基于支持向量机的非对称区间回归分析

针对区间回归中上、下2个端点的误差范围不相同的非对称问题,建立了Fitness、Possibility 和Necessity 3个回归模型,对区间样本的中心趋势和最大、最小可能边界进行综合分析,并引入支持向量机,区分线性和非线性两种情况,提出了非对称区间回归支持向量机AIR-SVM(asymmetrical interval regression SVM)算法,对非对称区间数据集回归估计进行了分析.通过3个数据仿真实验,检验了提出算法的良好性能,有效地解决了非对称情况下精确数输入-区间数输出的区间数据回归问题.     

基于邻域区间扰动融合的无监督特征选择算法框架

特征选择技术是数据降维的一种关键技术,由于采集到的数据样本标签信息缺失,无监督特征选择受到了更多人的关注。现有的无监督特征选择算法普适性及稳定性很低,受数据集结构的影响很大,因此很多研究者一直热衷于提高算法的稳定性。该文尝试从数据集的预处理出发,采用区间的方式来对数据集进行近似,得到与数据集相关联的几个数据集,通过实验验证新的区间数据集的优劣性,并思考从全局的角度对数据集进行处理,进一步提出了一种新的模型——基于邻域区间扰动融合的无监督特征选择算法框架(Unsupervised feature selection algorithm framework based on neighborhood interval disturbance fusion, NIDF)。该模型可实现对特征的最终得分和近似数据区间的联合学习,通过与原始无监督特征选择方法以及现有的几种特征选择框架的对比,体现出该文提出的模型的优越性。     

一种基于烟花算法优化SVM的入侵检测模型

为了提高网络安全水平,及时对网络攻击进行检测,该文提出了一种基于烟火算法优化支持向量机(SVM)的入侵检测模型。该模型选用SVM作为入侵检测算法的核心分类器对网络数据进行判别,但是由于存在SVM中最优核函数参数和惩罚因子确定较慢的问题,该文利用烟花算法加快SVM最优核函数参数和惩罚因子的确定。为了验证该模型在实际应用中的效果,通过KDD CUP 99数据集进行实验测试,与SVM、KNN和DNN算法相比,该模型能更好地对入侵检测数据进行分类和判别。     

广义区间DEA模型及其有效性研究

根据样本单元和待评价决策单元的区间投入、区间产出定义最大广义生产可能集,建立基于最大广义生产可能集的广义区间DEA模型,然后定义了待评价决策单元基于广义区间DEA模型的区间效率,并对待评价决策单元进行了有效性分类,最后通过实例表明了广义区间DEA模型的实用性.     

基于极大相容块的区间集粗糙集

区间集粗糙集是针对目标集不能被精确表达时利用上下界进行近似刻画的有效方法，而对于连续型数据，基于等价关系的区间集粗糙集不再适用，相容关系则常被用于处理连续型数据。为进一步提高近似精度，文章将基于相容关系的极大相容块与区间集粗糙集结合，提出连续型数据集上基于极大相容块的区间集粗糙集。首先在信息系统中提出基于距离的相容关系及其极大相容块，由此定义基于极大相容块的乐观、悲观粗糙集，并讨论它们的性质。进而将极大相容块引入区间集粗糙集，提出了基于极大相容块的乐观、悲观区间集粗糙集，讨论了它们的性质及关系以及两类区间集粗糙集的精度。最后选取UCI数据集上的五组数据，验证了本文所提极大相容块下的模型较之相容关系下对应模型的精度平均提高33%。     

一种基于数据分布的SVM核选择方法

针对目前支撑向量机(SVM)核函数的选择没有统一规则的现状,提出一种结合数据分布特征进行SVM核选择的方法.首先,采用多维尺度(MDS)分析方法对高维数据集合理降维,提出判断数据集是否呈圆球分布的算法;然后,在得到数据集分布特征的基础上进行SVM核选择,以达到结合数据分布特征合理选择SVM核函数的目的.实验结果表明:呈圆球分布的数据集采用球面坐标核进行分类,识别率达到100%,训练时间最短,优于采用高斯核SVM及多项式核SVM的分类效果.     

基于鸟群算法的SVM参数选择

针对支持向量机(SVM)分类器参数选择问题,提出了基于鸟群算法(BSA)的SVM参数选择方法(BSASVM),以优化SVM惩罚参数和核参数.鸟群算法具有优化精度高、鲁棒性好等特点,将SVM参数作为鸟群算法目标函数的优化参数,在搜索到最优值的同时得到最优参数.通过8个UCI标准数据集的MATLAB仿真对比实验,验证了BSA-SVM能有效提高分类准确性.实验结果表明:BSA-SVM能更加准确地找到SVM最优参数,从而加强SVM学习与泛化能力,是一种有效的SVM参数优化方法.     

