基于模糊机会约束SVDD的故障诊断方法

针对使用不确定性数据进行多故障模式诊断问题,以模糊事件的可能性测度为基础,提出一种基于模糊机会约束支持向量数据描述的诊断方法。为有效地求解故障分类模型,提出模糊机会约束规划的对偶规划,根据贯序最小算法 (sequential minimal optimization,SMO)思想提出快速训练算法,利用支持向量数据描述使用一类数据求解分类面的优势,构建多类分类器。数值试验表明,本方法可以有效处理基于不确定数据的故障诊断问题,在故障类别较多的情况,速度有较大提高,具有一定实践意义。     

SVM方法及其在客户流失预测中的应用研究

客户流失分析与预测是客户关系管理的重要内容.针对客户流失问题,建立了支持向量机预测模型.针对实际客户流失数据中正负样本数量不平衡而且数据量大的特点,提出带有不同类权重参数的支持向量机算法CW-SVM,通过调整类权重参数改变分类面位置,提高算法分类准确性;将标准支持向量机训练问题转化为运算效率更高的核向量机问题,提出处理不平衡海量数据集的CWC-SVM算法.通过实际银行信贷客户数据集测试,该算法与传统预测算法比较,更适合解决大数据集和不平衡数据,取得较好的客户流失预测效果.     

基于可拒识SVM的并行增长图像分割算法

针对经典区域增长算法中生长规则以及特征选取困难的问题,提出基于可拒识双层支持向量机模型的多目标并行区域增长图像分割算法。首先交互选择多个不同区域的种子点,并交互选择属于每个目标区域的子块和非目标区域的子块形成双层支持向量机训练样本;然后利用这些已知的训练样本训练双层支持向量分类器;在区域增长过程中,首先利用第一层的最大间隔超平面的支持向量分类器(SVC)进行分类判决,对属于该区域的点再利用第二层的支持向量域数据选择器(SVDD)进行拒识或接受处理,最后利用两层分类器的结果进行综合判决。为避免初始种子点位置选择对算法性能的影响,采用了多区域并行竞争增长策略。仿真实验获得了较好的分割效果,实验结果表明,提出的算法是合理可行的。     

自训练多项式光滑的半监督支持向量机

为了处理自训练半监督支持向量机算法中每次循环都需要求解二次规划因此效率低的问题,采用直接求解支持向量机的原始优化问题,由此得到一个不光滑的无约束优化问题.将正号函数展开为无穷多项式级数,由此得到了一族光滑函数,用多项式光滑函数对无约束优化问题进行逼近,并用共轭梯度算法求解模型.在人工数据和UCI数据集上的实验结果显示,给出的算法效率高,能保证标记样本很少时的分类精度并且不因标记样本的增多而明显提高分类精度.     

模糊支持向量机与模糊模拟

研究当训练点的输出为模糊数时，支持向量机的构建问题。首先将模糊分类问题转化为求解带有模糊决策的机会约束规划问题。利用模糊模拟和基于模糊模拟的遗传算法，求解带有模糊决策的机会约束规划。在此基础上，构造模糊支持向量机(算法)。最后，给出显示模糊支持向量机特点的模糊支持向量集的定义。     

基于边界向量的样本取样SMO算法

在各种支持向量机(SVM)训练算法中,比较突出的训练算法是序贯最小优化(SMO)算法。样本取样SMO算法是在不改变样本分布的前提下对原始训练集进行取样从而压缩样本数量,但由于样本取样具有随机性,如何有效缩减取样范围是改进该算法的主要方向。为此根据边界向量不一定是支持向量,但支持向量一定是边界向量这一理论,得出边界向量集是包含所有支持向量的集合,先提取边界向量再取样,把取样的范围减小到边界向量集里,缩短样本取样SMO算法的时间。实验表明,基于边界向量的样本取样SMO算法的性能要比原算法更优。     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。     

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.     

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM).介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法.构建这种分类器时,先选用适当的隶属函数,构造核函数.然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则.最后,利用支持向量机学习方法,求出支持向量和规则的参数.这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生.用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性.     

训练支持向量机的低维Newton算法

支持向量机是基于统计学习理论的结构风险最小化原理提出来的一种新的学习算法,它把模式识别问题建模为一个简单约束的高维对偶二次规划问题.针对原二次规划的特点,线性分类问题可等价化为低维的无约束不可微优化问题,并可通过批处理训练来提高训练速度,降低存储空间复杂度.采用熵罚函数法处理不可微优化问题,对收敛性进行了验证,并提出了Newton型求解算法.数据仿真结果表明,该算法在低存储需求下可有效提高大数据量问题的训练学习速度.     

