面向循证医学网络文献的SVM分类方法

支持向量机(support vector machine,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,是一种高效的分类识别方法.首先分析支持向量机原理,然后提出一种使用Bagging组合学习方法改进SVM算法的网页分类方法.基于循证医学网络文献分类的实验表明,该方法使训练数据规模大大减小,且比传统的SVM算法分类性能更好,具有较好的精确率和召回率.     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

计算机学习的SVM方法与应用软件平台CMSVM

1支持向量机方法的基本思想 V N.Vapnik等人提出的统计学习理论是一种小样本学习理论,基于这一理论近年提出的支持向量机(Support Vector Machines简称SVM)方法,为解决基于数据的非线性建模问题提供了一个新思路.     

稀疏的支持向量机及其在图像识别中的应用

近年来,建立在统计学习理论基础上的SVM(Support Vector Machine)在小样本学习、高维数及全局最优解等方面具有独特的优势,因而受到广大学者的广泛关注.本文建立了基于稀疏的支持向量机的图像识别系统,并利用ROC(Receiver Operating Charaeteristics)特征曲线进行算法评价.首先建立了1-norm SVM算法,得到稀疏的SVM分类器,然后利用ROC特征曲线评价准则与传统算法进行评价.基于数字和人脸图像的数值实验表明,1-norm支持向量机在降维的同时,保持了较高的识别率,增加了模型的鲁棒性.     

支持向量机训练及分类算法研究

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数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

短期电力负荷预测的小波支持向量机方法研究

在充分研究和比较多种负荷预测方法的基础上，提出一种称为小波支持向量机(Wavelet Support Vector Machines，WSVM)的负荷预测新算法．该方法是在研究支持向量机(SVM)核方法与小波框架理论的基础上，引入非线性小波基函数来构造SVM的核函数，从而得到新的SVM模型，并给出了此模型的结构设计与实现算法．通过实例验证，该方法能有效提高预测精度．     

基于GMM统计参数和SVM的说话人辨认研究

支持向量机(SVM)是以统计学习理论为基础,解决模式识别问题的有力工具,但是它训练算法复杂,难以处理大量样本,限制了其在说话人识别方面的使用。针对这个问题,提出了一种基于GMM(高斯混合模型)统计参数和SVM的说话人辨认系统,以GMM模型的统计参数来训练SVM说话人辨认模型,有效解决了大样本数据下SVM模型的训练问题。实验表明,该方法有良好的效果,并且与倒谱加权方法结合后,可以增强系统的健壮性,进一步提高系统的识别率。     

基于小波基的SVM多气体融合

为了提高气体传感器在多气体环境下的检测灵敏度,基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数具备小波的多尺度插值特性和稀疏变化特性,提高了模型的精度和迭代的收敛速度,适用于信号的局部分析、信噪分离和突变信号的检测,从而能在提高支持向量机(SVM:Support Vector Machine)泛化能力的同时,提高辨识效果,减少计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对sin c函数的逼近.该小波核得到的绝对误差不超过0.004;在多气体分析中,比RBF(Radial Base Function)核所得的偏差小18.3%.这些表明SVM小波核具有更好的泛化能力.     

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.     

基于分形插值与机器学习模型的股指分析和预测

股票市场预测一直是金融市场分析中的热点和难点,一些传统的预测模型很难对股票市场做出有效的预测;针对这一问题,将分形插值方法与机器学习算法相结合,提出了分形插值与SVM以及分形插值与BP神经网络两种混合模型;所提的混合模型利用机器学习算法首先计算出分形插值所需要的插值点,然后建立分形插值外推模型对所需其他值进行预测;实证结果发现两个混合模型的预测效果均比单独使用分形插值模型预测效果更佳,预测精度更高;因此分形插值方法与机器学习算法相结合所得到的混合模型,能较好地预测诸如股票市场指数等非平稳金融时间序列。     

基于改进的分形插值与SVM的股指预测模型

为了更好地分析和预测股指时间序列的短期变化趋势,提出了一种确定分形插值自由参数的新方法,由此建立了一个改进的分形插值模型,并将该模型与支持向量机模型相结合构造混合预测模型.经R/S分析可知上海证券综合指数的日收盘数据具有长程相关性,于是将混合预测模型用于分析和预测上海证券综合指数时间序列,发现混合预测模型较其他方法具有更好的拟合效果,且在短期预测方面有更高的预测精度.     

