基于样条函数的光滑支持向量机模型

应用光滑函数改进支持向量机模型,得到无约束条件、可微的二次规划问题,从而可以采用快速的最优化算法求解光滑支持向量机模型.提出了一种广义三弯矩方法,用这个方法构造出新的五次样条光滑函数和七次样条光滑函数.证明了上述两个样条光滑函数的逼近精度均高于已有的各种光滑函数;基于上述两个样条函数的光滑支持向量机模型的收敛精度也高于已有的各种光滑支持向量机模型.     

线性规划支持向量机在非线性系统辨识中的应用

使用线性规划优化技术代替二次规划优化技术,通过最小化支持向量数来实现支持向量机算法.由于线性规划支持向量机的核函数不需要满足Mercer定理,因此,采用复高斯小波B样条小波作为支持向量机的核函数,建立了线性规划支持向量机模型,并将其用于非线性系统的辨识.仿真结果表明,线性规划支持向量机模型的辨识精度高于二次规划支持向量机模型.     

基于Pinball损失函数的半监督支持向量机

基于Pinball损失函数的流形正则化半监督二分类支持向量机,建立一个新的半监督二分类支持向量机模型,采用对偶方法导出新模型的对偶问题,给出求解模型的算法步骤,并对模型进行了参数分析;针对新模型的分类准确性和抗噪声性能进行数值实验。结果表明,合适的损失函数参数有助于提升模型的分类效果,并且新模型具备一定的抗噪声能力和对再采样的稳定性。     

基于二次规划的无监督支持向量机

支持向量机在分类中的推广能力是非常显著的.通过构造目标函数和约束条件,借助二次规划模型提出了一种无监督支持向量机,它能在聚类的同时求出最优分类超平面并保证了支持向量机的推广能力.     

支持向量机的光滑与逼近关系研究

支持向量机是近年来数据挖掘领域发展起来的一个新方法.对现有的四个光滑支持向量机进行了分析,研究了支持向量机的光滑与逼近的关系.数值实验结果表明,支持向量机在具有二阶光滑的条件下,分类效果随逼近精度的提高而改善.     

光滑支持向量机模型及算法比较

光滑支持向量机(SSVM)可以用牛顿法等快速算法求解,典型的光滑函数有sigmoid函数的积分函数、多项式函数、插值函数和样条函数。本文从理论和数值实验两个方面比较研究了这些光滑函数逼近正号函数的精度及SSVM模型的常用求解算法Newton-Armijo法、BFGS-Armijo法和Newton-PCG法的收敛速度。研究表明,光滑函数越逼近正号函数,解的精度越高,而训练时间也明显增加;Newton-Armijo法的收敛速度慢于后两种方法,而Newton-PCG法收敛速度最快。     

一种新的半监督支持向量机

在模式识别中,采取支持向量机对有类别标签样本分类是非常有效的,但在实际应用中,对样本进行标记并不是一件容易的工作.通过综合利用有类别标签和无类别标签样本信息构造目标函数和约束条件,借助二次规划模型提出了一种新的半监督支持向量机,从而提高了仅依靠有类别标签样本支持向量机的分类准确率.     

部分线性模型的光滑样条推断

运用光滑样条估计部分线性模型中的非参数函数,利用限制最大似然或广义交叉验证（GCV）的方法选择光滑参数,主要考察了部分线性模型的光滑样条估计以及有关非参数函数部分的假设检验．基于光滑参数的选择方法,提出了部分线性模型中的非参数函数是否为多项式函数的假设检验方法,并通过模拟例子研究本文提出的推断效果．     

基于ramp损失函数的原空间支持向量机

针对传统支持向量机对噪声敏感的问题,给出一种基于不对称形式的二次不敏感控制型ramp损失函数的支持向量回归机,采用凹凸过程优化和光滑技术算法,将非凸优化问题转化为连续且二次可微的凸优化问题,利用有限步终止的Amijo-Newton优化算法,求解所建立的优化模型,并分析了算法的收敛性.该算法不仅可以保持支持向量的稀疏性,而且还可以控制训练样本中的异常值.实验结果表明,该模型保持了很好的泛化能力,无论对模拟数据还是标准数据都具有一定的拟合精度,与标准支持向量机模型相比,不仅能够降低噪声和孤立点的影响,而且也具有较强的鲁棒性.     

