(yùn)用非線性函數(shù)將原始特征空間映射到更高維的希爾伯特空間，從而將分類問題轉(zhuǎn)化到低維空間中線性可分問題。不同的核函數(shù)ψ(x)可以構(gòu)造不同類型的非線性分類平面學(xué)習(xí)機(jī)，從而產(chǎn)生不同的支持向量識別模型。目前，支持向量機(jī)常用的核函數(shù)及其參數(shù)如表1所示。

表1 支持向量機(jī)常用的核函數(shù)及其參數(shù)

針對支持向量機(jī)核函數(shù)參數(shù)的選取，國內(nèi)外學(xué)者提出了大量方法。通常使用的方法是對核函數(shù)的參數(shù)進(jìn)行隨機(jī)組合，然后進(jìn)行全局搜索，最后確定識別率最高的參數(shù)組合[19]。這些方法雖然簡單，但是精確度不高，而且搜索過程非常耗時(shí)，效率低下[20]。也有學(xué)者提出基于梯度的核函數(shù)參數(shù)選取方法，雖然可以有效地進(jìn)行參數(shù)選擇，但對核函數(shù)的求導(dǎo)較困難，通用性較差。而人工免疫算法是借鑒生物免疫系統(tǒng)中自然選擇與免疫應(yīng)答過程的高度并行與自適應(yīng)的全局優(yōu)化算法。因此，該文運(yùn)用免疫優(yōu)化算法來解決支持向量機(jī)核函數(shù)參數(shù)選取的問題。

1.2 免疫優(yōu)化算法(Immune Optimization Algorithm)

人工免疫算法是借鑒自然界中生物免疫系統(tǒng)的理論與方法，并結(jié)合工程或社會(huì)領(lǐng)域應(yīng)用而人工模擬的一種計(jì)算模型[21]。它模仿生物的免疫識別與應(yīng)答過程，具備較好的全局搜索能力和記憶功能[22]。免疫算法是在生物免疫系統(tǒng)的基礎(chǔ)上，保留遺傳算法優(yōu)良特性的前提下，通過利用待求解問題的特征抑制其優(yōu)化過程而形成的一種新型智能搜索算法[23]，其基本要素和流程可描述如下：

IA(S,Rs,Ab,Ag,Aff,Sim,M,IM,Sp,Tc)

(3)

其中，S為搜索空間，Rs為抗體與抗原的表示空間，Ab為抗體空間集合，Ag為抗原空間集合，Aff為親和力函數(shù)，Sim為相似度函數(shù)，M為記憶庫更新機(jī)制，IM為免疫方法，Sp為選擇百分比，Tc為終止條件。

人工免疫算法解決問題各步驟的對應(yīng)關(guān)系為(以解決動(dòng)態(tài)風(fēng)險(xiǎn)識別問題為例)：抗原對應(yīng)待識別的動(dòng)態(tài)風(fēng)險(xiǎn)；抗體對應(yīng)動(dòng)態(tài)風(fēng)險(xiǎn)識別器；抗原與抗體的親和力對應(yīng)動(dòng)態(tài)風(fēng)險(xiǎn)識別器性能的評估值；記憶細(xì)胞對應(yīng)保留下的動(dòng)態(tài)風(fēng)險(xiǎn)識別器；抗體促進(jìn)對應(yīng)動(dòng)態(tài)風(fēng)險(xiǎn)識別器的促進(jìn)，抗體的抑制對應(yīng)動(dòng)態(tài)風(fēng)險(xiǎn)識別器的刪除；優(yōu)秀抗體的生成對應(yīng)較優(yōu)的動(dòng)態(tài)風(fēng)險(xiǎn)識別器的產(chǎn)生。人工免疫算法分為以下幾個(gè)步驟：

