一种改进的模糊人工免疫网络数据分类方法

针对现有人工免疫网络算法对先验知识应用不足的问题，提出一种基于模糊人工免疫网络的有监督学习数据分类方法．首先采用模糊C均值聚类算法为免疫网络提供疫苗（初始种群），将此疫苗作为免疫网络的初始抗体群，种群再经过克隆选择、网络压缩、免疫成熟、记忆等算子的不断扩展和压缩，形成一个由浓缩后的训练数据构成的抗体网络，最终基于该抗体网络采用“邻近原则”构造分类器．由于各算子的协调作用，该方法能够在高浓缩率的情况下更好地代替样本空间．UCI（University of California，Irvine）数据集的仿真实验证明，与aiNet方法相比，该方法在分类准确率和数据浓缩率上分别高出7．26％和11．16％，而且更稳定、可靠．     

应用粒计算的混合智能故障诊断技术研究

针对现有的混合智能故障诊断模型缺乏通用方法和混合框架,未能实现不同智能诊断方法的实质性融合和优势互补的问题,提出并构建了一种基于粒计算的混合智能故障诊断模型.该模型的核心是在邻域粗糙集中求取不同的邻域值,对故障特征集进行分层粒化,在不同粒度下获得核属性集.利用核属性集在相应粒度下构建人工神经网络和支持向量机子分类器,通过评估矩阵算法对所有粒度下全部子分类器的诊断结果进行融合集成.模型应用结果表明,分类精度随着粒度层的增加而不断提高,集成后的分类精度高于不同粒度下的所有子分类器,从而体现了粒化分层的优势和不同智能诊断方法的优势互补,为混合智能诊断提供了一种新途径.     

基于改进的LBG算法的SVM学习策略

针对SVM方法在大样本情况下学习和分类速度慢的问题,提出了利用LBG算法对训练样本进行预处理,然后再使用传统的SVM算法进行训练的策略,并提出了一种改进的LBG算法．通过对仿真数据以及对实际的纹理图像的分类实验表明,这种预处理方法能在保持学习精度的同时减小训练样本以及决策函数中支持向量集的规模,从而提高学习和分类的速度．     

基于支持向量机免疫集成预测的电信网络性能监控

为实现持续有效的电信网络性能监控,提出一种改进的支持向量机预测基线法.利用人工免疫网络优化支持向量机参数、核函数参数、嵌入维数和样本规模等回归分析的自由参数,提出支持向量机免疫集成预测算法.根据电信网络性能的周期性特点构建同点时间序列模型,以预测的置信区间为基线对电信网络性能进行监控,通过对某软交换服务器的CPU负荷进行实验分析.研究结果表明:与经验自由参数相比,支持向量机免疫集成预测算法能取得更加精确的回归模式,其误差平方和减少55.4％,同点时间序列模型能有效克服连续时间序列中存在的异常输入敏感问题,准确发现多个连续的异常点.     

基于目标进化的aiNet聚类算法研究

针对aiNet算法中没有定义目标函数,记忆抗体网络动态无规律变化等问题对算法进行改进,提出了基于目标进化的人工免疫网络聚类新算法,将人工免疫网络压缩聚类抽象为多目标规划问题,提出了免疫网络的整体进化目标和疫苗注射策略,仿真结果表明,新算法的聚类质量、特征压缩质量、参数敏感性等优于原有aiNet算法。     

一种新的人工免疫网络动态聚类在MIS评价中的应用

从人工免疫网络原理出发,建立MIS分类模型与生物免疫系统的对应关系,提出了一种新的人工免疫网络动态聚类算法,并将算法应用到MIS评价中.实例分析表明,该算法能有效地从大量待评价的MIS指标属性数据中得到MIS分类,以及不同类型的数据特征.另外,该算法还为评价指标的隶属度函数制定提供了有力的理论依据.     

一种SAR图像空间域自适应滤波算法

针对合成孔径雷达(SAR)图像相干斑噪声抑制问题,提出了一种基于支持向量回归(SVR)分析的空间域自适应滤波方法.将SAR图像看作连续二维函数,利用SVR方法对其进行逼近.基于图像的逼近结果描述像素关联性,并基于关联性破坏程度对噪声进行类型分析,对不同类型的噪声采取确定性的抑制算法.为了保证精度,选择小波核函数构建支持向量回归机.实验结果表明该方法是有效的并对经典方法进行了改进.     

