基于压缩感知的多核稀疏最小二乘支持向量机

为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。     

基于模糊C-均值聚类与支持向量机的PMV指标预测系统

为了更好地预测室内热舒适度PMV指标,在分析模糊C-均值聚类方法与支持向量机方法的优势和互补性后,探讨了二者的结合方法,提出了一种基于模糊C-均值聚类预处理的支持向量机PMV指标预测系统.该方法把复杂的数据集看作多个群体的混合,每个群体采用单一的回归模型进行描述,使得大规模数据集的回归估计问题变成了一个多模型估计问题.将该系统应用于PMV指标预测中,与标准支持向量机方法相比, 得到了较高的预测精度,从而说明了基于模糊C-均值聚类方法作为信息预处理的支持向量机学习系统的优越性.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

基于深度学习特征迁移的装备体系效能预测

针对武器装备体系效能评估在高维噪声小样本数据条件下准确性不高的问题,提出一种基于堆栈降噪自编码与支持向量回归机的混合模型。利用堆栈自编码神经网络对通用深层特征的自主抽取能力,通过在相似源域大数据上预训练混合模型,获得两任务间的共有特征知识,借助对该知识的迁移,在目标域微调该混合模型,从而提升支持向量回归机在小样本噪声数据上的学习预测精度。在一定作战想定背景下,结合武器装备体系仿真试验数据,对该混合模型进行验证。实验结果表明,与传统支持向量回归机等模型相比,所提模型能够更准确地评估装备效能。     

基于支持向量机与概率输出网的深度学习模型

本文提出了基于支持向量机与概率输出网络的深度学习回归模型.该回归模型利用深度学习的深层结构,以及支持向量机的泛化能力、概率输出网络中的条件概率估计特点,建立了多层支持向量机的深度学习结构,避免了深度学习的参数选择问题.其中核参数的选择域呈网格状,通过求取输出对应β分布的累积概率分布和经验累积概率分布的K-S检验,求取一致性的p值最大对应的核参数作为支持向量机模型的核参数.对应的输出为模型提取的特征,作为下一层的输入,直至模型达到结束条件为止.仿真实验通过三个标准的回归数据集证明了本文提出模型的有效性.     

基于多任务学习方向图可重构稀疏阵列天线设计

方向图可重构天线能够根据实际需要实时改变阵列天线的方向图,稀疏天线阵在满足方向图要求的前提下可以有效降低天线设计的复杂度。提出了一种基于多任务学习的方向图可重构稀疏阵列天线设计方法。将稀疏阵列优化设计及其方向图综合问题转换成为稀疏矩阵的线性回归问题,利用多任务学习能同时对多个相关任务优化学习的特性,建立了多个方向图联合赋形的多任务学习模型。通过迭代收缩阈值的方法,对多任务学习问题进行优化求解,使得阵列天线能够使用更少的阵元实现多个方向图的重构。仿真结果表明,该方法可以生成相同阵列结构的稀布天线阵,并通过动态改变其权值向量,实现多个方向图的精确赋形。     

基于支持向量机的分布数据挖掘模型DSVM

针对分布环境的数据挖掘要求,提出了基于支持向量机的分布数据挖掘模型DSVM.定义了DSVM中特征多叉树的概念,描述了基于移动Agent访问分布数据集来构建特征多叉树的方法,阐述了通过特征多叉树来反映分布环境各数据集属性总体特征的思想,并利用该数据结构和支持向量机的特点,提出了基于壳向量的分布式支持向量机增量算法来修正和完善特征多叉树,最终实现分布环境下全局的数据挖掘.实验结果表明,该模型有效地解决原有分布环境下其他挖掘算法存储开销大、执行效率差、安全性和隐私性低等问题.     

