基于一致性预测支持向量机的多分类算法

针对一致性预测支持向量机的多分类问题,提出了两种多分类算法,分别是基于一致性预测一对多支持向量机算法(One-Vs-Rest Support Vector Machine Algorithm Via Conformal Predictors, OVR SVM CP)和基于一致性预测一对一支持向量机算法(One-Vs-One Support Vector Machine Algorithm Via Conformal Predictors, OVO SVM CP)。首先,将多分类问题转化为二分类问题,利用决策函数定义奇异值函数。然后,对这两种算法进行数值模拟实验,并与OVO SVM、OVO LSSVM、OVO TWSVM、HSVM算法相比较。最后,将两种算法应用于6组真实数据集测试其分类预测效果。仿真实验和真实数据应用结果表明,提出的两种算法预测效果较好,相比于其他3种的支持向量机算法有更高的预测准确率。     

基于最大间隔的支持向量机特征选取算法研究

支持向量机(Support Vector Machine,简称SVM)是一种有效分类方法.不同特征选取算法对分类器影响不同,结合支持向量机特点,提出了一种基于最大间隔的支持向量机特征选取算法.利用该算法,对Iris测试数据集进行了特征选取并仿真,实验结果表明,该算法不但能够有效去除噪音数据,而且提高了分类器推广与泛化能力.     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于层次支持向量机的脉搏信号情感识别

针对传统支持向量机的情感识别中,随着识别情感的类别增加,支持向量机数目急剧增加,导致训练难度增大的同时占用内存空间过大,耗时过长的问题,提出了基于层次支持向量机的情感识别算法.该算法结合了二维情感模型理论,以层次支持向量机为基础,运用了小波分解等技术手段,构建了一套完整的脉搏信号情感识别方法.对于n类分类问题,传统的SVM(Support Vector Machine)分类需要n(n-1)/2个分类器,运用层次SVM分类只需要构造n-1个SVM分类器.实验结果表明,层次支持向量机模型在保证分类准确率的同时,减少了传统分类算法支持向量机的个数,分类速度提升了43.5％.     

基于划分融合的非平衡SVM分类算法

支持向量机(Support Vector Machine,SVM)是一种公认有效的分类算法,在处理小规模二分类问题时表现出较好的性能,但在处理非平衡数据的分类问题时能力有限,针对非平衡数据的分类问题,文章提出一种基于划分融合的非平衡SVM算法(Imbalanced SVM Algorithm based Divisio...     

基于双支持向量机的大样本分类算法

针对支持向量机(Support Vector Machine,SVM)处理大规模样本分类的学习效率降低问题,提出两阶段学习的支持向量机算法。该方法首先在正负类分别进行无监督聚类,提取各个聚类质心组成约简训练集,进行初次SVM训练;然后,根据初次训练结果选取边界样本集,参与第二次SVM训练。在UCI数据集上的实验结果表明,所提方法在保持分类泛化性能的同时,提高了模型的训练速度。     

基于支持向量机的遥感图像分类研究

支持向量机(Support Vector Machine,SVM)是一种基于统计学习理论的新型机器学习算法.通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题.将支持向量机理论应用到遥感图像分类的研究还处在初级阶段,传统分类算法应用于遥感图像分类存在运算速度慢、精度比较低和难以收敛等问题.从支持向量机基本理论出发,建立了一个基于支持向量机的遥感图像分类器.用遥感图像数据进行实验,并将结果与其它方法的结果进行了比较分析.实验结果表明,利用SVM进行遥感图像分类的精度明显优于神经网络算法和最大似然算法分类精度.     

基于目标干扰意图识别的无人艇避碰算法

在无人艇避碰规划过程中,为准确识别障碍干扰意图,提出一种结合主成分分析(Principal Component Analy-sis,PCA)和支持向量机(Support Vector Machine,SVM)的分类算法.首先,利用PCA对船舶模型运动的高维运动特征数据集进行降维,获取特征集的主成分;再通过SVM对经过处...     

基于数据关系的SVM多分类学习算法

提出一种基于数据关系(Data Relationship,DR)的多分类支持向量机(Support Vector Machine,SVM)学习算法(Multi-Classification SVM Algorithm Based on Data Relationship,DR-SVM).DR-SVM算法根据每类数据的关系(如向量积等)获取子学习嚣的冗余信息,从而优化多分类器组,然后通过经典的SVM算法训练分类器组.算法在简化分类器组的同时可对多类数据分类问题获得满意的泛化能力,在标准数据集上的实验结果表明,与经典的SVM多分类方法相比,DR-SVM具有更好的泛化性能,尤其对单个类别精度要求较高的数据尤其有效.     

几种SVM的优劣性比较

支持向量机(Support Vector Machine,SVM)是将样本进行分类和回归的一种强大的数学工具,尤其是对高维领域,效果尤为显著.支持向量机工作原理是针对样本数据集,寻找决策函数来对样本数据进行分类的.如今已经衍生出多种SVM的相关模型.最为常见是有孪生支持向量机(T-SVM),正则化支持向量机(RT-SVM),最小二乘支持向量机(LSSVM).这几类模型的出发点和建构模型的思想有些许不同之处.本文则选取了三种常见的SVM模型,分析和比较它们之间的优势以及劣势,能让读者更加深入的了解这类算法,并且在实际问题中更具有选择应用性.     