基于支持向量信息测度排序的快速分类算法

如何降低支持向量机海量训练样本的数目,是提高算法速度的关键。提出利用支持向量分布的几何特征建立基于特征空间中支持向量信息测度的快速算法,对于训练样本首先进行基于支持向量信息测度升序排序处理,然后根据训练样本提供的信息测度选择合适的训练样本子空间,在该样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后针对附加残余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明,提出的算法具有较好的性能,特别是在训练样本庞大、支持向量数量较多的情况下,能够较大幅度地减少计算复杂度,提高分类速度。     

单纯形法的旋转迭代算法在二次规划中的应用

二次规划是非线形规划中非常重要的一类，对它的求解人们通常是利用K—T条件将其转化为线性规划来进行。但由于在转化成线性规划的过程中要引入人工变量，从而使求解过程变得复杂且不易操作。本文应用单纯形法的旋转迭代算法求解二次规划，从而避免了以上困难，得到满意结果。     

基于两阶段优化的多属性决策法及其解的理论证明

针对只有部分权重信息(区间数),属性值为定值的多属性决策问题。先从局部考虑,建立一个目标规划模型,通过求解这个模型获得各方案的理想属性权重;再从全局考虑,建立一个二次规划模型,并对二次规划的最优解的存在性进行了理论证明。且给出了综合属性权重的求解公式,从而得到各方案的综合属性值,并以此对方案进行排序或择优。通过实例说明模型及方法的可行性和有效性。     

企业竞争策略选择的建模、算法与仿真

企业选择竞争行为应对潜在竞争威胁是确保企业盈利的要素之一。针对此问题,利用博弈论展开定量研究。首先通过引入两阶段博弈形式化企业竞争战略选择过程,并用二层规划刻画该博弈过程,通过求解该二层二次规划获得两期博弈的均衡解;据此对处于价格竞争市场中的两个企业竞争行为选择过程进行仿真,验证了根据两期博弈进行的企业竞争行为的分类和选择的正确性。     

自融资均值方差投资组合模型的旋转算法

将自融资投资组合问题用一个以极小化方差风险为目标的凸二次规划表示,用线性不等式组的一种旋转算法解其库恩塔克条件的线性部分并使互补松弛条件得以满足.     

基于两阶段博弈的企业竞争行为选择及仿真

竞争行为选择是企业短期管理中的重要内容之一,目前国内对此问题的研究基本处于定性阶段,尝试采用博弈论对该问题进行定量研究:在引入两阶段博弈形式化企业竞争战略选择过程基础上,用二层规划刻画该博弈过程,通过求解该规划获得两期博弈均衡解;最后,通过对处于产量竞争市场中的两个企业竞争行为选择过程进行仿真、分析,其结果不仅验证企业竞争行为分类的正确性,并得到对企业决策具有指导意义的结论。     

线性一二次双层规划问题

本文利用对偶理论和Kuhn-Tucker条件来研究线性一二次双层规划问题, 给出一些二层规划解的最优性条件和一个求解二层规划解的算法。这些最优性条件丰富了非线性多层规划的理论, 而其求解算法为求解实际问题提供了有力的工具。一些数值试验结果将在本文未给出, 这些结果表明算法对于小规模问题的求解是相当有效的。     

Multiclassification algorithm and its realization based on least square support vector machine algorithm

1.INTRODUCTION Thedatabasedmachinelearningasastatisticlearning methodplaysanimportantpartinmodernintelligent technology.Basedontheresearchofstatisticlearning theory,VapnikVNpointedouttheproblemofexpe riencedriskminimization,andpresentedthenotionof minimizingstructurerisk.Upontheabovetheory,herecomesthesupportvectormachine(SVM)algo rithm[1].Itisespeciallyaimedatfinitesamples,and wecanfinallygettheoptimalsolutionsfortheexist ed informationbutnotforthesituationoftraditional statistictheory…     

Automatic differentiation for reduced sequential quadratic programming

In order to slove the large-scale nonlinear programming （NLP） problems efficiently, an efficient optimization algorithm based on reduced sequential quadratic programming （rSQP） and automatic differentiation （AD） is presented in this paper. With the characteristics of sparseness, relatively low degrees of freedom and equality constraints utilized, the nonlinear programming problem is solved by improved rSQP solver. In the solving process, AD technology is used to obtain accurate gradient information. The numerical results show that the combined algorithm, which is suitable for large-scale process optimization problems, can calculate more efficiently than rSQP itself.     

A quadratic objective penalty function for bilevel programming

The bilevel programming is applied to solve hierarchical intelligence control problems in such fields as industry, agriculture, transportation, military, and so on. This paper presents a quadratic objective penalty function with two penalty parameters for inequality constrained bilevel programming. Under some conditions, the optimal solution to the bilevel programming defined by the quadratic objective penalty function is proved to be an optimal solution to the original bilevel programming. Moreover, based on the quadratic objective penalty function, an algorithm is developed to find an optimal solution to the original bilevel programming, and its convergence proved under some conditions. Furthermore, under the assumption of convexity at lower level problems, a quadratic objective penalty function without lower level problems is defined and is proved equal to the original bilevel programming.