基于支持向量回归的增量学习算法

提出了一种基于支持向量回归的增量学习算法,该算法在增量学习中除了考虑原训练集中的支持向量(SVs)外,还考虑了非SVs与ε-带(-iεnsensitive zone)的边界距离较近的样本,并将这些样本与新的训练集一起训练.试验结果表明,与传统的支持向量机增量学习算法相比,此算法提高了训练精度;与经典的SVR相比,此算法大大节约了训练时间,是一种行之有效的增量学习算法.     

一种新的支持向量机增量学习算法

支持向量机学习算法的本质是从训练集中寻找支持向量,因此能否通过训练算法能快速找出支持向量是衡量支持向量机算法优劣的重要标准.本文提出了一种新的快速训练支持向量机的增量学习算法,首先,给出边界向量的定义,然后,对一个给定的新加人的样本,新的学习方法验证其是否为边界向量,如果是,将其加入到训练集中重新训练支持向量机,如果不是,就舍弃,这样能达到减少训练样本、降低训练复杂性目的,最后,给出了一个增量学习算法.实验表明测试误差和支持向量数量与SMO算法大致相当,而训练速度明显加快.     

一种基于距离比值的支持向量机增量训练算法

由于支持向量机具有较好地学习性能和泛化能力,目前已经得到了广泛的应用。如何使支持向量机进行有效的增量学习是目前支持向量机应用中需要解决的问题。深入研究了支持向量分布特点,提出了一种新的支持向量机增量训练淘汰机制——距离比值算法。该算法根据遗忘规则,设定一个合适的参数,按距离比值法中的定义计算各个样本中心距离与其到最优分类面距离的比值,舍弃对后续训练影响不大的样本,即可对训练数据进行有效的淘汰。对标准数据集的实验结果表明,使用该方法进行增量训练在保证分类精度的同时,能有效地提高训练速度。     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

一种新的支持向量机增量算法

分析了增量学习过程中支持向量和非支持向量的转化情况。在此基础上提出一种误分点回溯SVM增量算法,该算法先找出新增样本中被误分的样本,然后在原样本集寻找距误分点最近的样本作为训练集的一部分,重新构建分类器,这样能有效保留样本的分类信息。实验结果表明:该算法比传统的支持向量机增量算法有更高的分类精度。     

有新样本加入的支持向量机的学习策略

在支持向量机的学习过程中,有些情况下训练样本不能一次全部给出,这样当有新样本加入训练集时,支持向量集和训练样本集的等价关系将被打破.为了解决这个问题,本文提出了有新样本加入的支持向量机的学习策略.通过对新样本的分析,选出能代替原样本和新样本进行学习的样本,并给出这些样本应满足的条件,最后给出了相应的学习策略.对标准数据集的实验表明,本学习策略可以在新增样本增加后,有效压缩样本集的大小,提高分类的速度,舍弃无用的样本,同时保证了分类精度.     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。     

自训练半监督加权球结构支持向量机多分类方法

针对自训练半监督支持向量机算法中的低效问题,采用加权球结构支持向量机代替传统支持向量机,提出自训练半监督加权球结构支持向量机。传统支持向量机需要求解二次凸规划问题,在处理大规模数据时会消耗大量存储空间和计算时间,特别是在多分类问题上更加困难。利用球结构支持向量机进行多类别分类,大大缩短了训练时间,降低了算法复杂度。球结构支持向量机在不同类别样本数目不均衡时训练分类错误倾向于样本数目较小的类别,通过权值的引入,降低了球结构支持向量机对样本不均衡的敏感性,补偿了类别差异对算法推广性能造成的不利影响。在人工数据集和UCI(university of california irvine)数据集上的实验结果表明,该方法对有标记样本的鲁棒性较好,不仅能够提高效率,且分类精度也有显著提高。     

一种改进的最小二乘支持向量机算法

最小二乘支持向量机是标准支持向量机的一种扩展,它是支持向量机在二次损失函数下的一种形式.它用等式约束代替不等式约束,求解过程变为解一组等式方程,避免了求解耗时的二次规划问题,但同时也丧失了标准支持向量机的稀疏性,影响了二次学习的效率.针对上述问题,本文提出了一种改进的最小二乘支持向量机增量学习方法.改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏,根据每次训练得到的分类器性能来设定剪枝阚值和样本增量的大小,如果得到的分类器性能好,剪枝阈值和样本增量就大,反之,剪枝阚值和样本增量就小,从而提高了最小二乘支持向量机训练效率,解决了稀疏性问题.最后,仿真实验表明该算法方案可行.     