一种基于组合保留集的SVM增量学习算法

传统的支持向量机(Support Vector Machine,SVM)分类算法不具有增量学习能力,为了减少新增样本加入后重新训练的时间并能适应海量数据的准确分类,提出了一种基于组合保留集的SVM增量学习算法.该算法以构建保留集为基础,采用缩放平移选择法选择样本,且利用了组合保留的思想,对原训练集样本和增量样本集中满足KKT(Karush-Kuhn-Tucker)条件的样本分别进行部分保留,并赋予样本权重,再依据权重挑选部分保留样本与原支持向量集和增量样本中违背KKT条件的样本合并进行训练,从而实现原有样本知识的积累和新样本知识的学习.实验结果表明,该算法在加快分类速度的同时提高了分类精度.     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

基于麻雀搜索算法优化支持向量机的瓶盖装配检测研究

针对基于支持向量机的瓶盖装配检测算法准确度不高、调参难度大的问题,提出通过麻雀搜索算法(Sparrow Search Algorithm, SSA)对支持向量机(Support Vector Machines, SVM)的关键参数寻找最优解.采集瓶盖部位图像,包括标准、歪斜、铝塑分离、胶塞缺失、高盖5种类型.提取6个典型特征构建数据集,采用二分类支持向量机分类,分别通过遗传算法、粒子群算法和麻雀搜索算法对支持向量机参数进行调节.训练结果表明,麻雀搜索算法优化后的支持向量机模型测试准确率达到98.33%,高于其他几种算法.基于SSA-SVM的瓶盖装配检测模型识别精度高,调参速度快,泛化能力强.     

云计算环境的并行支持向量机

针对基于GPU和MPI并行的支持向量机（SVM）算法不适合于云计算环境,设计了一种基于多级SVM的并行支持向量机模型,实现了云计算环境下的序列最小优化（SMO）的并行算法。该算法通过MapReduce系统将大规模训练数据集划分为若干小训练集,再由这些小训练集开发多级的SVM,最后收集每一个SVM最优超平面附近的样本数据来训练另一个新的SVM。实验结果表明,该算法在时间消耗与分类正确率等综合方面比单机算法和传统并行算法获得更好的效果。     

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.     

基于特征抽取和SVM分类器的故障诊断

为了提高支撑向量机(Support Vector Machine,SVM)的性能,降低时间开销;提出一种基于特征提取的SVM算法,并将其用于汽轮发电机组的故障诊断;使用KFDA(Kernel Fisher Discriminant Analyst)算法提取汽轮发电机组数据的关键特征,并使用SVM分类器对特征数据集合进行分类检测;实验结果表明:算法是可行和有效的,在分类性能和训练时间上都得到了提高。     

基于改进GOA-SVM算法的异常流量识别

异常流量的准确识别在网络安全中起着重要作用,支持向量机(Support Vector Machine,SVM)已经成功地应用于分类和函数逼近等方面,而核函数参数和惩罚参数(C)的选取对SVM的分类性能起着关键作用.为了提高SVM的分类性能,提出一种基于改进蚱蜢算法优化SVM的异常流量识别方法,命名为SAGOA-SVM.在对蚱蜢算法进行实验研究后发现其局部搜索能力较弱,本文通过引入模拟退火算法和位置偏移机制增强蚱蜢趋向食物源的随机性来改进蚱蜢算法优化SVM参数的性能,从而提高SAGOA-SVM算法对异常流量的识别率.在选取的7个标准UCI数据集上的实验结果表明,所提出的SAGOA-SVM算法有很好的分类精度和性能.     

基于关联关系分析的符号数据分类方法

由于符号属性数据缺乏固有的几何特性,不能简单地将现有的数值属性数据分类算法应用于符号属性数据.为了提高符号属性数据的性能,提出一种基于关联关系分析的支持向量机分类方法(Support Vector Machine Classification Approach Based on Correlation Analysis,CA_SVM).通过分析属性值与标签之间的相关性,得到属性值对标签的影响因子;然后结合属性值在类内出现的频率,使得所有原始符号数据下的属性值在不失信息的情况下转换成数值型数据;转换后的数据既可以体现属性值与标签之间的关联关系,也可以有效地表示相同属性下属性值之间的距离;最后用支持向量机(Support Vector Machine,SVM)进行分类.在标准UCI数据集上的实验结果表明,CA_SVM模型能够提高分类精度.     

基于粒度和信息熵的并行支持向量机算法

针对大数据环境下并行支持向量机(support vector machine,SVM)算法存在噪声数据较敏感、训练样本数据冗余等问题,提出基于粒度和信息熵的GIESVM-MR(the SVM algorithm by using granularity and information entropy based on MapReduce)算法.该算法首先提出噪声清除策略(noise cleaning,NC)对每个特征属性的重要程度进行评价,获得样本与类别之间的相关度,以达到识别和删除噪声数据的目的;其次提出基于粒度的数据压缩策略(data compression based on granulation,GDC),通过筛选信息粒的方式保留类边界样本删除非支持向量,得到规模较小的数据集,从而解决了大数据环境下训练样本数据冗余问题;最后结合Bagging的思想和MapReduce计算模型并行化训练SVM,生成最终的分类模型.实验表明,GIESVM-MR算法的分类效果更佳,且在大规模的数据集下算法的执行效率更高.