基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI（University of California Irvine）机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持...     

超球体支持向量机的不完全二叉树多类分类算法

针对现有的支持向量机多类分类方法的不足之处,提出了一种基于超球体支持向量机的不完全二叉树多类分类算法。该算法首先采用超球体SVM算法,计算各类样本群的分布范围。再利用距离公式,计算各类样本间的距离,基于将最容易分离出来的类最先分割出来的原则,设计二叉树结构,从而提高分类精度。通过仿真实验,分析比较各种方法的性能,从而验证了该算法的有效性。     

基于二叉树的SVM多类分类算法研究

支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势.支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.介绍了基于二叉树的SVM多类分类算法,通过对其原理和实现方法的分析,对这些方法的优缺点进行了归纳和总结,给出了进一步的研究方向.     

基于二叉树支持向量机多类分类算法的研究

基于二叉树的支持向量机多类分类算法虽然在目前现有的多类分类算法中总体性能较优,但是仍然存在分类精度和分类效率不高的问题。针对这些问题,提出了一种新的基于欧氏距离的二叉树支持向量机(Distance binary tree SVM,简称DBT SVM)多类分类算法,该算法综合地考虑了两类最近样本的欧式距离、类中心的欧氏距离对分类的影响,并且使最容易分离的类能优先分离出来。通过在UCI标准数据集上进行实验验证,结果表明该算法行之有效。
     

支持向量机多类分类的数字调制方式识别

针对神经网络存在的过学习、欠学习、局部极小值等问题,提出了一种基于支持向量机(SVM)的数字调制方式的识别方法。从信号的瞬时幅度,瞬时相位,瞬时频率,频谱,包络变化等特性中提取了7个特征参数,用于训练支持向量机。运用二叉树理论设计多类分类器,与已有算法相比,具有简单、高速、高精度的特点。仿真结果证明,在高斯白噪声(AWGN)下,当信噪比大于15dB时,对2ASK、4ASK、8ASK、2FSK、4FSK、8FSK、BPSK、QPSK、8PSK调制方式的识别率可以达到97% 以上。     

基于支持向量机的多类分类算法研究

基于支持向量机的多类分类方法通常采用多个标准的二分类支持向量机来求解,在一对一多类分类方法的基础上,通过对构成分类边界的超平面的研究,引入了"核空间距离",并提出有效的算法减少分类超平面的数量,并在UCI数据库上进行实验,结果表明能够提高测试效率以及分类精确度,减少了过学习问题的产生,具有更好的推广性能。     

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.     

支持向量机多类分类方法研究

系统地回顾了现有的支持向量机多类分类方法,通过对其原理和实现方法的分析,从训练速度、分类速度和推广能力3个方面对这些方法的优缺点进行了归纳和总结,并得出相关结论.     

支持向量机的多类分类算法

传统的支持向量机是基于两类问题提出的,但在实际生活中经常遇到多类分类问题,如何将其有效的推广至多类分类问题仍是一个有待研究的热点问题。本文中作者对现有的几种较有成效的多类支持向量机做了介绍,并比较其优劣,以期对研究者以后的研究能有所启发。     

基于可靠性测度的多类支持向量机

多类分类问题是我们经常遇到的问题,常用的方法是将多类问题转化为若干个二类问题,然后利用二类支持向量机(support vector machine,SVM)进行分类,如一对余SVM,一对一SVM,决策树SVM等.在这些方法中,大都没有考虑所生成的多个分类器之间的可靠性和重要性问题.为了改进这一点,本文以一对余SVM为例,提出了两种基于可靠性测度的多类分类算法,算法的思想可用于一对一SVM,决策树SVM等其他多种分类器中.为了检验所提算法的有效性,本文进行了比较试验,实验结果表明所提算法不仅提高了分类准确度,而且具有更为广泛的推广能力.     