一种适用于信息检索的支持向量机

针对基于内容的信息检索中负样本抽样效率低的问题，设计了1．5类支持向量分类器．在训练过程中利用正样本对分类线建立初始模型，在保证总体泛化能力的基础上，用所能获得的负样本修正分类线，以提高其检测精度；通过对比标准序列最小优化方法，得到快速训练算法．在美国邮政数据库(USPS数据库)与麻省理工大学人脸数据库(CBCL数据库)上的实验结果表明，与传统的支持向量分类器相比，这种方法能取得更高的检测精度．     

锚索补强支护在顺槽支护中的应用

阐述了综采工作面顺槽支护机理,总结了锚索补强支护在实践中应用的先进方法和成功经验。     

巷道支护设计与施工决策支持系统的研究

以决策支持系统为基础,建立了一套集矿井巷道支护设计选择、巷道断面施工方法的确定及掘进工作面作业规程的编制于一体的计算机系统,从而可实现巷道支护设计与施工方法确定的计算机化。     

基于决策支持实体的企业管理支持系统

针对现行计算机辅助管理系统自身固有的缺陷,研究了决策支持实体（ＤＳＥ）的概念,分析了企业管理ＤＳＥ体系结构;给出了基于ＤＳＥ的管理决策问题的描述和以ＤＳＥ为核心的企业管理支持系统及其体系结构,并对系统进行了分析．     

论家庭精神赡养

家庭赡养内在地包含物质赡养和精神赡养两个方面.家庭精神赡养是指赡养人对被赡养人在感情、心理等精神上给予关心和帮助的行为.相对家庭物质赡养,精神赡养具有恒久性、先导性、宽泛性、不确定性等特征.人的需要理论与我国人口、家庭职能、家庭观念的变化是重视家庭精神赡养的理论与现实依据.实现家庭精神赡养,需要依靠立法、司法、守法、道德等综合手段,在法律与道德的双重规范下调整家庭关系,促进家庭稳定和社会发展.     

航材保障费用研究

针对航材保障费用利用不合理的问题,采用航材保障良好率作为航材保障的效能指标,建立了良好率模型。以航材保障费用为资源,平均航材保障良好率达到最大为目标函数,建立了航材保障费用的优化模型。用动态规划法求解,并建立了最优递推方程。通过实例演示了如何利用配置模型进行预测,计算工具是Matlab,进行了数值实验和理论分析,结果表明该模型具有良好的优化效果和实用性。     

探索全新的动漫产业链发展模式

在当今的中国，从来没有哪个行业像动漫这样引人关注。不仅国家出台了一系列的政策进行扶持，众多投资商也不惜重金投资动漫，吸引了越来越多的人才投身动漫产业。     

嵌套式建模支持

阐述了人的建模思维机制。引入等价关系和划分作为问题粒度研究的基础，定义了逆商集，使之与商集一起，构成了对问题不同粒度的完整描述，并讨论了粒度的性质，借助拓扑分析，给出了问题可分解、可细化和粗化、细化等一系列定义，在问题簇和模型簇概念的基础上，提出了嵌套式建模（支持）作为面向复杂系统的建模支持方法论，具体给出了其实施步骤，这是一个人机交互的启发式过程，将嵌套式建模与传统式建模作了比较，此外还作了若干说明。     

模糊支撑向量回归

利用支撑向量回归几何方法实施的直接性和几何意义,在支撑向量回归几何方法中考虑了数据的置信度,建立了模糊支撑向量回归模型.数值分析表明,所提出的模糊支撑向量回归模型可根据数据置信度的大小有效地控制各训练数据在回归中的作用.     

支持向量机在装备保障链需求预测中的应用研究

准确的需求预测是装备保障链敏捷运行的重要条件.针对装备保障链需求预测过程中,需求不确定、样本数量较少的实际情况,采用了一种新的预测方法--支持向量机.该方法基于统计学习理论的原理,较好地解决了小样本、非线性的学习问题.建立了装备保障链需求预测的支持向量机模型.并以某物资的需求预测为例进行实例验证,计算结果表明,这种方法比传统的方法有更好的预测精度.