基于自适应LS-SVM的柴油机进排气系统故障诊断

 提出了应用自适应最小二乘支持向量机和小波包能量特征的柴油机进排气系统故障诊断方法。对气门间隙异常、气阀漏气等几种常见故障和系统正常运行进行小波包分解,提取频带能量作为支持向量机的输入特征向量;然后,利用自适应优化算法对最小二乘支持向量机进行优化;最后,利用基于优化参数和最小输出编码的最小二乘支持向量机进行故障分类和识别。对比实验表明,与BP神经网络和采用交叉验证的传统最小二乘支持向量机相比,该方法可克服训练时间较长、容易陷入局部最小等问题,具有较快的训练速度和较高的分类准确率,提高了传统最小二乘支持向量机算法的寻优速度,在样本数较小时仍可取得较好的效果,能有效诊断柴油机进排气系统故障。     

应用主动学习SVM的网络流量分类方法

针对传统网络流量分类方法准确率不高、开销较大且应用领域受限等诸多问题,文中提出一种基于主动学习支持向量机的网络流量分类方法。该方法采用基于OVA方法的多类支持向量机来进行分类,首先,针对支持向量机参数选择,提出了一种改进的网格搜索法来寻求最优参数;然后,为了降低需要标注的样本数,提出一个改进的启发式主动学习样本查询准则;最后,基于上述方法构造基于主动学习的多类支持向量机分类器。结果表明,该方法可以在需要标注的样本数非常少的情况下明显提高网络流量分类的准确率和效率,仅需传统方法所需11%的样本数即可达到98.7%的分类准确率。     

基于混沌粒子群的支持向量机参数优化

支持向量机的参数选择决定了其学习性能和泛化能力，由于在参数的选择范围内可选择的数量是无穷的，在多个参数中盲目搜索最优参数是需要极大的时间代价，并且很难逼近最优。基于此，提出一种基于混沌粒子群的支持向量机参数选择算法。混沌粒子群优化算法是一种全局搜索方法，在选取SVM参数时，不必考虑模型的复杂度和变量维数．仿真表明，混沌粒子群优化算法是选取SVM参数的有效方法，可以取得令人满意的效果。     

基于改进蚁群算法在软件缺陷预测中的应用

为提高软件缺陷预测算法的分类准确度和运算效率,将改进的蚁群算法应用于基于支持向量机的软件缺陷预测模型中。支持向量机作为二值分类模型进行软件缺陷预测,并对蚁群算法进行改进优化,每只蚂蚁只根据搜索半径参数在前次迭代中的最优解附近搜索,在缩小搜索范围的同时尽快实现最优解,并对支持向量机的参数进行优化。实验结果表明,与传统方法相比,该方法具有更高的预测精度和运算效率。     

改进量子粒子群优化支持向量机的网页分类

随着海量网页信息的出现,网页分类已经成为数据挖掘领域的一个重要研究方向,网页分类是一种快速有效利用海量网页信息的重要技术.为了克服支持向量机进行网页分类时存在训练收敛较慢和分类精度不高的缺点,将改进的量子粒子群优化算法与支持向量机相结合,提出了一种融合改进量子粒子群算法和支持向量机的网页分类方法.首先引入柯西分布改进量子粒子群优化算法,其次利用改进的量子粒子群算法优化支持向量机的参数选择,然后利用支持向量机进行网页分类.实验结果表明,该方法具有较高的准确率、召回率和F1测试值,网页分类效率也得到了一定程度的提高.     

相空间重构和支持向量机参数联合优化研究

在混沌时间序列预测过程中,相空间重构和支持向量机参数是影响混沌时间序列预测性能的两个重要方面,传统上两者是分开单独进行的.利用相空间重构和支持向量机参数之间的互相依赖关系,提出了一种基于粒子群算法的相空间重构和支持向量机参数联合优化方法.参数联合优化核心思想是在相空间重构的同时选择最优支持向量机参数,通过粒子群算法对参数联合优化来实现.通过采用参数联合优化算法对混沌时间序列Mackey-Glass和太阳黑子年平均数时间序列进行了仿真实验,结果表明,相对于传统的分开单独优化方法,参数联合优化方法提高了混沌时间序列模型的预测精度,泛化能力更好.     

