模式分类方法研究

分析了模糊K-近邻方法FKNN,研究了模糊最小最大神经网络FMMNN分类方法,然后深入分析了支持向量机SVM原理,并在此基础上给出了一种改进的径向基核函数。基于IRIS数据,进行了计算机仿真实验,结果表明,改进的SVM方法分类性能比模糊最小最大神经网络与模糊K-近邻算法的分类性能更好,且运算时间更短,更易于实时实现。     

仿真实验与SVM相结合的数据分类方法研究

首先提出了仿真实验与SVM相结合的数据分类方法;其次,利用该方法成功地进行了若干数据分类实验,证明了该方法能够高效、优质地完成体系规划与优化过程中的数据分类任务。此外,还探讨了二分类支持向量机的推导过程,研究了利用仿真实验为二分类支持向量机准备实验样本的具体方法。     

基于支持向量机的体数据分类算法研究

在由工业CT图像构成的体数据中,低密度材质的灰度与背景及伪影的灰度接近,影响了分类的准确性,进而影响体绘制的结果.针对这一问题,提出了一种基于支持向量机的体数据分类算法.首先以体素的灰度、梯度、局部直方图的熵和矩为样本特征进行训练,得到决策函数,并通过决策函数对体数据进行类别标记,再将具有相同标记的体素的灰度值变换到指定的灰度区间,最后利用阻光度传递函数对体素进行阻光度赋值,完成体数据的分类.实验结果表明,所提出的算法较好的实现了体数据的分类,体绘制结果清晰,且能够实现试件的模拟拆卸.     

基于自调节分类面SVM的平衡不平衡数据分类

标准支持向量机(SVM)对不平衡数据集进行分类时,会出现不平衡现象;传统不平衡数据集分类方法只能对不平衡数据集分类,且在分类过程中存在人工因素的参与.提出一种平衡不平衡数据集统一分类方法--自调节分类面支持向量机(self-adjusting classification-plane SVM,SCSVM),设计自适应的分类面调节方法,根据训练错分情况对分类面进行调整,控制正负类样本的错分率使其达到均衡,平衡或不平衡数据集都可采用相同的方法进行分类而不需预知数据集种类.实验表明该方法可对平衡或不平衡数据集进行有效的分类.     

基于支持向量机的中文文本自动分类研究

提出了一种基于支持向量机的文本自动分类方法,并进行了实验研究。在详细介绍了进行文本分类的实验过程和在实验中使用支持向量机的方法的基础上,通过实验比较了支持向量机算法和传统的KNN算法应用于文本分类的效果,并针对支持向量机算法的缺点,提出了进行文本预处理时的改进方法。实验结果表明了支持向量机在处理文本分类问题上的优越性。     

基于决策树的快速SVM分类方法

为提高支持向量机（support vector machine, SVM)算法对大规模数据的适应能力,加快SVM算法的分类速度,提出一种基于决策树的快速SVM分类方法。该方法的重点在于构建一棵决策树,将大规模问题分解为相对简单的子问题,树中节点由线性支持向量机组成,每个节点包含一个决策超平面,分类过程取决于节点的数量。此方法在分类复杂样本时避免了使用非线性核函数。并且由于使用线性核函数,则不用进行模型选择,进一步加快了样本的分类速度。实验表明,针对大规模多特征数据的非线性分类问题,该方法比传统方法具有更高的速度。     

基于SVM的图像分类系统设计

为实现基于语义的图像分类,其本质还是从底层特征出发,因此,高层信息的学习和建模也就必须来源于底层特征了。在底层特征提取的基础上提出了一个基于SVM的图像分类系统的设计,重点介绍了图像数据库的设计和分类引擎的设计,说明了其可行性和方便易用性。最后展望了基于SVM的图像分类引擎技术的发展方向和应用前景。     

消费者信用评估中支持向量机方法研究

消费者信用评估是金融与银行界研究的重要内容，最近的研究显示统计学习理论(SLT)方法在信用评估中有优势。本文在信用评估中应用了一种新的方法——支持向量机方法(SVM)，该方法属于机器学习理论发展的最新阶段，具有专门针对有限样本、算法复杂度与样本维数无关等优点。使用真实的信用卡数据实证结果表明，本方法具有较好的预测能力，在与国内某商业银行现有信用卡个人信用评估方法的对比研究中，该方法具有明显的优势。     

基于超曲面的多类分类方法

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分 .基于 Jordan曲线定理 ,提出了一种通用的基于分类超曲面的分类法 ,它是通过直接构造分类超曲面 ,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种全新分类判断算法 ,不需作升维变换 ,不需要考虑使用何种核函数 ,而直接地解决非线性分类问题 .对数据分类应用的结果说明 ,基于分类超曲面的多类分类法可以有效地解决非线性数据的分类问题 ,并能够提高分类效率和准确度 .     