一种新型的自适应多核学习算法

针对样本基数较大、 维数较高、 特征较复杂的数据集训练问题, 将支持向量机与蚁群优化算法相融合, 提出一种自适应多核学习算法. 利用吸引子传播聚类算法自适应地发现相似特征, 并据此利用蚁群算法自适应地选择核函数参数, 从而快速选择最优核函数. 通过UCI数据集的5组数据实验表明, 该算法相比于传统的支持向量机分类准确率和F₁值更高, 验证了该算法的有效性和可行性.     

Support vector machine applied in QSAR modelling

Support vector machine （SVM）, partial least squares （PLS）, and Back-Propagation artificial neural network （ANN） were employed to establish QSAR models of 2 dipeptide datasets. In order to validate predictive capabilities on external dataset of the resulting models, both internal and external validations were performed. The division of dataset into both training and test sets was carried out by D-optimal design. The results showed that support vector machine （SVM） behaved well in both calibration and prediction. For the dataset of 48 bitter tasting dipeptides （BTD）, the results obtained by support vector regression （SVR） were superior to that by PLS in both calibration and prediction. When compared with BP artificial neural network, SVR showed less calibration power but more predictive capability. For the dataset of angiotensin-converting enzyme （ACE） inhibitors, the results obtained by support vector machine （SVM） regression were equivalent to those by PLS and BP artificial neural network. In both datasets, SVR using linear kernel function behaved well as that using radial basis kernel function. The results showed that there is wide prospect for the application of support vector machine （SVM） into QSAR modeling.     

基于优化最小二乘支持向量机的数控机床热误差建模分析

数控机床热误差是降低加工精度的主要因素之一.针对热误差建模问题, 结合布谷鸟算法的随机莱维飞行机制和最小二乘支持向量机结构风险最小化与线性规划等优点, 提出基于布谷鸟算法优化最小二乘支持向量机的热误差建模方法.在最小二乘支持向量机将低维非线性问题转化为高维线性问题时, 构建了混合核函数.同时,采用布谷鸟算法对最小二乘支持向量机惩罚因子γ、核宽度参数σ和混合核权值λ进行了优化.以GMC2000A机床为实验对象, 分别对热误差数据进行了聚类分析和建模分析.通过误差预测对比分析得出结论, 基于布谷鸟算法优化混合核最小二乘支持向量机建立的误差模型取得了良好的预测效果, 且明显优于BP神经网络模型和未优化的最小二乘支持向量机模型的预测效果.     

基于pinball损失的一对一加权孪生支持向量机

孪生支持向量机通过求解2个较小二次规划问题得到一对非平行超平面,从时间和准确率方面提高了分类器的性能.由于此方法使用Hinge损失函数,造成孪生支持向量机对噪声较为敏感以及重采样的不稳定.为此,针对多分类问题,将pinball损失函数与样本权重引入到孪生支持向量机中,采用一对一方法组合二分类器,提出了基于pinball损失的一对一加权孪生支持向量机,较好地解决了孪生支持向量机对噪声的敏感性以及重采样的不稳定性.另外,对于样本的不同影响,给出了多种求取样本权重的方法.实验中选取标准数据集和人工合成数据集对提出的算法进行了验证,并与一对一孪生支持向量机(OVO-TWSVM)、一对多孪生支持向量机(OVA-TWSVM)以及基于pinball损失的一对一加权孪生支持向量机(Pin-OVO-TWSVM)进行了比较,表明了提出方法的有效性.     

基于卷积神经网络的超声造影图像去噪方法

针对超声造影图像包含大量噪声的问题, 提出一种基于卷积神经网络的超声图像去噪方法. 首先, 通过图像平移、 翻转、 旋转等数据增强方法扩充稀缺的超声造影图像样本数量； 其次, 通过重叠切割小图像块, 进一步扩充样本数量； 最后, 以图像块和人工噪声为输入训练集, 训练基于卷积网络结构的去噪模型. 实验结果表明, 该方法可有效扩展至不同大小的超声造影图像, 对于超声造影图像去噪后的峰值信噪比高于传统的图像去噪方法.     

