基于Matlab仿真的扩散模型转移密度估计方法比较

扩散模型目前被广泛的应用于现代电子、金融等领域用来描述变量的动态变化过程,转移密度作为反映扩散模型特征的重要变量一直是各国学者研究的重点,随着Matlab功能的日益完善,利用其强大的仿真和数值分析函数来定量研究扩散模型的转移密度,从而寻找出最优的估计方法无疑具有重要的意义.基于此,通过利用Matlab仿真技术,比较了2种估计扩散模型转移密度函数的方法,即Euler法和Hermite法,通过对存在闭端解的2个扩散模型的比较,发现用Hermite扩展确实比Euler法能更好的估计扩散模型的转移密度函数,在此基础上,进一步利用这2种方法估计了扩散模型的参数,证明了Hermite法比Euler法能更好的识别模型参数,减少估计中的错误.     

基于一类SVM的贝叶斯分类算法

提出一种基于一类支持向量机(one-class SVM)的贝叶斯分类算法,该算法用一类SVM对类条件概率密度进行估计以构造贝叶斯分类器. 证明采用高斯核的一类SVM,其解可以归一化为密度函数,并把该密度函数看作类条件概率密度的平滑估计,构造贝叶斯分类器. 实际数据集上的实验结果表明,提出的分类算法测试准确率高于简单贝叶斯分类器与贝叶斯网络分类器,不低于传统二类SVM;比传统二类SVM需要计算的核矩阵规模更小,训练时间更短.     

支持向量机与最小二乘法的关系研究

研究了支持向量机 (SVM)在二次损失函数下的优化问题解的形式 ,并与普通的最小二乘 (L S)估计问题进行了比较 ,得到了几乎完全一致的优化问题形式。由于 SVM在二次损失函数下的优化问题对应于一个欠定问题 ,该问题在最小二乘估计中有最小范数解。如果 SVM的参数选择合适 ,从理论上可以证明采用二次损失函数的 SVM函数拟合问题实际为约束最小二乘估计问题 ,并且该问题的解对应于最小范数最小二乘解。由于最小化范数解实际是 SVM在取某些参数时的一个特例 ,如果能够自动调整这些参数 ,则得到一类最小化范数解。由此提出了采用 SVM解决最小二乘法问题的思想 ,由于 SVM的优点 ,使解更加符合实际情况     

正态模型单参数经验贝叶斯估计

依据经验贝叶斯估计的思想方法,研究在平方损失函数下,正态模型单参数的经验贝叶斯(EB)估计问题.先将理论贝叶斯估计用的边际分布密度函数及该分布密度函数的一阶导数表示出来,再利用过去样本值和当前值 ,采用密度函数的核估计方法构造相应的函数代替理论贝叶斯估计中的函数,得到参数的经验贝叶斯估计,最后证明了所得到的经验贝叶斯估计是渐近最优的.     

基于局部密度比的模糊隶属度设置算法

基于知识发现中的局部异常因子思想, 提出一种基于局部密度比的模糊隶属度设置算法, 该算法根据样本的邻域密度比设置样本的隶属度, 并采用一种单参数选择策略. 数值实验表明, 所提出的算法在带噪声的非线性函数估计方面具有很好的鲁棒性, 有效地解决了模糊支持向量机中的模糊隶属度设置问题, 对处理带噪声的分类和非线性函数估计问题具有重要的意义.     

基于容积原则的概率假设密度滤波算法

为改善多目标跟踪问题中概率假设密度滤波精度与算法运行时间之间的关系,提高目标状态和数目的实时估计性能,提出了基于容积原则的概率假设密度滤波算法. 该算法在高斯混合粒子概率假设密度的框架下,利用容积数值积分原则直接计算非线性随机函数的均值和方差, 产生粒子滤波算法的重要性函数,实现高精度粒子的重构,来近似目标状态和数目的概率分布,并且在高斯混合概率假设密度滤波算法中进行采样和更新. 仿真验证了所提出算法的有效性,其Wasserstein误差距离优化了17.32%,目标数估计均值也提高了23.72%.      

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

基于半监督学习的SVM-KNN

提出一种新的基于半监督的SVM-KNN分类方法,当可用的训练样本较少时,使用SVM进行分类,不能得到准确的分类边界,本文采用半监督学习策略从大量未标记样本中提取边界向量来改善SVM.KNN分类器的引进不仅扩充了SVM的训练样本数目,而且优化了迭代过程中训练样本的标记质量,可不断修复SVM的分类边界.实验结果表明,所提出的方法能提高SVM算法的分类精度,通过调整参数能够获得更好的分类效果,同时也减小了标记大量未标记样本的代价.     

基于PSO参数辨识SVM的中长期径流预测研究

以径向基函数作为核函数,利用微粒群(PSO)算法的全局寻优特性进行支持向量机(SVM)的参数辩识.在微粒群搜索参数前,先对参数进行指数变换,使[0,1]和[1,∞]有着相同的搜索概率.微粒群算法的适应值函数是以支持向量机模型的推广能力为标准的,讨论了测试样本的最小误差和留一法对支持向量机学习方法推广能力的两种估计.最后...     