(1)進(jìn)行抗原識別，即理解待優(yōu)化的動(dòng)態(tài)風(fēng)險(xiǎn)識別問題，對問題進(jìn)行可行性分析，提取已知的動(dòng)態(tài)風(fēng)險(xiǎn)識別案例庫，并建立合適的親和度函數(shù)，同時(shí)設(shè)置動(dòng)態(tài)風(fēng)險(xiǎn)識別問題的規(guī)則與約束。

(2)隨機(jī)生成初始抗體群(即初始的動(dòng)態(tài)風(fēng)險(xiǎn)識別器)。具體地，通過編碼將動(dòng)態(tài)風(fēng)險(xiǎn)識別問題的可行解表示成解空間中的識別器，在解空間內(nèi)隨機(jī)生成一個(gè)初始種群。

(3)計(jì)算所有種群的親和度。

(4)判斷是否滿足算法預(yù)先設(shè)定的終止條件：如果滿足條件，則終止算法尋優(yōu)過程，輸出計(jì)算結(jié)果；否則，繼續(xù)尋優(yōu)運(yùn)算。

(5)計(jì)算抗體濃度和激活度。

(6)進(jìn)行免疫應(yīng)答過程的處理，包括免疫選擇、克隆、變異和克隆抑制。免疫選擇是指根據(jù)種群中抗體的親和度和濃度計(jì)算結(jié)果選擇優(yōu)質(zhì)抗體，使其活化。克隆是指對活化的抗體進(jìn)行復(fù)制，增加樣本的多樣性。變異是指對克隆得到的抗體進(jìn)行突變操作，使其發(fā)生親和度變化。克隆抑制是指對變異結(jié)果進(jìn)行再選擇，抑制親和度低的抗體，保留親和度高的變異結(jié)果。

(7)種群刷新，以隨機(jī)生成的新抗體更新種群中激活度較低的抗體，形成新的抗體種群，轉(zhuǎn)步驟(3)。

為方便算法描述，該文定義Ag為輸入的抗原集，Ab為抗體集，M為記憶細(xì)胞集，Aff為抗原和抗體親和力函數(shù)，S為抗體間相似度矩陣。人工免疫算法的一般流程如圖1所示。

圖1 人工免疫算法一般流程

人工免疫算法的一般流程中涉及到的關(guān)鍵機(jī)制主要包括親和力計(jì)算、抗體記憶庫更新、抗體分裂變異機(jī)制和抗體優(yōu)選機(jī)制。具體免疫機(jī)制核心思想如下：

(1)計(jì)算親和力。

假設(shè)抗原(Ag)和抗體(Ab)結(jié)構(gòu)相似，均為長度為n的十進(jìn)制位串組合?？乖贵w的親和度與它們之間的距離相關(guān)。因此，抗原Ag和抗體Ab的親和度采用歐幾里得距離計(jì)算。Ag和Ab親和度Aff(Ag/Ab)計(jì)算公式如下：

(4)

任一抗原Agi在機(jī)體抗原群體G中的抗原濃度(C)計(jì)算公式如下：

(5)

其中，0<α<1，d(g,Agi)為g與Agi的歐幾里得距離。

高校圖書館信息素養(yǎng)教育的改進(jìn)措施主要分為兩大部分，第一是舉辦課外學(xué)習(xí)素養(yǎng)教育活動(dòng)，第二是信息素養(yǎng)教育課程的優(yōu)化。

(2)抗體記憶庫更新。

更新抗體記憶庫選擇與抗原親和力更高的抗體加入到記憶細(xì)胞集中。由于抗體記憶庫數(shù)目有限，動(dòng)態(tài)清除與抗原親和力低于σ的抗體，即抗體的自然死亡?？贵w記憶庫更新機(jī)制可用如下公式描述：

Rupdate(t)=

(6)

其中，R(t-1)為t-1時(shí)刻組織內(nèi)本身還存在的抗體識別器，Rdead(t)為t時(shí)刻組織內(nèi)消失的識別器，Rchoice(t)為t時(shí)刻組織內(nèi)通過分裂變異優(yōu)選產(chǎn)生的識別器，Nnew(t)為免疫系統(tǒng)在t時(shí)刻新增的識別器。Rchoice(Agi)分裂變異優(yōu)選機(jī)制如下。