一种基于MA-LSSVM的封装式特征选择算法

为了解决高维小样本的特征选择问题,该文结合文化基因算法(Memetic algorithm,MA)与最小二乘支持向量机(Memetic algorithm and least squares support vector machine,MALSSVM),设计了一种封装式(Wrapper)特征选择算法。该方法将全局搜索与局部搜索相结合作为求解策略,利用了最小二乘支持向量机易于求解的特点,构造分类器,以分类的准确率作为文化基因算法寻优过程中适应度函数的主要成分。实验表明,MA-LSSVM可以较高效稳定地获取对分类贡献较大的特征,降低数据维度,提高了分类效率。     

支持向量机参数选择中加速混沌搜索策略及其应用

为解决支持向量机(SVM)参数选择问题,采用Cheby-shev映射、改变优化搜索公式和增加3次载波,提出一种改进的加速混沌优化算法(ISCOA).应用人工数据集和实际数据集进行论证,并与常规的交叉验证法(CV)进行比较.结果证明了该改进算法在支持向量机参数选择中的有效性和实用性.     

开放存取期刊站点自动分类方法

为了提高OA期刊站点分类识别的准确率,从抽取到的站点标题和正文中提取关键词构建语料库,并将其作为最小二乘支持向量机的输入矢量。针对最小二乘支持向量机参数选取和基本粒子群算法极易陷入局部最优解问题,借鉴遗传算法和自然选择机理,提出了基于混合粒子群的最小二乘支持向量机算法。实验结果表明,该分类方法提高了站点识别精度。     

基于人工蜂群算法的支持向量机优化

支持向量机的分类性能在很大程度上取决于其相关参数的选择,针对该问题提出基于人工蜂群算法的支持向量机参数优选方法并将其应用于电机轴承的智能故障诊断.该方法采用分类错误率的倒数作为适应度函数,利用人工蜂群算法对支持向量机的惩罚因子与核函数参数进行优化.通过在多个标准数据集上的测试证明,与遗传算法等传统优化算法相比,人工蜂群...     

基于改进涡流搜索算法的支持向量机分类模型

支持向量机( SVM: Support Vector Machine) 是定义在特征空间上的间隔最大的线性分类器,参数的选择 决定了其学习性能和泛化能力。针对此参数选择问题,采用改进的涡流搜索算法对支持向量机参数进行选择, 寻找最优适应度函数。仿真实验表明,改进的涡流搜索算法是一种有效的SVM 参数选择方法,有利于跳出局 部最小值,其优化性能不低于涡流搜索算法。     

基于K-CV 优化的PCA 和SVM 人脸识别算法

为解决常规的PCA( Principal Component Analysis) 和SVM( Support Vector Machines) 人脸识别算法准确率 不高的问题,提出了用改进的网格搜索和交叉验证( K-CV: K-fold Cross Validation) 算法对SVM 参数寻优的方 法,并联合了PCA 和SVM 的人脸识别算法。该算法利用K-CV 算法结合改进网格搜索方法寻找最佳参数, 尽可能消除由于个别样本误差对预测模型的影响,减少了搜索时间,提高了人脸识别的准确率。在Matlab 软 件上测试结果表明,该算法在YALE 人脸库的识别准确率比常规的PCA 和SVM 联合算法高9． 08%。     

基于支持向量机的农业科技项目分类研究

农业科技项目投入是解决“三农问题”的关键途径,而农业科技项目分类是农业科技项目投入的参考依据.支持向量机( SVM)是借助最优化方法解决分类问题的方法,较好地克服了“维数灾难”和“有限样本的学习分类”等问题.通过选择不同的核函数和对应的参数可以构造不同的分类器,参数的选择决定了其学习和泛化能力.为此,提出了粒子群优化(...     

基于最大间隔的支持向量机特征选取算法研究

支持向量机(Support Vector Machine,简称SVM)是一种有效分类方法.不同特征选取算法对分类器影响不同,结合支持向量机特点,提出了一种基于最大间隔的支持向量机特征选取算法.利用该算法,对Iris测试数据集进行了特征选取并仿真,实验结果表明,该算法不但能够有效去除噪音数据,而且提高了分类器推广与泛化能力.     

