基于核的多超球面一类支持向量机分类算法

为了降低单超球面一类支持向量机(One Class-SVMs,简称OC-SVMs)分类算法的错分率,提出了一种基于核的多超球面一类支持向量机分类算法.算法利用核空间中样本特征差异突出的特性,首先对样本在核空间进行K-均值聚类,然后使用OC-SVMs对各子类训练建立多超球面分类模型,实现分类判决.实验结果表明,算法有效地提高了分类精度.     

一类支持向量机的设备状态自适应报警方法

为了提高对异常状态识别的适应性和有效性,提出了一种基于一类支持向量机的设备状态自适应报警方法.该方法使用一类支持向量机的在线算法,动态估计监测参数在高维特征空间中的最优分布区域,将新数据与上一时刻分布区域的相对距离作为异常指标,描述监测参数的统计特征变化,辨识出设备的异常状态.通过对仿真数据的报警效果分析,以及将该方法应用于对加热炉风机的振动监测中,得到的异常报警结果能够满足实际监测的需要,证明该方法具有异常的识别敏感性、缓慢劣化包容性和状态迁移适应性的特点.     

基于聚类分析和支持向量机的布匹瑕疵分类方法

提出一种基于聚类分析和支持向量机(SVM)的布匹瑕疵分类方法.该方法充分利用瑕疵的几何特征,首先使用迭代自组织数据分析技术算法(ISODATA)对其进行聚类,在聚类形成的子空间内再根据瑕疵的纹理特征利用SVM进行分类.根据布匹瑕疵的特点提出一种新的几何特征,并使用各类瑕疵的几何特征均值作为初始聚类中心,提高ISODATA算法的聚类效果.实验表明,该方法有效地提高了分类准确性,降低了训练的复杂度,分类准确率可达90%.     

基于SVM的刻蚀工艺失效状态识别

针对反应离子刻蚀工艺,研究其状态监测与识别.采用主元分析(PCA)方法对原始数据进行降维,提取出有效的特征子集,再应用SVM建立失效状态的诊断识别模型,分析模型参数对失效状态的分类识别效果.采用主元分析法进行数据降维,从多监控量中提取影响最大的特征子集,再基于支持向量机(SVM)算法建立了失效状态的诊断识别模型,并分析了模型参数对失效状态的分类识别效果.研究结果验证了基于SVM方法的有效性,表明该模型具有高效的模式识别能力,可应用于存在小样本问题的其他半导体工艺状态分类和识别中.     

基于迹比优化的正交子空间支持向量机

针对多平面支持向量机机器学习算法的分类性能受特征数量限制的问题,提出一种正交子空间支持向量机(orthogonal subspace support vector machine,OSSVM).首先为每类数据寻找一个正交子空间,使得该类数据和其他类数据在子空间中的投影存在较大间隔;然后基于迹比优化提出求解OSSVM模型的迭代算法,再利用核方法将OSSVM扩展为非线性模型.实验结果验证了本文算法在数据分类中具有良好的泛化性能.     

基于减法聚类的带钢厚度数据驱动建模

针对轧钢生产中大批过程数据没有被用于提高厚度质量的现象,提出了一种基于减法聚类的带钢厚度数据驱动在线建模方法.首先通过减法聚类将输入空间划分为一些小的局部空间,在每个局部空间中用最小二乘支持向量机建立子模型,子模型加权输出作为带钢厚度的离线模型;然后当在线数据不断增加时,通过在线减法聚类算法实时调整局部空间,子模型的参数采用最小二乘支持向量机的递推算法进行相应的在线辨识,子模型的预测输出作为模型的最后输出.实验结果表明,该方法具有良好的预测精度和较强的在线学习能力.     

滚动轴承故障程度识别

针对实际运行滚动轴承的故障程度问题,提出一种诊断滚动轴承故障程度的方法.深入研究滚动轴承的故障机理、振动信号的时域特征以及不同程度故障对滚动轴承运行的影响进行了,广泛分析振动特征提取方法和支持向量机的算法,采用了小波包能量法提取状态特征,使用新型二叉树支持向量机的多类分类算法.实验结果表明采用小波包提取状态特征和支持向量机可以滚动轴承故障程度识别,模型的学习、泛化能力强.     

基于模糊聚类SVM的混合像元分类方法

针对遥感影像分类过程中混合像元难判别的问题, 提出一种基于Gustafson-Kessel模糊聚类算法的支持向量机（SVM）分类模型. 以Gustafson-Kessel算法优选训练样本方式提高支持向量机的分类性能. 为验证其有效性, 将该模型应用于森林覆盖类别分类, 并与标准支持向量机模型分类结果对比. 实验结果表明, 该方法能提高支持向量机对混合像元划分的精度.     

基于核的多超球面—类支持向量机分类算法

为了降低单超球面一类支持向量机（One Class—SVMs,简称OC—SVMs）分类算法的错分率,提出了一种基于核的多超球面一类支持向量机分类算法。算法利用核空间中样本特征差异突出的特性,首先对样本在核空间进行K-均值聚类,然后使用OC—SVMs对各子类训练建立多超球面分类模型,实现分类判决。实验结果表明,算法有效地提高了分类精度。     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...     