(3)抗體分裂變異機(jī)制。

抗體分裂機(jī)制：當(dāng)抗體激活度達(dá)到了預(yù)定的閾值，當(dāng)前抗體開始分裂增殖[24]。具體分裂機(jī)制如下：①若抗體激活度Ad大于等于激活閾值，則抗體分裂出兩個(gè)子代抗體；②對子代抗體進(jìn)行變異操作。定義抗體的激活度公式為：

Abad=Aff(Agi,Abi)*eεC(Agi)

(7)

其中，Aff(Agi,Abi)為抗原和抗體的親和度，C(Agi)為抗原的濃度，ε為調(diào)節(jié)系數(shù)。從公式(7)可得知，抗體的激活度主要由抗體抗原間的親和度與抗體的濃度決定。若某類抗原的頻度和強(qiáng)度越大，抗體的活化度越大，抗體對此類抗原識別能力也就越好。

根據(jù)子代變異抗體的親和度大于父代抗體親和度的原則，以確保免疫識別的準(zhǔn)確性[24]。如果變異后的兩個(gè)子代抗體親和度都低于父代抗體親和度，則刪除這兩個(gè)子代抗體，保留父代抗體；如果變異后的兩個(gè)子代抗體親和度都高于父代抗體親和度，則刪除父代抗體，保留子代抗體，并根據(jù)公式賦予子代抗體對應(yīng)的抗原濃度；如果變異后的有一個(gè)子代抗體親和度高于父代抗體親和度，則保留父代抗體和該子代抗體，并設(shè)定該子代抗體對應(yīng)的初始抗原濃度等于父代抗體對應(yīng)的抗原濃度。

(8)

(9)

其中，Aff(Abchildren,Abparenti)為子代和父代抗體的相似度，該文使用歐幾里得距離計(jì)算抗原抗體的相似度。

2 SVM-IOA動(dòng)態(tài)風(fēng)險(xiǎn)識別模型

2.1 問題的定義

所謂動(dòng)態(tài)風(fēng)險(xiǎn)識別問題，是指在含有風(fēng)險(xiǎn)抗原實(shí)例的復(fù)雜系統(tǒng)中定位出具體風(fēng)險(xiǎn)抗原實(shí)例的過程。由于風(fēng)險(xiǎn)隨時(shí)間和外部環(huán)境而動(dòng)態(tài)變化，已知的風(fēng)險(xiǎn)預(yù)控方案與未知的風(fēng)險(xiǎn)抗原并不能完全匹配，而需進(jìn)行變異優(yōu)選以適應(yīng)動(dòng)態(tài)風(fēng)險(xiǎn)的變化。

該文將動(dòng)態(tài)風(fēng)險(xiǎn)抗原作為支持向量機(jī)SVM的目標(biāo)函數(shù)，接著通過隨機(jī)函數(shù)生成與之對應(yīng)的抗體作為目標(biāo)函數(shù)的解，再計(jì)算抗原和抗體間的歐幾里得距離(即親和度)，并將親和度無限逼近可行解與最優(yōu)解。最后根據(jù)抗體分裂變異機(jī)制對抗體進(jìn)行分裂與高頻變異產(chǎn)生更多的子代抗體集進(jìn)行優(yōu)化，直到滿足目標(biāo)函數(shù)的終止條件。

融合支持向量機(jī)識別技術(shù)與免疫優(yōu)化技術(shù)(SVM-IOA)的動(dòng)態(tài)風(fēng)險(xiǎn)識別方法中，抗體的定義如下：支持向量機(jī)中的參數(shù)作為抗體。以RBF核函數(shù)為例，核函數(shù)有一個(gè)參數(shù)，則抗體中存放核函數(shù)參數(shù)σ和SVM模型中的懲罰參數(shù)C，若核函數(shù)中有兩個(gè)參數(shù)，則抗體中存放核函數(shù)的兩個(gè)參數(shù)和SVM模型中的懲罰參數(shù)C。