基于IOWC-GOWA算子及相对熵的区间型组合预测模型

针对用区间型数据描述不确定现象的组合预测问题,为了提高区间型数据的预测精度,首先采用诱导有序加权连续区间的广义有序加权平均(IOWC-GOWA)算子将区间数集结为实数;然后对集结后的实数进行标准化处理;最后从信息论的角度引入相对熵作为最优准则,提出了基于IOWC-GOWA算子及相对熵的区间型组合预测模型;另外,通过实例分析了该组合预测模型的合理性和有效性;结果表明:该组合预测模型可以有效地提高区间型数据的预测精度,即该模型是合理有效的,并且,参数λ和BUM函数的选取会对模型的预测精度产生一定的影响。     

极坐标核在样本分类问题中的应用研究

核函数选择是支撑向量机(Support Vector Machine,SVM)研究的热点和难点.针对目前SVM核函数的选择没有统一规则的现状,探讨极坐标核在样本分类问题中的应用,提出一种结合样本分布特征进行SVM核选择的方法.首先分析极坐标核的映射原理,采用主成分分析方法(Principle Component Analysis,PCA)对高维数据集合理降维,在得到样本集分布特征的基础上进行SVM核选择,在Matlab环境中,采用四组数据集进行分类实验,验证结合样本分布特征选择SVM核函数的分类效果.实验结果表明,呈类圆形分布的样本集采用极坐标核进行分类,识别率达到100%,训练时间最短,优于采用高斯核SVM的分类效果.该方法提高了SVM的泛化能力,方案具有可行性和有效性.     

基于关系矩阵的区间集粗糙近似

基于矩阵的直观性和矩阵运算的简便性引入区间向量,给出了区间集一种新的表达形式,探讨了区间向量的相关性质,给出了区间向量与关系矩阵的运算法则。在经典粗糙集中,给出了基于关系矩阵的粗糙下、上近似的等价表示,进而利用关系矩阵和区间向量提出了基于关系矩阵的区间集粗糙下、上近似,构造了基于关系矩阵计算区间集粗糙下、上近似的方法,给出了其相应的算法,并通过实例说明了该方法的简便性与有效性。     

区间二型模糊语言Z-numbers及其应用

针对区间二型模糊多属性群决策问题,提出了以区间二型模糊语言Z-numbers(IT2FLZNs)为信息环境的群决策方法。首先,在区间二型模糊集和Z-numbers理论基础上提出了区间二型模糊语言Znumbers并定义了其相关运算性质,提出了两个区间二型模糊语言Z-numbers之间的相似度与距离;其次,在专家和属性权重都未知的情况下,根据决策中总体不确定性最小原则,利用相似度构建最优化模型,确定专家和属性的权重,并且通过综合比较各方案的群体效用值、个体遗憾值和亲密度来选择最优方案;最后,通过一个银行流动风险的实例验证所提方法的有效性与可行性。     

基于支持向量机的机械零件剩余寿命区间估计

为提高机械零件剩余寿命估计精度,提出了一种基于支持向量机(support vector machine,SVM)的剩余寿命区间估计模型.简要介绍SVM的线性及非线性理论,分析SVM输入变量与输出变量间的统计关系,将机械零件性能退化指标和剩余寿命分别作为SVM输入变量及输出变量.假设输入变量与残差相互独立且残差分布类型已知,采用极大似然法估计残差的分布参数,在此基础上推导一定置信水平下SVM输出变量置信区间.将均方误差作为SVM预测误差的衡量指标,应用变步长网格搜索法确定SVM参数.通过实例说明所提模型能够准确对机械零件剩余寿命进行区间估计,具有较强的工程应用价值及通用性.     

区间多目标粒子群优化算法及其应用

提出了一种区间多目标粒子群优化(IMOPSO)算法,用于解决多目标下区间变量的优化问题.基于区间可信度定义两个区间解的占优关系,通过归一化方法和区间拥挤度距离对Pareto最优解排序,并设立归档机制,利用外部存储器保存Pareto最优解集.针对有界误差系统的建模问题,提出了基于IMOPSO算法训练区间神经网络(INN)模型参数的建模方法,解决了误差界已知和误差界未知两种情况下的有界误差系统建模问题.最后,以一阶不确定系统为例,利用所提算法进行了建模仿真,验证了建模方法的有效性.     

