支持向量机和神经网络的融合发展

提出了支持向量机和神经网络的融合发展观。分析了支持向量机和神经网络的异同点。从认知模型角度探讨了神经网络认知模型对于支持向量机认知模型发展的指导作用，提出了支持向量机认知模型概念和发展思路；从支持向量机算法思想角度，提出了一类神经网络算法的发展。     

v-支持向量机的收敛性

支持印量机是在统计学习理论最新发展的基础上产生的一个崭新的学习系统．支持向量机算法通过支持向量控制学习机器的容量．为了控制支持向量的数目，Schφlkopf等提出了v-支持向量机．研究了v-支持向量机的若干性质，并给出了相应算法的收敛性。     

基于密度法的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点，提出了一种基于密度法的模糊支持向量机，在支持向量机中引入样本密度模糊参数，从而减弱了噪音以及孤立点对支持向量机分类的影响．实验结果证明，在抗击孤立点和噪音点的干扰方面，上述方法优于类中心向量方法以及类中心点距离方法，取得了很好的效果．这一方法大大提高了支持向量机分类的泛化能力，从而大大提高了支持向量机的应用范围．     

一种支持向量集合的精简算法

由支持向量机算法得到的支持向量集合通常不是分类所必需的最小集合，冗余支持向量的存在降低了支持向量机的分类速度和实用化能力．为此，提出一种精简支持向量集合的新方法，给出了从原支持向量集合中识别和剔除冗余向量、生成新支持向量集合并确定其元素权值的算法．新方法尤其适用于样本规模大、支持向量数目多的分类问题．实验表明它能够在基本不降低支持向量机分类精度的前提下，大幅度地减少支持向量的数目，提高支持向量机的分类速度．     

基于支持向量机(SVM)的工业过程辨识

将支持向量机应用到典型的时变、非线性工业过程——连续搅拌反应釜的辨识中，并与BP神经网络建模相比较，仿真结果表明了支持向量机的有效性与优越性．支持向量机以其出色的学习能力为工业过程的辨识提出了一种新的途径。     

不确定时滞系统的自适应支持向量机Smith预估控制

针对不确定时滞系统提出了一种自适应支持向量机Smith预估控制新方法．首先采用支持向量机对被控对象进行建模，然后设计了一个自适应支持向量机Smith智能预估器，解决了传统Smith预估控制需要预先知道被控对象精确数学模型的问题，克服了基于神经网络的Smith预估控制的不足．仿真实验结果表明，自适应支持向量机Smith预估控制方法充分利用了支持向量机的非线性映射能力，在被控对象数学模型未知的情况下对不确定时滞对象进行控制，具有良好的控制品质，特别是当对象特性发生变化时，还具有良好的适应性。     

边界向量下的支持向量机算法

针对传统支持向量机中存在原始数据量过大导致训练速度太慢的问题,同时考虑到非支持向量对支持向量机的训练性能无影响,且影响支持向量机性能的支持向量往往位于边界的特点,提出一种提取边界向量的支持向量机算法.数值实验表明:改进算法在保证支持向量机分类能力的前提下,有效提高了支持向量机的分类效率.     

基于TWSVM的图像分类

图像分类技术是图像数据处理中最重要的技术之一.支持向量机是基于统计学习理论而提出的机器学习算法,在样本数少的时候能达到很好的分类效果.孪生支持向量机是基于支持向量机而提出来的,其性能优于支持向量机.通过提取彩色图像的颜色特征与纹理特征,利用孪生支持向量机与支持向量机对这些特征向量进行分类,孪生支持向量机的分类准确率与稳定性都高于支持向量机.     

基于模糊支持向量机的网络入侵检测技术

针对支持向量机算法中存在对噪声数据和异常数据敏感的问题，提出了模糊支持向量机算法，并应用于入侵检测．该算法是在传统支持向量机分类器的构造方法中引入隶属度函数，根据不同输入所得到的分类结果，产生相应的惩罚值．将这个方法应用到入侵检测系统中，能较好地将正常数据和异常数据区分开．实验结果表明，采用模糊支持向量机的入侵检测技术，其误报率低于基于支持向量机的入侵检测，同时其检测率也相对较高．     

基于傅立叶核与径向基核的支持向量机性能之比较

支持向量机（SVMs）是由Vapnik提出的一种建立在统计学习理论上的新方法：这种方法被深入地研究并广泛应用在诸如分类和回归问题上。由于其基于结构风险最小化的机理，因此相对于其他的经典方法有着更好的泛化特性，其中核函数的选择对支持向量机的性能有着很大的影响。深入地研究了基于傅立叶核函数的支持向量机的特性，得出在某些特殊的情况下，基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机。最后的仿真对其进行了比较验证。     

多电平逆变器的通用空间矢量调制算法

为解决多电平逆变器的空间矢量调制(SVM)算法设计及实现的复杂性问题,提出了基于参考电压分解和零序电压等效的新型多电平SVM算法。参考电压分解的方法将任何电平数目的开关矢量选择问题都简化成二电平SVM算法来解决;基于零序电压等效的SVM波形控制方法简化了开关状态的选择问题,并使其与逆变器性能优化控制问题得到有机结合。所提的多电平SVM算法设计简单并且占用计算时间少,同时算法设计不依赖于电平数目,所以具有通用性。所提算法适用于任何电平数目的逆变器的空间矢量调制,并通过在数字信号处理器(DSP)上的实现结果及具体应用实例的仿真结果得到验证。     

基于支持向量机的非线性逆控制及仿真研究

针对逆系统方法中非线性逆模型辨识困难的问题,研究了基于支持向量机(SVM)的逆模型辨识及控制,提出了一种SVM逆模型与PID结合的复合控制系统.由SVM辨识非线性系统的逆模型作为前馈控制器,形成直接逆控制.同时,由PID控制器构成反馈控制,克服直接逆控制鲁棒性不强的缺陷.仿真研究表明,SVM的逆模型辨识能力强,该复合控制系统具有比直接逆控制更优的控制性能和鲁棒性.     