2.2 模型算法

基于SVM-IOA的動(dòng)態(tài)風(fēng)險(xiǎn)識別算法的步驟如圖2所示。

圖2 基于SVM-IOA的動(dòng)態(tài)風(fēng)險(xiǎn)識別算法流程

該算法的具體描述如下：

Step1：初始化實(shí)驗(yàn)數(shù)據(jù)，主要是動(dòng)態(tài)風(fēng)險(xiǎn)特征數(shù)據(jù)的選取，并對其進(jìn)行歸一化和降維處理，得到用于SVM-IOA訓(xùn)練和測試的樣本數(shù)據(jù)。

Step2：將支持向量機(jī)目標(biāo)函數(shù)設(shè)置為抗原，SVM及其核函數(shù)的參數(shù)作為抗體。

Step3：初始化SVM-IOA模型參數(shù)，運(yùn)用Step1中的訓(xùn)練樣本數(shù)據(jù)訓(xùn)練模型，通過多次迭代優(yōu)化的參數(shù)，建立SVM-IOA測試模型。

Step4：運(yùn)用Step3得到的測試模型對測試樣本集進(jìn)行識別。

Step5：根據(jù)適應(yīng)度函數(shù)，計(jì)算模型的精度，若不符合精度要求，重新設(shè)定SVM-IOA模型參數(shù)，并對參數(shù)進(jìn)行免疫優(yōu)化操作，產(chǎn)生新的種群數(shù)據(jù)，返回Step3，重新訓(xùn)練，直至滿足終止條件；若符合精度要求，轉(zhuǎn)入Step6。

Step6：采用SVM-IOA算法，運(yùn)用Step1中的訓(xùn)練樣本數(shù)據(jù)訓(xùn)練模型通過多次迭代優(yōu)化的參數(shù)，建立SVM-IOA測試模型，并運(yùn)用該模型對風(fēng)險(xiǎn)事件進(jìn)行第一次識別，判斷出是否為風(fēng)險(xiǎn)事件。

Step7：根據(jù)第一次識別結(jié)果，重新劃分訓(xùn)練集和測試集，再次運(yùn)用SVM-IOA模型對風(fēng)險(xiǎn)事件進(jìn)行識別，判斷該事件是高風(fēng)險(xiǎn)或低風(fēng)險(xiǎn)。

2.3 模型參數(shù)選取

大多數(shù)文獻(xiàn)在選擇支持向量機(jī)核函數(shù)參數(shù)時(shí)基于經(jīng)驗(yàn)，缺乏嚴(yán)謹(jǐn)?shù)睦碚撝С?，難以訓(xùn)練得到最優(yōu)的參數(shù)值。該文選用徑向基(RBF)核函數(shù)的支持向量機(jī)模型，將RBF核函數(shù)的公式帶入F(x)超平面函數(shù)中。利用免疫優(yōu)化算法對懲罰參數(shù)和徑向基核函數(shù)的參數(shù)進(jìn)行優(yōu)選。將如下公式作為適應(yīng)度函數(shù)，其中分類精度是指優(yōu)選過程中模型對測試集的分類正確率，它反映模型對動(dòng)態(tài)風(fēng)險(xiǎn)問題的分類識別能力，即可用公式(10)計(jì)算。

(10)

其中，TP(true positive)表示SVM-IOA模型識別出風(fēng)險(xiǎn)抗原的個(gè)數(shù)，F(xiàn)P(false positive)表示SVM-IOA模型未能識別出風(fēng)險(xiǎn)抗原的個(gè)數(shù)。

