基于子空间选择的SVM快速算法及其在医学图像奇异点检测中的应用

支持向量机（SVM）花费大量时间用于对非支持向量样本的优化．根据支持向量都是位于两类边界的靠近分类超平面的样本点，本文提出首先利用基于中心距离比值法排除大部分远离分类超平面的样本，然后以最小类间距离样本数作为测度进一步选择边界样本．得到包含所有支持向量的最小样本集，构成新的训练样本集训练SVM．将提出的算法应用于解决医学图像奇异点检测问题．实验结果表明．该算法减小了训练样本集的规模，有效地缩短了SVM训练算法的时间．同时获得了较高的榆出率．     

基于DLSVM算法的高分辨率遥感图像分类研究

为了进一步提高高分辨率遥感图像的分类精度及效率,融合支持向量机SVM及局部支持向量机KNNSVM算法,借助主动学习相关理论,提出了基于距离的局部支持向量机算法(DLSVM).该算法通过对未标记样本和超平面之间的距离与预先设定的距离阈值相比较,判断是否需要进一步建立局部支持向量机KNNSVM来确定样本的类标.对实际的高分辨率遥感图像分类的实验结果显示:在合适的距离阈值与K值的设置下,该算法能够提高支持向量机SVM的分类精度,同时大大降低KNNSVM算法的时间消耗.     

基于t分布随机邻域嵌入的阿尔茨海默症诊断模型

对大脑皮层厚度数据进行建模从而实现阿尔茨海默症的诊断.在训练样本少,数据复杂且非线性的情况下,相比于BP神经网络和k最近邻等算法,支持向量机算法表现出更优良的特性.针对支持向量机算法受数据高维度的影响,将t分布随机邻域嵌入算法引入到支持向量机模型.t分布随机邻域嵌入算法既能撷取原始高维数据的局部信息,也能揭示全局结构.t分布随机邻域嵌入算法先将这些非线性数据降维到低维空间,支持向量机算法再将这数据映射到新的高维空间,通过寻找最佳分类超平面的方法,使分类效果达到最佳水平.最后将集成学习算法AdaBoost的思想融入模型,可以使模型的分类准确率得到提升,而且变得鲁棒性更强.     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

基于鲁棒局部嵌入的孪生支持向量机

针对已有非平行超平面支持向量机(NHSVM)分类方法仅考虑训练样本的全局信息却忽视训练样本之间局部几何结构的问题,将鲁棒局部线性嵌入(ARLE)方法的基本思想引入NHSVM中,提出一种基于鲁棒局部嵌入的孪生支持向量机(ARLEBTSVM)。该方法不但继承NHSVM方法具有的异或(XOR)问题处理能力;而且可以很好地保持训练样本空间的局部信息,同时通过考虑样本的全局分布来自动抑制野值样本点对嵌入的影响,从而在一定程度上提高分类算法的泛化性能。为了更好地处理非线性分类问题,通过核映射方法构造非线性ARLEBTSVM。在人造数据集和真实数据集上进行实验,结果表明ARLEBTSVM方法具有更好的分类性能。     

云计算环境的并行支持向量机

针对基于GPU和MPI并行的支持向量机（SVM）算法不适合于云计算环境,设计了一种基于多级SVM的并行支持向量机模型,实现了云计算环境下的序列最小优化（SMO）的并行算法。该算法通过MapReduce系统将大规模训练数据集划分为若干小训练集,再由这些小训练集开发多级的SVM,最后收集每一个SVM最优超平面附近的样本数据来训练另一个新的SVM。实验结果表明,该算法在时间消耗与分类正确率等综合方面比单机算法和传统并行算法获得更好的效果。     

SVM与DTM结合实现语音分类识别

提出一个将支持向量机（SVM）与动态时间归正算法（DTW）相结合的方法，即将DTW内嵌入SVM常用的径向基内积核函数（RBF）中，由此得到一个RBF／DTW混合结构内积核函数，从而实现支持向量机对语音的分类识别。     

迭代算法求解支持向量机中的分离超平面

支持向量机的关键在于获取分离超平面,一般是基于规划的学习算法,把求解问题转化成凸二次规划问题.采用感知机的迭代算法思路求解支持向量机的分离超平面,算法包括两个迭代过程,首先利用感知机的迭代算法获取一个分离超平面作为初始分离超平面;然后将初始分离超平面不断地旋转和平移,直至正类集和负类集的支持向量到分离超平面的距离相等,此时的分离超平面就是支持向量机的分离超平面.最后分别采用解凸二次规划方法和迭代算法对鸢花分类数据进行学习,获得的支持向量和分离超平面完全一致,说明该迭代算法简单有效.     

雷达近场成像中SVM的目标识别方法

雷达近场成像中,在精确定位的基础上,为解决目标形状识别问题,提出了利用支持向量机（SVM）预测目标信息的方法.根据时域算法——后向投影（BP）算法和频域算法——频率波数域（F-K）偏移算法得到的场强值作为SVM的特征数据,并利用时域有限差分法（FDTD）进行仿真.仿真结果表明,基于BP算法的SVM识别方法具有特征数据提取时间长、SVM预测时间短、多目标时目标信息全和虚警较多等特征,基于F-K算法的SVM识别方法具有特征数据提取时间非常短、SVM预测时间非常短、多目标时目标漏检的特征;两者都能较好地识别目标的形状,且前者的识别能力高于后者,而后者更适合实时成像.     