基于最小二乘支持向量机的TSK模糊模型

为了提高模糊系统处理高维问题的推广能力, 本文提出用最小二乘支持向量回归机(LSSVR)的思想设计TSK模糊模型.TSK模糊模型的传统算法普遍存在过学习问题, 为此我们在目标函数中考虑了结构风险从而避免了过学习现象.并且,我们将模糊系统的参数寻优问题转化为一个二次规划问题进行求解.由于该规划问题的求解与输入数据维数无关,适用于处理高维数据.算法分为两步：首先用Gustafsonk-Kessel (GK)算法确定模糊规则的前件;然后用最小二乘支持向量算法确定模糊规则的后件,这里的核函数是由模糊聚类确定的, 经证明它是Mercer核.三个著名数据的实验结果表明,与TSK模糊系统的传统算法相比,本文所提的算法提高了TSK模糊系统处理高维问题的推广能力;与LSSVR相比,,本文所提的算法具有良好的鲁棒性.     

基于支持向量回归集成的陀螺仪参数漂移预测

泛化能力是智能方法用于参数预测的最重要的问题之一,提出了支持向量回归集成方法。为了增加个体之间的差异性,提出了基于聚类方法的个体生成方法。首先利用聚类方法将样本分为若干子类,然后用不同结构的支持向量回归学习不同的样本子类,权值由个体在验证集上的泛化误差决定。将ESVR陀螺仪参数飘移数据的预测,并与单支持向量回归,单神经网络,神经网络集成以及组合预测方法进行比较。结果证实,ESVR的预测精度总体高于其他方法。     

基于深度学习网络的电气设备图像分类

为了对变电站中智能巡检系统采集到的海量图片进行快速分析和识别,提出一种深度学习和支持向量机(support vector machine, SVM)相结合的图像分类模型。首先,运用旋转、翻折等方法对采集到的原始数据进行扩充。然后,合并扩展图像集,并在相同类型的条件下将其随机划分为训练集和测试集。基于实际图像改进卷积神经网络(convolutional neural network, CNN),并提取训练集的图像特征。最后,通过使用训练集图片的深度特征来训练SVM分类器,并且在测试集图片上实现分类测试。利用巡检机器人采集到的8 000张图片对模型精度进行实验验证,结果表明,该模型具有较强的分类性能。     

基于核方法的分类型属性数据集模糊聚类算法

针对分类型属性数据的聚类问题．将核方法的思想推广到快速、高效率的模糊c-均值算法,构造了基于核函数的模糊核c-均值聚类算法．该算法通过使用经验核矩阵充分利用了数据间的“相异性”信息,并且避免了模糊k-modes算法中每次迭代均要直接计算类中心的缺点,提高了聚类的精确度和稳定性．同时该算法对模式(类中心)的初始值选择不敏感．时实际的线性可分的和线性不可分的分类型属性数据集的仿真实验证明了该算法的有效性．     

基于Segnet网络和迁移学习的全景街区影像变化检测

针对采用传统方法难以提高全景街区影像变化检测精度的问题,提出一种基于Segnet网络和迁移学习的全景街区影像变化检测方法。首先对数据集“TSUNAMI”进行预训练并对训练集进行分类归并;然后采用Segnet网络对全景街区影像进行语义分割,最后对语义分割结果进行差值运算,得到变化差异图并进行精度评价。实验选取两组全景街区影像,采用最大似然法、支持向量机方法(SVM,support vector machine)以及提出方法对这2组数据进行对比实验,第一组得到的精度分别为65.1%、72.1%和81.4%;第二组得到的精度分别为66.5%、70.6%、82.2%。实验结果表明提出的方法具有更高的变化检测精度,可为城市违章排查、灾后重建等提供技术支撑。     

基于集成学习与生成对抗网络的皮肤镜图像分类方法

皮肤镜是辅助皮肤科医生诊断的有效途径,但是人工分类高度依赖医生的临床经验,并且皮肤镜图像本身的复杂性给分类提出了巨大的挑战.为了解决皮肤镜图像分类问题,基于集成学习提出了一种集成投票块的皮肤镜图像分类方法.首先,针对ISIC 2019提供的皮肤镜图像进行预处理,为了缓解数据集较少且分布不均的问题,使用生成对抗网络和旋转图像进行数据增强.然后基于迁移学习的思想训练多个卷积神经网络,从中挑选出分类效果较好的多个卷积神经网络组成投票块,进而集成投票块,最终实现皮肤镜图像的分类.实验结果表明,该方法的准确率、敏感度、特异度可分别达到0.925、0.563、0.927,相比单一的卷积神经网络模型,各个评价指标均有所提高,为皮肤镜图像分类提供了一种有效方案.