基于遗传算法和模糊控制的图像盲复原方法

针对空间移变降质的点扩散函数类型未知且加性噪声严重的情况,提出一种基于遗传算法和模糊控制的盲复原方法.算法采用三角形网格划分子图像块,通过标准遗传算法和微种群遗传算法交替进化的方式分别估计点扩散函数及其对应的子图像块,并在标准遗传算法每一代进化结束时利用参数模型对估计的最佳点扩散函数进行基于模糊控制的修正,而在微种群遗传算法每次迭代后对最佳子图像块进行基于直方图统计的修正.实验结果表明,与点扩散函数已知且不含修正步骤的恢复算法相比,该算法具有更好的的复原效果.     

SVM与错误驱动学习相结合的中文人名识别

利用基于转换的错误驱动学习方法对SVM的识别结果进行校正,转换规则较好地处理了语言现象中的特殊情况,进一步提高了SVM的识别结果。实验结果表明,该方法的中文人名识别的准确率、召回率和F值均得到了提高。     

基于支持向量机的红细胞彩色图像分割算法

针对细胞图像分割中红细胞目标提取和重叠红细胞分割两个难点,提出一种基于支持向量机(SVM)的红细胞彩色图像分割算法,并通过实验对算法进行验证.该算法利用SVM对原始图像进行红细胞提取,把原始细胞分割成红细胞和背景两类目标区域,然后使用改进距离标记的分水岭算法对红细胞区域进行重叠分割.算法选择线性不可分的SVM模型和核函数RBF(C=1,ξi=0.2)时能够较好的分割红细胞彩色图像.     

基于核主成分KPCA的LS-SVM的算法分析

主成分分析（PCA）是一种重要的特征抽取方法,而核主成分分析（KPCA）是在此基础上结合核函数提出来的主成分分析法,在多维回归分析中具有重要的作用。最小二乘支持向量机（LS-SVM）是SVM的一种改进算法,将KPCA与LS-SVM结合起来建模,并试验说明较之单独用最小二乘支持向量机（LS-SVM）建模方法具有更良好的推广性。     

汉语NP识别方法的实验比较研究

利用错误驱动法、支持向量机法和隐马尔可模型3种方法对汉语文本进行名词短语识别,对实验进行比较分析,结果表明SVM与HMM的识别效果总体上要好于错误驱动法,HMM法在封闭测试中优势明显.研究表明错误驱动法适用于解决从语料库中学习转换规则的传统问题;SVM方法适用于解决两类别的分类问题;而HMM方法侧重应用在与线性序列相关的现象上.     

基于SVM的BP改进新法

BP人工神经网络算法作为一种基本算法在许多领域中都有着广阔的应用前景.但由于其本身的缺陷而很难投入实际应用.给出了一种基于SVM(Support Vector Machines)的BP改进回归算法,有效地提高了算法的收敛速度,减少了迭代次数,提高了回归预测的精度.     

基于半监督优化分类的入侵检测方法研究

为解决入侵检测训练集（通常包含大量无标记样本和少量已标记样本）,在传统半监督支持向量机(S3VM)上确定最优分类决策面,提出一种优化的多分类决策S3VM方法（MLL_S3VM）。该方法结合启发式搜索和聚类方法筛选出差异性较大的分类决策面,采用距离向量法对未标记样本进行标记。实验结果表明,在入侵检测中,该算法明显提高了模型预测精确度。     

最小二乘支持向量机在人脸识别中的应用

 支持向量机(SVM)模式识别方法具备良好的分类性能和鲁棒性,在介绍了典型支持向量机与最小二乘支持向量机(LS_SVM)原理的基础上,给出最小二乘支持向量机的算法实现过程,将其应用于人脸识别当中,取得较典型支持向量机在时间上较好的效果.在OPL人脸库中的实验结果表明,基于LS_SVM的人脸自动识别系统更能适用于实时性要求较高的场合.     

SVM和BP算法在掌纹验证方法中的比较

本章通过用SVM算法和神经网络算法两种方法对掌纹图像进行分类,验证了基于SVM算法分类的优越性远远大于传统的神经网络算法分类.而且,SVM算法具有良好的抗噪性,而对于神经网络算法,一旦输入向量的维数增加,其收敛性和错误率都会发生较大的偏差.实验结果验证了用SVM算法比用神经网络算法有更大的准确率,尤其在小样本、高维数的分类上.     

一种基于2-D Markov链模型的图像信息隐藏检测方法

 通过设定图像预测错误门限, 并结合支持向量机（Support Vector Machines ,SVM）对图像数据进行分类,提出一种二维（2-D）马尔科夫链模型的信息隐藏检测系统。在嵌入率为0.1bpp时,分别应用扩频（spread spectrum,SS）和量化索引调制（Quantization Index Modulation, QIM）进行实验,系统实现数字水印的正确检测率超过90%;而应用LSB方法,在嵌入率为0.01bpp-0.3bpp条件下,系统实现的数字水印正确检测率在50%~90%以上。     

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．