鲁棒的加权孪生支持向量机

基于局部信息的加权孪生支持向量机(WLTSVM)借用类内及类间近邻图分别表示类内样本的紧凑性和类间样本的分散性,克服孪生支持向量机(TWSVM)欠考虑训练样本间相似性的缺陷,并且在一定程度上降低二次规划求解的计算复杂度。然而,WLTSVM仍不能充分刻画类内样本潜在的局部几何结构,并且存在对噪声点敏感的风险。基于以上不足,提出一种鲁棒的加权孪生支持向量机(RWTSVM)。与WLTSVM相比,RWTSVM的优势在于:选用热核函数定义类内近邻图权值矩阵,可以更好地刻画类内样本潜在的局部几何结构及蕴含的鉴别信息;用类间近邻图选取边界点,同时结合类内近邻图使得超平面远离边界点中权重较大的样本,降低算法对噪声点敏感的风险。人造数据集和真实数据集上的测试结果验证算法RWTSVM的有效性。     

基于L_1范数支持向量分类机的算法扰动设计

普通向量分类机算法普遍有效率低下、算法复杂的缺点,为了进一步降低计算量,提高算法效率,提出了支持向量机算法.该算法将二次规划问题转换为线性规划问题,同时可以进行优化降次.结果显示,在数据量较大的情况下可以迅速并较为准确地处理大量数据,面对较为困难的数据处理时可以实现数据的有效分类.     

基于核函数的最大间隔聚类算法

提出了基于最优超平面与支持向量机思想的最大间隔聚类算法。该方法借鉴了最优超平面思想和用核函数非线性映射构造支持向量机的思想。通过构造一个二次规划问题 ,得到了使分类后两类间距最大的聚类方法 ,并且借助非线性核函数将该方法推广到非线性情况。仿真试验表明 :该方法可以较好地解决很多非监督分类问题 ,得到的结果基本不受数据分布形状的影响     

求解离散双线性系统最优控制的两级算法

讨论了具有二次型目标函数的离散双线性系统的最优控制问题，提出了一种两级最优控制算法，并证明了该算法的收敛性。该算法首先把非线性问题转化为一系列线性子问题，然后利用动态规划求解此线性子问题。仿真结果表明该算法是有效的。     

一个确定性的全局优化算法

对广泛应用于工程中一类比式规划问题(P1)给出了一个确定性全局优化算法.通过利用线性化技术,建立了问题(P1)的等价问题(P2)的松弛线性规划(RLP),通过对(RLP)可行域的细分以及一系列(RLP)的求解过程,提出的算法收敛到问题(P1)的全局最优解.最终数值实验表明了提出方法的可行性.     

一类多乘积问题的全局优化方法

给出一类多乘积问题(P)的全局优化方法.首先将(P)转化为其等价问题(Q),利用变量代换,把(Q)写成(EQ)形式,然后建立(EQ)松弛线性规划(RLEQ),通过求解一系列线性规划问题,不断更新最优值的上下界,证明了所给算法的收敛性,数值实验表明算法是可行的.     

整数线性规划的一种新的隐数搜寻方法(英文)

提出了一种新的求解整数线性规划的隐数搜寻方法.在本算法中,目标函数作为参数变化,这样相应的目标函数超平面与线性规划松弛问题的有效锥多面体相交产生一个单纯形,变量的界可以通过目标函数超平面上的这个单纯形来确定;接下来,如果在所有变量的取值区间中都存在整数,一个带右手边参数的辅助约束将被引入到原问题中,以便通过一组不等式的迭代计算来进一步改进决策变量的界;最后,一种阻止搜寻方法被用于搜寻问题的解.该文对几个经典算例和随机算例进行了计算,初步证实本算法是方便和高效的.     

一个求解线性双层规划的全局收敛算法

用线性规划对偶理论讨论了线性双层规划的最优性条件，利用下层问题的对偶间隙，将线性双层规划转化为目标函数带惩罚项的单层问题，通过对转化后的单层问题进行求解，给出了一个求解线性双层规划局部最优解的方法，然后引进一种割平面约束来修正当前局部最优解，直到求得线性双层规划的全局最优解。提出的算法具有全局收敛性，并通过一个算例说明了算法的求解过程。     

一种求解随机线性二层规划问题的分支定界-粒子群混合算法

将一类随机线性二层规划模型转换为带期望约束的确定性线性二层协方差规划模型,并进一步利用KKT条件将二层协方差规划模型转化为单层规划模型,然后利用分支定界-粒子群混合算法对该模型进行求解.与传统分支定界算法的对比实验表明,该算法有效改善了上层问题的方差结果,且计算效率得到了较显著提高.     

线性分式规划全局最优解的确定性方法

针对分式规划问题的求解,给出一个确定性全局优化算法.首先将原问题转化为一个等价问题,然后利用线性化技巧,建立等价问题的松弛线性化问题.通过对可行域的不断剖分以及一系列松弛线性化问题的求解,逐步求得原问题的最优解.理论上证明了算法的收敛性,数值算例表明算法是可行的.     

运用EO-1 Hyperion数据和单类支持向量机方法提取岩性信息

将扩展的单类支持向量机方法运用到高光谱岩性识别中, 并分析和评价该方法的性能。利用单类支持向量机分别提取各个感兴趣的岩性类别, 对于被识别为多个岩性类别的像元, 根据该像元与每个单类支持向量机所确定的分类超平面的距离来确定属于哪一类别, 这样, 利用扩展的单类支持向量机来可提取多个感兴趣的岩性类别。将该方法运用到新疆准噶尔地区的EO-1 Hyperion高光谱数据岩性分类中, 并与传统的光谱角制图方法进行比较。结果表明, 扩展的单类支持向量机方法的岩性分类精度显著高于光谱角制图方法, 是一种新的可用于高光谱数据的岩性分类方法。