一种新型加权支持向量回归机

与统计学习理论结合,并把数据样本映射到高维空间,有时标准支持向量回归机运算速度和精度不理想.针对线性不可分的情况,在支持向量回归机目标函数中增加两个平方松弛项,这样可以减少两个约束条件.每个松弛项赋予不同的加权系数,可根据实际需要调节它们的权重.这种新算法称为新型加权支持向量回归机(weighted support vector regression machine,WSVRM),并把它用于函数逼近.实验结果表明,所提出的新型加权支持向量回归机具有良好的函数估计能力和数据预测能力.     

一种基于聚类的支持向量机增量学习算法

提出了一种基于聚类的支持向量机增量学习算法.先用最近邻聚类算法将训练集分成具有若干个聚类子集,每一子集用支持向量机进行训练得出支持向量集;对于新增数据首先聚类到相应的子集,然后计算其与聚类集内的支持向量之间的距离,给每个训练样本赋以适当的权重;而后再建立预估模型.此算法通过钢材力学性能预报建模的工业实例研究,结果表明:与标准的支持向量回归算法相比,此算法在建模过程中不仅支持向量个数明显减少,而且模型的精度也有所提高.     

基于投影中心距离的支持向量预选取

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。支持向量机在选择支撑矢量时却进行了大量不必要的运算, 成为其应用的瓶颈问题.因此在基于支持向量的分类器学习算法中，预先选择支撑向量是非常重要的。投影中心距离算法是一种能够预选取支撑矢量的方法, 该方法可以有效地预选取出包含支持向量的边界集，在不影响支持向量机的分类能力情况下,大大地减少了训练样本,提高了支持向量机的训练速度。本文采用投影中心距离算法进行支撑矢量的预选取，通过对人工线性、非线性数据及MINST字符库的实验证明了该方法的有效性和可行性。     

基于投影中心距离的支持向量预选取

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法.支持向量机在选择支撑矢量时却进行了大量不必要的运算,成为其应用的瓶颈问题.因此在基于支持向量的分类器学习算法中,预先选择支撑向量是非常重要的.投影中心距离算法是一种能够预选取支撑矢量的方法,该方法可以有效地预选取出包含支持向量的边界集,在不影响支持向量机的分类能力情况下,大大地减少了训练样本,提高了支持向量机的训练速度.本文采用投影中心距离算法进行支撑矢量的预选取,通过对人工线性、非线性数据及MINST字符库的实验证明了该方法的有效性和可行性.     

基于支持向量机的数据建模在软测量建模中的应用

支持向量机是一种新的机器学习算法 ,它的基础是 Vapnik创建的统计学习理论。与传统学习方法相比 ,该理论采用了结构风险最小化准则 ,在最小化样本点误差的同时缩小模型泛化误差的上界 ,提高了模型的泛化能力。同时该理论把机器学习问题转化为一个二次规划问题 ,可以得到唯一的全局最优解。本文应用支持向量机技术进行数据建模研究 ,并用数据建模技术建立了加氢裂化装置分馏塔的航煤干点的软测量模型。     

一种新的支持向量机增量学习算法

支持向量机学习算法的本质是从训练集中寻找支持向量,因此能否通过训练算法能快速找出支持向量是衡量支持向量机算法优劣的重要标准.本文提出了一种新的快速训练支持向量机的增量学习算法,首先,给出边界向量的定义,然后,对一个给定的新加人的样本,新的学习方法验证其是否为边界向量,如果是,将其加入到训练集中重新训练支持向量机,如果不是,就舍弃,这样能达到减少训练样本、降低训练复杂性目的,最后,给出了一个增量学习算法.实验表明测试误差和支持向量数量与SMO算法大致相当,而训练速度明显加快.     

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。     

基于和声搜索算法的支持向量机参数优化

支持向量机是建立在统计学理论基础上,以结构风险最小为原则的一种机器学习算法,能够很好地解决小样本、高维数、非线性等问题,被广泛地应用于模式识别、函数估计及回归预测等领域.但是支持向量机性能的高低往往取决于其相关参数的正确选择.为提高优化参数的精度及效率,利用和声搜索算法的全局寻优能力,对支持向量机的惩罚参数及核参数进行优化选择.通过4个标准UCI数据集的仿真实验,结果表明本算法不仅减少了搜索时间,而且所获得的参数能大幅提高支持向量机的性能和预测精度,提高了泛化能力.