最大進(jìn)化代數(shù)取值為200，一般取值范圍為[100,500],種群最大數(shù)量取值為100，一般取值范圍為[20,100]，參數(shù)c的變化范圍默認(rèn)為[0,100]，參數(shù)g的變化范圍默認(rèn)為(0,1 000)，經(jīng)過免疫優(yōu)化算法迭代后，得到懲罰參數(shù)c，徑向基核函數(shù)的參數(shù)g。免疫優(yōu)化算法優(yōu)選后的參數(shù)結(jié)果如圖3所示。此時(shí)，SVM-IOA模型算法對訓(xùn)練集和測試集的平均分類精度達(dá)到了95.5%，適應(yīng)度變化如圖4所示。

圖3 參數(shù)優(yōu)化后分類精度結(jié)果

圖4 SVM-IOA算法適應(yīng)度變化

3 實(shí)驗(yàn)結(jié)果與分析

3.1 模型算法

該文運(yùn)用Heart-Disease數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)，Heart-Disease數(shù)據(jù)集包含14個(gè)屬性，其中固定屬性13個(gè)，預(yù)測屬性1個(gè)，預(yù)測屬性分為兩種狀態(tài)，分別為健康狀態(tài)和疾病狀態(tài)[24]。該文將實(shí)驗(yàn)數(shù)據(jù)中的預(yù)測屬性健康數(shù)據(jù)稱為正常數(shù)據(jù)，疾病數(shù)據(jù)稱為風(fēng)險(xiǎn)數(shù)據(jù)。根據(jù)集成算法和風(fēng)險(xiǎn)識別率公式，仿真分析SVM-IOA模型的準(zhǔn)確性和執(zhí)行效率。

3.2 評估方法

基于SVM-IOA的動(dòng)態(tài)風(fēng)險(xiǎn)識別過程中，通常使用識別率作為衡量識別器設(shè)計(jì)效果的指標(biāo)。風(fēng)險(xiǎn)抗原識別率IPR(identify positive rate)表示識別器能夠正確識別出風(fēng)險(xiǎn)抗原的比例，即可用公式(10)計(jì)算。

非風(fēng)險(xiǎn)抗原識別率INR(identify negative rate)表示識別器對于非風(fēng)險(xiǎn)抗原正確識別的比例，即可用如下公式計(jì)算：

(11)

其中，TN(true negative)表示識別器識別出非風(fēng)險(xiǎn)抗原的個(gè)數(shù)，F(xiàn)N(false negative)表示識別器未能識別出非風(fēng)險(xiǎn)抗原的個(gè)數(shù)。

綜上所述，得出計(jì)算識別率的公式如下：

(12)

3.3 實(shí)驗(yàn)結(jié)果對比分析

該文將SVM-IOA模型的仿真結(jié)果與傳統(tǒng)的“自體-非體”免疫算法(self-non-self algorithm，SNSA)、已知的樹突狀細(xì)胞算法(dendritic cell algorithm，DCA)和克隆選擇算法(clonal selection algorithm，CSA)進(jìn)行實(shí)驗(yàn)對比分析，對比結(jié)果如表2所示。

表2 各免疫算法識別率對比 %

從表中各免疫算法的識別率可得出，SVM-IOA和CSA的抗原識別準(zhǔn)確率均高達(dá)90%以上，其中：SVM-IOA抗原識別準(zhǔn)確率為96.21%，SVM-IOA的風(fēng)險(xiǎn)抗原與非風(fēng)險(xiǎn)抗原的識別率分別為95.82%和96.01%，均高于SNSA、CSA和DCA的識別準(zhǔn)確率。可見SVM-IOA的抗原識別效果很好。