Study on Support Vector Machine Based on 1-Norm

The model of optimization problem for Support Vector Machine（SVM） is provided, which based on the definitions of the dual norm and the distance between a point and its projection onto a given plane. The model of improved Support Vector Machine based on 1-norm （1 - SVM） is provided from the optimization problem, yet it is a discrete programming. With the smoothing technique and optimality knowledge, the discrete programming is changed into a continuous programming. Experimental results show that the algorithm is easy to implement and this method can select and suppress the problem features more efficiently.Illustrative examples show that the 1 - SVM deal with the linear or nonlinear classification well.     

基于抗白噪声理论的支持向量机

支持向量机（SVM）是在统计学习理论基础上发展起来的一种新的机器学习方法.具有泛化能力强,全局最优等特点.我们针对于传统的支持向量机算法忽略了当采取的训练集中有噪声干扰的情况,通过改造原有的经验风险和调节核函数中的参数,达到抑制或者减弱随机噪声干扰的目的,并具体地给出了抗高斯白噪声的支持向量机模型.     

甲状腺结节超声图像多特征融合及识别

为更加精确地判别甲状腺结节的良恶性, 提出基于改进的 CLBP(Completed Local Binary Pattern)模型和 GLCM(Gray Level Co-occurrence Matrix)模型相结合的纹理特征提取算法。 首先在传统的 CLBP 模型中引入局部 方差信息, 使 CLBP 算子对局部纹理特征的描述更加精细; 然后与 GLCM 模型描述的全局纹理特征相融合; 最 后结合纵横比、 圆形度、 紧致度等形状特征并将其输入 SVM(Support Vector Machine)分类器。 为进一步提高识 别率, 同时给出基于粒子群算法与网格搜索算法相结合的 SVM 参数优化算法, 以提高识别率。 对比实验结果 表明, 该算法提取的特征用于分类识别时具有更高的识别率, 且提出的参数寻优算法相对于传统寻优算法效率 更高。     

构造特征复杂性减低的支持向量机

支持向量机(SVM)较一般的机器学习方法显示出更好的泛化能力.然而,在实际的数据中经常存在着大量冗余、噪声或者不可靠的特征,这严重影响到SVM的性能.因此,有必要减低特征复杂性以获取更好的SVM结果.本文提出了一种基于遗传算法(GA)的嵌入式框架下的特征优化算法,以构造改进SVM.针对选择的UCI成人数据库的实验表明,与原始的SVM相比,提出的改进SVM方法获得了更少的支持向量数目和更好的分类精度.     

机械故障稀疏特征相似性度量优化研究

针对当前机械故障诊断研究忽略了对其参数的选取与优化,导致准确性较差等问题,提出基于量子遗传 算法优化的机械故障稀疏特征相似性度量方法。基于先进行信号非线性混合,再进行去混合。将峭度作为目 标函数,利用量子遗传算法,对盲源分离过程的分离矩阵参数与非线性去混合参数进行优化,实现机械故障盲 源分离。基于故障信号处理,利用量子遗传算法与最小二乘支持向量机(LSSVM: Least Squares Support Vector Machine)相结合实现机械故障稀疏特征相似性度量。当LSSVM在机械故障诊断时对模型参数选取,利用量子遗 传算法针对 LSSVM 模型参数进行优化。将 LSSVM 参数选取问题转换为优化问题,利用优化后的 LSSVM 分类 模型实现机械故障稀疏特征相似模式分类。实验结果表明,该方法可以实现高效盲源分离,机械故障诊断准确 率高,运行性能良好。     

基于动态网格优化算法的支持向量机回归应用

在支持向量机的回归分析过程中,由于多个参数需要同时调整,并且参数的取值范围大,给实际的工程应用带来很大困难,针对上述问题,本文提出了动态网格优化算法,使用优化后的参数来训练支持向量机,用测试样本对回归模型进行评价后可以得到较小的均方误盖值。