基于新的决策规则的球形支持向量机分类算法

球形支持向量机是一种学习算法,它通过在高维特征空间中,对每一个模式类别构造一个覆盖其所有训练样本的具有最小体积的超球体,来实现对训练样本空间的划分.在此基础上,提出了一种基于新的决策规则的球形支持向量机算法,并在七个UCI数据集上进行了实验,实验结果表明提出的算法可以取得比标准的支持向量机算法更好的分类效果.     

基于多目标进化算法的高维模糊分类系统的设计

提出一种可同时构造多个精确性和解释性较好折中的高维模糊分类系统的设计方法。该方法由以下三步组成:(1)利用Simba算法进行特征变量选择;(2)采用模糊聚类算法辨识初始的模糊模型;(3)利用匹茨堡型实数编码的多目标遗传算法对初始模糊模型的结构和参数进行学习。基于NSGA-Ⅱ算法的目标函数同时考虑模型的精确性和解释性;为提高模型的解释性,在多目标进化算法中利用基于相似性的模型简化方法对模型进行约简。利用该方法对Wine等问题进行分类,仿真结果验证了方法的有效性。     

基于粒子群优化的数据分类算法

设计了一种基于粒子群优化的数据分类算法。新算法首先对数据样本预处理,利用粒子群优化算法通过训练数据进行分类规则的提取,根据提取得到的规则对数据进行分类识别。基于Bayes定理和随机状态转移过程对新算法的收敛性进行分析。通过对UCI数据集分类实验及遥感图像目标识别实验,验证了新算法是一种有效的分类方法。     

高维稀疏低秩的多目标矩阵回归模型及其组合管理策略

本文通过双因子随机过程表征资产价格的长短期运行趋势，选择具有重要影响力的市场指数构建有效市场组合，采用稀疏低秩的多目标回归方法深度挖掘市场特征，并自适应地捕捉市场趋势，最终利用预配权稀疏分散再优化方法获得矩阵回归的最优投资策略.研究发现高维稀疏低秩策略不仅可以实现全局和局部降维、低秩和稀疏约减的统一，还可以选择性地降低高维资产数目，更好地捕捉资产的非线性特性，更容易抓住资产间的关联关系.多目标稀疏分散回归策略具有集中配置资源、稀疏分散风险和稳定提高投资组合整体绩效的能力，组合管理成本更低，优越性更明显.实证结论对量化投资组合管理、资产配置优化及投资分析具有重要指导意义.     

通信信号自动分类方法研究

提出增加信号的频谱作为信号的特征信息之一 ,并采用离散傅里叶变换 (DFT)和小波 (wavelet)方法提取信号的频谱、瞬时幅度、瞬时频率及瞬时相位 ,构成信号的特征向量。为解决运算速度问题 ,对特征向量提出了分类编码方案。最后利用神经网络的方法进行识别。实验结果表明 ,采用这种方法可以显著地改进分类的效果     

基于全方位优化算法的改进马田系统分类方法

针对马田系统的若干不足, 提出一种改进的马田系统优化模型, 其核心思想是 根据分类问题的目的和特点提出若干优化目标, 采用优化模型替代正交表和信噪比筛选关键变量. 针对模型的特点, 采用了一种全方位优化算法进行求解. 通过对4个 UCI数据集的算例分析表明, 该方法不仅有较好的分类精度, 且能筛选关键变量, 降维效果明显. 最后对一个实际生产案例 进行了研究, 结果表明该方法在保持高分类效率的情况下, 能够显著减少质量检测变量, 降低成本, 提高生产效率.     

基于概率模式分类的宏观经济预警系统设计

讨论了基于概率模式分类原理的宏观经济预警系统的设计过程,通过对我国棉花生产情况的预警实例说明,这种预警系统与传统预警系统相比有着明显的优点。     

非线性嗅觉生理模型在一维序列识别中的应用

Water J Freeman教授在生理实验的基础上建立了一套基于嗅觉系统的神经网络模型。这套模型运用非线性动力学的方法较好的模拟了人体的嗅觉系统,并能够产生类似脑电的非周期背景信号。利用这个的基于嗅觉系统而建立的模型--K系列模型可以实现模式识别。本文首先从原理上介绍了K系列模型的拓扑结构和数学基础,然后通过实际的计算机数值模拟介绍了KII网络和KIII模型在实现一维序列识别时的方法和结果,简单说明了这个模型在模式识别上的特点。     

基于AdaBoost改善虹膜分类性能

针对虹膜图像分辨率不同引起虹膜分类难的问题,提出了通过AdaBoost训练虹膜分类器的方法,利用训练集数据调整分类器参数使类内相似度达到最大,将虹膜分类器从弱分类器逐步提升为强分类器,最终为每类虹膜建立一个具有强分类能力的特征模板.仿真结果表明,在已有的特征提取算法和分类算法的基础上,利用训练数据通过自适应增强算法能进一步改善分类器分类性能,提高虹膜分类正确率,增大虹膜分类阈值的选择范围.