一个四次多项式函数的单调性和光滑性分析

光滑函数在支持向量机中起着重要作用。Chen和Mangasarian用Sigmoid函数的积分函数作为光滑函数,提出了一个光滑的支持向量机。袁玉波等人用一个四次多项式函数作为光滑函数,提出了一个多项式光滑的支持向量机,但未对该多项式函数的有关性能进行详细分析。提出分析多项式函数的若干性能。结果表明,该多项式函数具有单调性和二阶光滑性,为研究光滑支持向量机提供了更好的理论支持。     

A polynomial smooth epsilon-support vector regression based on cubic spline interpolation

Regression analysis is often formulated as an optimization problem with squared loss functions.Facing the challenge of the selection of the proper function class with polynomial smooth techniques applied to support vector regression models,this study takes cubic spline interpolation to generate a new polynomial smooth function |x|_ε~2 in ε-insensitive support vector regression.Theoretical analysis shows that S_ε~2-function is better than p_ε~2-function in properties,and the approximation accuracy of the proposed smoothing function is two order higher than that of classical p_ε~2-function.The experimental data shows the efficiency of the new approach.     

基于边缘流曲线演化方法的改进

基于边缘流的曲线演化模型是有效的图像分割模型之一.该模型主要利用高斯函数的平滑作用产生边缘流场.本文引入三次B样条函数来计算边缘流场.不同于高斯函数的非紧支撑性,三次B样条函数是紧支撑的,这就使得改进的边缘流模型更有利于计算机的离散化实现,提高了边缘定位的精确度.计算机合成图像和实际图像的实验结果也表明了改进后的模型是非常有效的.     

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。     

采用两阶段策略模型(KTSVM)的P2P流量识别方法

针对识别加密P2P网络流量比较困难的问题,提出一种基于K均值和直推式支持向量机(TSVM)的半监督学习模型———两阶段策略模型(KTSVM,k-means based transductive supportvector machine),以提高P2P流量的识别精度.该模型首先使用K均值半监督聚类算法计算训练集中正例样本的数目,然后根据正例样本的数目来训练TSVM分类模型,提高了TSVM模型的稳定性和准确性.该模型的优势是可以使用未标注样本和标注样本共同训练分类模型,非常适合于识别标注比较困难的P2P流量.实验结果表明,在标注样本较少的情况下,该模型的识别精度和稳定性均优于TSVM模型和SVM模型.     

基于粒子群优化算法的支持向量机研究

基于粒子群优化算法提出了一种通过优化支持向量机模型参数,建立更佳的支持向量机数学模型的方法. 针对双螺旋分类问题,分别利用基于粒子群优化算法所建立的支持向量机分类器和标准支持向量机分类器进行了仿真实验,利用所建立的评价体系对仿真实验所获得的实验数据进行了评估,评估结果表明基于粒子群优化算法的支持向量机分类器明显优于标准支持向量机分类器,其分类结果表明基于粒子群优化算法的支持向量机分类器提高了分类结果的准确性,同时也验证了基于粒子群优化算法的支持向量机分类器在数据分类中的有效性.      

基于改进自适应粒子群算法的混合核函数最小二乘支持向量机大坝变形预测

针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.     

基于图像处理技术的尺寸测量中边缘定位算法

为了进一步提高图像的定位精度,设计了一种基于插值理论的精确定位细分算法.通过多尺度小波变换与三次样条插值相结合,实现了亚像素级的测量.基于多尺度边缘检测的小波边缘检测方法,既能对边缘进行准确定位,又可以有效去除噪声干扰,提高边缘检测的稳定性和准确性.三次样条插值函数是分段插值函数,算法复杂度低、段与段之间连接处平滑、具有快速收敛性和稳定性.将上述两种融合的边缘定位算法,可以对图像进行精确检测和测量,其精度达到0.001个像素.     

基于最小二乘支持向量机的阵列波束优化研究

针对标准支持向量机计算复杂度高、内存开销大、训练速度慢的缺点,为改善标准支持向量机的训练效率,快速优化阵列波束,提出了基于最小二乘支持向量机(least squares support vector machine,LSSVM)的阵列波束优化方法。LSSVM采用二次损失函数取代标准支持向量机中的不敏感损失函数,将不等式约束变为等式约束,从而将二次规划问题转化为一个线性矩阵求解问题,具有良好的快速性;与传统的标准支持向量机波束形成相比,所需计算资源更少,训练速度更快,计算效率更高,泛化能力更强。仿真实验结果表明:在保持波束形成的性能指标基本不变的情况下,LSSVM降低了计算复杂度,减少了内存开销,提高了运算速度和收敛精度,为波束形成器的优化设计提供了一种新的有效方法。