基于核方法的复杂设备运行状态监测技术

分析了复杂机械设备运行状态监测中遇到的困难，介绍了基于核的特征提取方法和基于支持向量机的模式识别理论，指出：将核方法应用到状态监测中有望解决其中的非线性、不精确性和不确定性问题，为该领域的研究提供了全新且可行的研究途径。     

支持向量机与哈夫曼树实现多分类的研究

提出了基于哈夫曼树的支持向量机多分类方法,该方法首先将1个多分类问题分解为多个2分类问题,针对每个2分类问题使用支持向量机2分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较。实验结果表明:新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越。     

支持向量机在刀具磨损多状态监测中的应用

基于多传感器信号、采用多分类支持向量机(support-vector-machine,SVM)实现了刀具监测的多状态辨识.通过对切削过程中的多向切削力和振动信号等多传感器信息进行分析,分别获得时域、频域和小波域的信息作为磨损分类特征;同时,运用基于一对多(one-versus-all,OVA)的多分类支持向量机对刀具不同磨损状态下的特征数据样本进行训练和识别.对切削过程中不同磨损状态的分类结果表明,多分类支持向量机具有出色的学习能力,能够实现在小样本情况下的不同磨损阶段分类,并具有较高的识别精度.     

基于手机传感器的用户行为识别

基于手机传感器实现用户行为识别在健康监控、时间管理和个人喜好分析、资讯筛选和推送等方面的重要作用,研究一种基于手机三轴加速度传感器、方向传感器获取用户数据,采用SVM多分类方法中的决策树分类方法,在决策树各节点训练SVM分类器,用于识别静止、步行、奔跑、上楼梯和下楼梯等5种日常行为,进而实现对用户行为的识别。通过对不同实验者的交叉对比实验,识别准确率平均为91.65%,证明了这一方法的有效性。     

一种新的SVM多类分类算法

给出了一种基于编码二叉树的支持向量机(SVM,Support Vector Machine)的多类分类算法.首先,定义了一种构造编码二叉树的方法,在此基础上合理的使用每个训练样本对应的编码来对多类样本进行划分,使之转化为两类分类问题.由算法的实现过程可以看出,本算法可以大大减少子分类器的构造个数,从而简化了多类SVM分类算法.     

一种多分类的微博垃圾用户检测方法

针对微博多类垃圾用户的检测问题,设计了一种基于模糊多类支持向量机的垃圾用户检测方法。首先,采用一对多SVM(support vector machines)的构造思想来构造多分类器,并针对每类用户的分类器重新选择训练集;然后,利用构造好的训练集来训练多分类器,经过反复调整参数,得到5个用户分类器;最后,针对多分类器的不可分样本,采用模糊聚类来进行模糊处理,即在垂直于SVM的最优分类面上定义一个改进的隶属度函数,选择最大隶属度对样本进行再分类。实验结果表明,该方法在保证垃圾用户检测效果的前提下,可以解决多分类中存在的混分和漏分问题。     

Machinery Condition Prediction Based on Support Vector Machine Model with Wavelet Transform

Soft failure of mechanical equipment makes its performance drop gradually,which occupies a large proportion and has certain regularity. The performance can be evaluated and predicted through early state monitoring and data analysis. The vibration signal was modeled from the double row bearing,and wavelet transform and support vector machine model（ WT-SVM model） was constructed and trained for bearing degradation process prediction. Besides Hazen plotting position relationships was applied to describing the degradation trend distribution and a 95%confidence level based on t-distribution was given. The single SVM model and neural network（ NN） approach were also investigated as a comparison. Results indicate that the WT-SVM model outperforms the NN and single SVM models,and is feasible and effective in machinery condition prediction.     

基于SVM的分类算法与聚类分析

运用结构风险最小化原理和聚类原理，将支持向量机中有监督的分类算法与统计中无监督的聚类算法有机地结合起来。对线性可分与线性不可分两种情况分别建立了无监督的分类模型，模型的求解转化为一个二次规划问题。同时此模型也适合于多分类情况，在应用到心脏病的医疗诊断中，准确率为88．5％，较以前的方法有了明显的提高。     

基于极端梯度提升算法的滑坡易发性评价模型

机器学习用于地质灾害的易发性评价分析是当前研究的热点之一,不同的学习模型其效果不尽相同。为合理有效地评价滑坡地质灾害的易发性,依托浙江省温州市飞云江流域地质灾害的调查数据,应用地理信息系统（Geographic Information System,GIS）技术提取坡度、坡向、坡形、地表覆盖、地形湿度指数（Topographic Wetness Index,TWI）、极端小时降雨量、内摩擦角、黏聚力、容重与风化层厚度10个滑坡致灾因子,基于极端梯度提升算法（eXtreme Gradient Boosting,XGBoost）构建模型用于滑坡地质灾害的易发性多分类评价。模型结果通过多分类混淆矩阵进行评价,并与支持向量机（Support Vector Machine,SVM）模型进行精度比对分析。研究结果显示,训练后的XGBoost 算法模型对测试集中极高易发区识别的召回率和精确率分别达到了97.92%和98.06%,F1值达到97.99%,均优于SVM,可为研究地区的滑塌地质灾害易发性评价提供模型支持。     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.