基于密度法的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点，提出了一种基于密度法的模糊支持向量机，在支持向量机中引入样本密度模糊参数，从而减弱了噪音以及孤立点对支持向量机分类的影响．实验结果证明，在抗击孤立点和噪音点的干扰方面，上述方法优于类中心向量方法以及类中心点距离方法，取得了很好的效果．这一方法大大提高了支持向量机分类的泛化能力，从而大大提高了支持向量机的应用范围．     

基于SVM的表面肌电信号动作模式识别*

为更好地将表面肌电信号应用于智能轮椅的人机接口,提出了一种基于SVM的表面肌电信号动作模式的识别算法。采用一对一的方式构造SVM多值分类器,按照投票原则确定测试样本的类别归属,并与动作模式识别的核fisher算法和RBF神经网络算法进行了对比分析。实验结果表明,支持向量机(SVM)算法识别率更高,可以取得理想的学习效果和泛化性能,很好地解决小样本、非线性及局部极小值问题。     

基于最小二乘支持向量机的脑电信号分类

研究了基于运动想象脑电信号对大脑的想象运动状态进行分类识别的问题.根据事件相关同步和事件相关去同步现象识别出被试的想象运动状态,通过频带能量特征提取方法获得了想象左右手运动时的脑电信号特征,使用最小二乘支持向量机对提取到的频带能量特征进行分类.结果表明,使用最小二乘支持向量机可以对运动想象脑电信号的频带能量特征进行有效分类,分类正确率达到92%,其分类效果与使用标准支持向量机相当,但在计算速度上更有优势.     

Hyperbolic Tangent Support Vector Machine

By utilizing hyperbolic tangent function,we constructed a novel hyperbolic tangent loss function to reduce the influences of outliers on support vector machine (SVM) classification problem.The new lass fuinction not only limits the maximal loss value of outliers but also is smooth.Hyperbolic tangent SVM (HTSVM) is then proposed based on the new loss function.The experimental results show that HTSVM reduces the effects of outliers and gives better generalization performance than the classical SVM on both artificial data and UCI data sets.Therefore,the proposed hyperbolic tangent loss faction and HTSVM are both effective.     

支持向量机在表面肌电信号模式分类中的应用

采用小波变换的方法对实验采集的原始四通道表面肌电信号(sEMG)进行了分析,并提取小波分解系数的奇异值构建特征矢量,利用“一对一”分类策略和二叉树设计的多类支持向量机(SVM)分类器,很好地实现了对前臂8种运动表面肌电信号的模式分类,8种运动模式的平均识别率为98.75%.研究表明SVM分类准确率明显优于传统的BP神经网络、Elman神经网络和RBF神经网络分类器,且识别精度高,鲁棒性好,对肌电信号及其他非平稳生理电信号的模式识别,提供了一种具有良好应用前景的新方法.     

基于支持向量机的车型分类的设计

基于支持向量机的车型分类的设计思路是通过视频采集获得车辆图像,对车辆图像进行图像预处理和特征提取后,得到分类器所需数据特征,而后采用支持向量机和二元决策树对车型分类。采用三个支持向量机的分类器和二元决策树相结合对特征数据进行分类识别,最终实现了车型分类。通过利用Libsvm(SVM模式识别与回归的软件)进行实验,取得了较好的分类效果。     

基于小波变换和支持向量机的心电信号ST段分类

摘要: 为完成ECG(Electrocardiogram)信号特征点提取, 并对ST 段分类, 提出了一种基于离散小波变换和支持向量机的ST 分类算法。首先对信号进行预处理, 完成噪声消除, QRS 波群检测和提取特征值; 然后计算ST段平均值、曲线面积和标准差, 并结合使用SVM(Support Vector Machine)对ST段进行分类。Matlab 仿真结果表
明, 小波去噪效果明显,ST 段未出现失真现象, 特征点提取完整。经MIT鄄BIT 数据库验证, 分类结果显示交叉验证准确率平均值为80. 70%, 训练准确率平均值为91. 83%, 测试准确率平均值为74. 28%。     

时间序列基于特征向量的分类与二叉树分类

论证了利用特征向量的距离对时间序列进行分类不是一种有效的方法,并在此基础上提出一种基于二叉树的分类方法.     

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.     

用于分类的支持向量机

支持向量机是20世纪90年代中期发展起来的机器学习技术,建立在结构风险最小化原理之上的支持向量机以其独有的优点吸引着广大研究者,该文着重于用于分类的支持向量机,对其基本原理与主要的训练算法进行介绍,并对其用途作了一定的探索．