4 結(jié)束語

針對當(dāng)前動(dòng)態(tài)風(fēng)險(xiǎn)識別模型中支持向量機(jī)核函數(shù)的參數(shù)選取對識別模型性能的影響問題，提出了一種基于支持向量機(jī)與免疫算法的組合來建立動(dòng)態(tài)風(fēng)險(xiǎn)識別模型的方法，為復(fù)雜多變的動(dòng)態(tài)風(fēng)險(xiǎn)識別問題的處理提供更加高效、可靠的決策支持。首先對原始數(shù)據(jù)進(jìn)行特征選取及降維處理，然后通過人工免疫算法對支持向量機(jī)的懲罰參數(shù)和核函數(shù)的參數(shù)進(jìn)行擇優(yōu)，建立基于支持向量機(jī)與人工免疫集成的動(dòng)態(tài)風(fēng)險(xiǎn)識別模型，最后運(yùn)用Heart-Disease數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明該模型具有很好的識別效果。

該文的理論貢獻(xiàn)主要體現(xiàn)在以下兩方面：(1)與現(xiàn)有動(dòng)態(tài)風(fēng)險(xiǎn)識別理論相比，嘗試從支持向量機(jī)與免疫優(yōu)化算法集成視角進(jìn)行動(dòng)態(tài)風(fēng)險(xiǎn)識別模型研究是該文在研究視角上的創(chuàng)新。借鑒支持向量機(jī)方法在解決小樣本、非線性及高維模式識別中的優(yōu)勢，動(dòng)態(tài)風(fēng)險(xiǎn)識別逐漸轉(zhuǎn)向機(jī)器學(xué)習(xí)視角，但傳統(tǒng)的支持向量機(jī)核函數(shù)的參數(shù)選取僅憑先驗(yàn)知識，缺乏實(shí)踐指引，難以解決復(fù)雜多變的動(dòng)態(tài)風(fēng)險(xiǎn)問題。該文采用人工免疫算法求解支持向量機(jī)核函數(shù)參數(shù)和懲罰因子C的最優(yōu)值，從而理論上為支持向量機(jī)解決動(dòng)態(tài)風(fēng)險(xiǎn)識別問題選取較好的參數(shù)。(2)從機(jī)器學(xué)習(xí)視角研究動(dòng)態(tài)風(fēng)險(xiǎn)識別推動(dòng)了企業(yè)風(fēng)險(xiǎn)管理應(yīng)用與實(shí)踐，目前很少有人主動(dòng)采用這種方法。究其原因，主要在于方法的可操作性以及缺少具體的實(shí)驗(yàn)指導(dǎo)。為了彌補(bǔ)這一缺陷，該文不僅介紹了支持向量機(jī)與人工免疫集成的動(dòng)態(tài)風(fēng)險(xiǎn)識別模型，還借助仿真工具對該方法進(jìn)行具體的模擬仿真實(shí)驗(yàn)。

支持向量機(jī)與人工免疫集成的動(dòng)態(tài)風(fēng)險(xiǎn)識別方法仍有待深入研究，主要表現(xiàn)在與互聯(lián)網(wǎng)、企業(yè)與工程等領(lǐng)域風(fēng)險(xiǎn)識別的緊密銜接。支持向量機(jī)與人工免疫集成DRI方法的應(yīng)用所面臨的挑戰(zhàn)在于企業(yè)風(fēng)險(xiǎn)指標(biāo)體系的構(gòu)建、各類風(fēng)險(xiǎn)指標(biāo)的量化，以及該方法在各個(gè)領(lǐng)域普適性問題。未來可以從以下兩方面進(jìn)行深入探究：一是系統(tǒng)分析企業(yè)內(nèi)外部風(fēng)險(xiǎn)的形成和演化機(jī)理，構(gòu)建出相關(guān)的風(fēng)險(xiǎn)指標(biāo)體系，運(yùn)用支持向量機(jī)與人工免疫集成方法對企業(yè)動(dòng)態(tài)風(fēng)險(xiǎn)識別進(jìn)行實(shí)證分析。二是探討不同領(lǐng)域風(fēng)險(xiǎn)識別過程，從而進(jìn)一步深化和拓展支持向量機(jī)與人工免疫集成方法，并進(jìn)一步增強(qiáng)方法的普適性。