多参数装备费用的支持向量机预测

支持向量机是一种采用结构风险最小化原则代替传统经验风险最小化原则的新型统计学习方法 ,具有完备的理论基础。首先应用支持向量机原理建立了基于支持向量机的多参数装备费用预测模型 ,然后采用模型对整套机载电子设备费用进行了预测。通过与多元线性回归和神经网络的预测结果对比 ,建立的新型装备费用预测模型具有更好的预测精度     

支持向量机在武器系统效能评估中的应用

传统的基于仿真的武器系统效能评估方法一般都需要大量仿真实验结果的统计量。针对仿真实验样本有限的情况,首先分析了统计学习理论和支持向量机(Support Vector Machine,SVM)方法;接着在此基础上研究了基于支持向量机的武器系统效能评估方法,并对该评估方法进行算子化,得到基于支持向量机的效能评估预报模型;最后,针对导弹武器系统效能评估问题,给出基于支持向量机的效能评估算子的应用例子,并对评估结果进行了分析。     

基于分组特征多核支持向量机的微钙化簇检测

针对疑似区域内的乳腺微钙化簇和正常乳腺组织特征的多源性这个一直被忽略的问题,提出基于分组特征多核支持向量机(GF-SVM)的乳腺微钙化簇检测。特征被分组后针对不同源特征分别使用不同的核函数映射,组合成多核SVM。将多核SVM转化为半定规划问题,求解多核SVM的核函数权值系数。在训练样本的选择方面采用主动反馈学习方法最终得到稳定的样本模型。实验结果表明,与传统的基于单核SVM相比,该方法具有更好的检测性能。     

基于改进NSGA3的焊接缺陷评估特征选择

在基于多源信息融合的焊接缺陷评估中, 特征选择对提高评估精度与速度发挥着重要作用。多源特征集由电弧电特征与电弧声音特征组成, 其特点在于特征集中存在冗余与互补特征。因此, 本文提出一种基于改进非支配排序遗传算法-Ⅲ(non-dominated sorting genetic algorithm-Ⅲ, NSGA3)的多目标特征选择方法, 旨在从多源特征集中找到最优特征子集。该方法首先对特征集进行相关、冗余和互补特性分析, 再以冗余性最小, 相关性与互补性最大为目标建立多目标特征选择优化模型。并基于相关、冗余和互补评价函数提出一种新的变异算子来引导变异过程, 以减少无效特征的影响, 提高收敛效率。实验采用支持向量机作为学习器来验证学习效果, 结果表明, 所提方法与其他3种方法相比, 可以在特征子集维度和预测精度方面获得更好的性能。     

一种自适应权值的多特征融合分类方法

由于类别较多或者特征单一等原因,传统的支持向量机方法对一些复杂问题的分类,很难获得好的识别效果。首先使用一种树状结构将概率支持向量机推广到多分类问题|然后提出一种自适应权值的多特征融合方法,根据概率输出自动调整不同分类器的相关权值,将所有分类器的结果进行加权得到最终的判决结果。为解决实际应用中常出现的非平衡问题,提出综合权值方法,将类别权值与特征权值进行综合。实验结果表明,融合方法较之传统的支持向量机一对一方法以及概率支持向量机方法能够获得更高的识别率|对于非平衡问题,综合权值方法可以得到更加合理的识别结果。     

基于贝叶斯融合与仿真的系统剩余寿命预测

针对复杂设备的系统级剩余寿命预测问题, 提出一种将贝叶斯理论与仿真相结合的融合预测方法。首先, 采用仿真方法将单机级的多源失效信息折合到系统级, 并转化为验前分布。然后, 结合系统级的现场试验数据, 获得多源信息的验后分布, 并通过加权融合确定联合验后分布, 从而预测系统的剩余寿命。最后, 以某系统作为实例进行方法验证。结果表明，所提方法为系统剩余寿命预测提供了一条可行思路, 并能够在工程实践中运用。     

基于支持向量机的非线性系统辨识

支持向量机（SVM）是一种基于结构风险最小化原理的学习技术，也是一种新的具有很好泛化性能的回归方法，该文利用支持向量机对非线性系统进行黑箱建模，介绍了V-SVR的基本理论，并进行了仿真实验，结果验证了所提出的方法的正确性和有效性。     