基于支持向量机逆系统的感应电机线性化解耦控制

本文提出了一种新的系统线性化解耦控制方法，其特点是不依赖于对象的精确数学模型，通过采用支持向量机与逆系统相结合的方法来构造原系统的逆系统．本文将基于支持向量机逆系统的方法应用于感应电机解耦控制，将感应电机这一多变量、非线性、强耦合的复杂对象动态解耦成转速与转子磁链两个一阶子系统，从而可以像线性系统一样进行控制．仿真结果表明采用该方法后系统具有优良的静态与动态解耦性能．     

面向大数据的超启发式SVM的网络安全框架研究

大数据环境下，为了提高支持向量机(support vector machines， SVM)在网络安全应用环境下的性能，提出了面向大数据的超启发式SVM网络安全框架。所提超启发式SVM框架由SVM和超启发式框架组成，超启发式框架的作用是生成配置参数，并将其发送到SVM，SVM使用生成的配置来解决给定的问题，然后将成本函数发送到超启发式框架。超启发式框架分为高层策略和低层启发式，高层策略具有搜索性能，可以控制选择低层启发式并生成新的SVM配置;低层启发式算法构成了一组特定于问题的启发式算法，使用不同的规则实现对SVM配置搜索空间的探索。该框架自适应地集成了基于分解和基于Pareto方法的优点，近似SVM配置的Pareto集，解决了启发式框架的优化问题。实验结果表明，所提框架性能优于其他算法，说明框架的有效性。     

基于ABC-SVM模型的固体氧化物燃料电池预测控制仿真研究

为了满足直流负载电压的稳定性及固体氧化物燃料电池（SOFC）的耐用性和安全性的要求,设计了两个控制回路分别对SOFC的输出电压和燃料利用率进行控制。通过设计一个简单的控制回路来使燃料利用率保持在恒定值,并在此基础上开发了一个非线性模型预测控制器以控制SOFC的输出电压。该非线性模型预测控制器基于改进的支持向量机（SVM）预测模型,首先利用Lipschitz quotients准则确定SVM预测模型的结构,然后通过人工蜂群算法（ABC）优化SVM参数。仿真结果表明,所提的基于ABC-SVM模型的SOFC预测控制算法可以很好地跟踪电压设定值,证明了ABC-SVM模型在SOFC非线性动态建模中的有效性。     

Temperature Prediction Model Identification Using Cyclic Coordinate Descent Based Linear Support Vector Regression

Temperature prediction plays an important role in ring die granulator control, which can influence the quantity and quality of production. Temperature prediction modeling is a complicated problem with its MIMO, nonlinear, and large time-delay characteristics. Support vector machine （SVM） has been successfnlly based on small data. But its accuracy is not high, in contrast, if the number of data and dimension of feature increase, the training time of model will increase dramatically. In this paper, a linear SVM was applied combing with cyclic coordinate descent （ CCD） to solving big data regression. It was mathematically strictly proved and validated by simulation. Meanwhile, real data were conducted to prove the linear SVM model＇s effect. Compared with other methods for big data in simnlation, this algorithm has apparent advantage not only in fast modeling but also in high fitness.     

基于PSO的支持向量机多元控制图均值偏移诊断模型

为了诊断多元控制图发出的报警信号是由哪一个或者哪些变量组合发生均值偏移引起的,提出了基于粒子群优化（PSO）算法的支持向量机（SVM）多元控制图均值偏移诊断模型．模型中使用丁。控制图对多元过程进行控制,在假设过程方差．协方差矩阵保持不变的前提下,根据不同的均值偏移模式,产生SVM训练数据集和测试数据集,用Ps0对SVM的参数进行优化,最终得到优化的SVM模型．结果表明,基于粒子群优化算法的支持向量机模型（SVM．PSO）比基于SVM和基于神经网络（ANN）模型的分类能力更强,分类准确率超过85％．     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction，BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制，P300拼写范式是脑机接口中的一种常用方法。将遗传算法和支持向量机用于脑电信号的分类。选取三个实验者的实验数据作为处理对象，采用主成分分析和Fisher准则相结合提取特征。在用主成分分析降维后，Fisher准则进一步提取有效特征，提升分类准确率。本文采用用支持向量机对特征数据分类。Fisher准则在特征提取中良好的效果。     

基于主成分分析和Fisher准则的脑电信号分类

脑-机接口(brain-computer interaction,BCI)利用脑电信号实现人脑与计算机或其它电子设备的通讯和控制,P300拼写范式是脑机接口中的一种常用方法.将遗传算法和支持向量机用于脑电信号的分类.选取三个实验者的实验数据作为处理对象,采用主成分分析和Fisher准则相结合提取特征.在用主成分分析降维后,Fisher准则进一步提取有效特征,提升分类准确率.采用支持向量机对特征数据分类.Fisher准则在特征提取中具有良好的效果.