基于多核支持向量机的句子分类算法

主流句子分类算法采用单一词向量表示模型获得文本表示,导致了对文本的映射能力不足.对此,通过融合多种词向量的文本表示以提高分类的准确率.针对多核学习在融合不同核函数时,常规的核函数系数寻优方法存在的训练时间长、难以求得局部最优解等问题,提出了一种新的核函数系数寻优方法,该方法基于参数空间分割与广度优先搜索不断逼近核系数的最优值.以支持向量机(support vector machine,SVM)为分类器,在7个文本数据集上进行了分类实验.实验结果表明,多核学习分类效果明显优于单核学习,并且所提出的寻优方法在训练次数少于常规方法时也能获得了好的分类效果.     

基于区间直觉模糊集的多准则模糊决策方法

提出一种权重信息不完全确定且准则值为区间直觉模糊集的多准则排序方法.该方法用区间直觉模糊集描述方案关于准则集的满足程度与不满足程度,准则的权重也由直觉模糊集表示.通过建立线性规划模型求出最优权重,为决策者做出最优决策提供了一种简便的方法.数值算例说明该方法的可行性和有效性.     

偏向自适应区间模糊C均值的遥感地物分类方法

遥感图像类内地物的异质性和类间地物的模糊性,造成地物类别归属的不确定性.模糊集理论能够对分类模糊现象进行有效的刻画,而区间值数据模型能够反映类别数据的不确定性.因此,本文结合区间值数据模型与模糊C均值算法,提出一种偏向自适应区间的模糊C均值算法,通过归一化类内均方差调整类别的整体区间宽度,利用偏向因子对数据进行有选择性的动态区间建模,进而增加类内紧凑性与类间边界可分性.实验结果表明,该方法可以有效地应用于SPOT5遥感数据的地物分类,整体分类精度和Kappa系数较现有流行的模糊分类方法均有较大的提升.     

基于代数观点的邻域区间集粗糙集模型研究

描述部分已知概念的区间集粗糙集是对经典粗糙集的拓展,其属性值概念由上下边界集来描述,具有较好的不确定性刻画能力,能够有效促进数据挖掘、信息度量和知识发现等实际应用。现有研究主要针对离散型数据对象,不能很好地处理现实世界中大量存在的连续型数据对象,因此区间集粗糙集具有改进的空间。该文引入邻域关系,通过Hausdorff距离函数定义区间集邻域粒子,由此构造邻域区间集粗糙集模型,并从代数观点研究其相关概念及性质,最后用实例分析验证其有效性。     

指数分布区间型删失数据的可靠度最优置信下限

由于测量仪器的精度,测量方法等原因,往往不能得到产品精确的失效时间,得到的是区间型删失数据.本文讨论了指数分布区间型删失数据下的可靠度最优置信下限的估计问题.首先采用极大似然估计方法对指数分布区间型失效数据的失效率进行了估计,然后对每个区间型失效数据采用期望值对其失效时间进行估计,通过估计出的失效时间估计出了可靠度的最优置信下限,并给出了计算机模拟结果.     

一种基于核学习的非均衡数据分类算法

提出一种基于核学习的采样算法来处理支持向量机(support vector machine,SVM)在非平衡数据集上的分类问题,其核心思想是首先在核空间中对少数类样本进行上采样,然后通过输入空间和核空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练,从而有效克服在不同空间处理训练样本所带来的数据不一致问题.另一方面,该算法在增加少数类样本数量,减小数据失衡程度的同时有效拓展了少数类样本所形成的凸壳,从而能够更为有效纠正最优分类超平面偏移问题,使获得的结果分类器具有更好的泛化性能,实验结果证明了该算法的高效性.     

支持向量机中核参数选择的Max-Min方法

通过核函数技巧,定义了高维空间中两样本点之间的距离.引入异类距离平方阵,提出了一种新的选择SVM核参数准则,并给出算法,即max-min方法.该方法利用不同类的训练样本之间的距离,而不通过SVM标准样本训练寻求最优的(或有效的)核参数,避免了传统SVM在模型选择上经验性强和计算量大的不足.同时又分别以径向基核函数(RBF)和多项式函数为例进行试验,显示采用该方法的算法步骤.结合试验结果,得出关于核参数的选择问题一般在一个开集内只有有效值,不存在最优值,即是一个多目标优化问题的结论.并引用已有的实验结果充分支持我们的结论.max-min方法不仅在理论上提供了一种选择最优核参数的方法,而且对试验性选择具有指导作用.