Incremental support vector machine algorithm based on multi-kernel learning

A new incremental support vector machine (SVM) algorithm is proposed which is based on multiple kernel learning.Through introducing multiple kernel learning into the SVM incremental learning,large scale data set learning problem can be solved effectively.Furthermore,different punishments are adopted in allusion to the training subset and the acquired support vectors,which may help to improve the performance of SVM.Simulation results indicate that the proposed algorithm can not only solve the model selection problem in SVM incremental learning,but also improve the classification or prediction precision.     

半监督稀疏近邻保持投影

提出了改进的稀疏子空间学习方法。首先,提出了稀疏近邻相关性重构模型,该模型通过提取样本间的局部信息和标记样本的标签信息,解决了稀疏子空间学习的全局特征导致数据描述不充分的问题;其次,利用半监督技术,引入正则化参数对无标签判别特征和标签判别特征进行特征融合,提高了基于稀疏近邻相关性重构的子空间学习算法的性能。实验结果表明,该方法具有较高的分类性能和识别率,此外,稀疏近邻相关性重构在提取判别信息时具有良好的稳定性。     

基于联合局域相关向量机的雷达导引头状态预测方法

针对雷达导引头机电结构组成复杂、性能指标测试数据信息利用率不足、使用传统基于数据驱动的状态预测方法精度不高的问题,借鉴相关向量机(relevance vector machine,RVM)和Dempster-Shafer (D-S)证据理论,提出了一种基于证据融合和改进局域RVM的状态预测方法。首先,对标准RVM回归模型进行改进,通过构建方差高斯核函数(variance Gauss kernel function, VGKF)来提高核函数的全局性能和泛化能力;然后通过借鉴混沌序列局域预测法中邻近点个数的选取方法,利用Hannan-Quinn (H-Q)准则对训练空间预测嵌入维数进行优化,避免了主观选取的盲目性,完成了改进局域相关向量机模型(local relevance vector machine, LRVM)的构建;最后,利用具有近似退化规律的同源装备测试数据对LRVM进行了改进,通过D-S证据理论对两种模型的预测结果进行了融合,建立了联合局域相关向量机(united local relevance vector machine, U-LRVM)模型。通过对导引头相关参数的实例预测,验证了该方法的可行性和优越性。     

基于PCA和最小二乘支持向量机的软测量建模

软测量技术是解决工业过程中普遍存在的一类难以在线测量变量估计问题的有效方法,支持向量机是基于统计学习理论的一种新的机器学习方法。提出了一种基于主元分析(PCA)和最小二乘支持向量机的软测量建模方法,用主元分析对输入变量进行数据压缩,消除变量之间的相关性,简化支持向量机结构,并通过交叉验证的方法对支持向量机进行参数选择。将其用于4-CBA软测量建模的结果表明:该方法具有学习速度快、跟踪性能好以及泛化能力强等优点,为4-CBA软测量建模的在线实施提供了方便。     

基于VMD和特征融合的辐射源信号识别

在日趋复杂的电子对抗中,如何提高雷达辐射源信号(radar emitter signal, RES)识别率和抗噪性能是亟待解决的问题。为此提出了一种变分模态分解(variational mode decomposition, VMD)和特征融合相结合的RES识别方法。首先利用VMD算法对各雷达信号进行分解得到3个本征模态函数(intrinsic mode function, IMF);然后,对这3个IMF分量提取排列熵(permutation entropy, PE)和样本熵(sample entropy, SE)特征进行特征融合，构成六维特征向量；最后利用支持向量机对辐射源信号进行识别。利用6种不同的辐射源信号对该方法进行了验证,仿真实验结果表明,该方法在低信噪比(signal to noise ratio, SNR)下能取得较好的识别率,当SNR不低于0 dB时,六维特征向量的识别率达到100%,具有较强的抗噪性能。