基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

基于改进的模糊C-均值的分级递减聚类算法

提出了基于改进的模糊C-均值的分级递减聚类算法,利用改进的模糊C-均值聚类算法寻找类中心,再自适应确定该类中心的隶属度阈值,将聚类进行分级处理,实现未知类数数据集的聚类。实验结果表明,本算法对未知类数、具有高斯分布的数据集具有聚类效果好、收敛快的特点,且对于类数较多的数据集,本算法也是一种快速聚类算法。     

基于半模糊核聚类的模糊超球支持向量机多类分类方法

针对支持向量机(SVM)在大类别模式分类中存在的问题,提出了一种基于半模糊核聚类的超球SVM分类方法.该方法基于半模糊核聚类生成模糊类,利用模糊类提供的边缘样本信息,利用超球SVM进行多类分类,从而有效提高分类器的性能.实验表明,该方法比传统方法具有更高的速度和精度.     

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。     

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。     

基于模糊支持向量机的小批量生产质量智能预测方法

在分析比较目前常用的智能工序预测技术及其特点的基础上,提出一种适合小批量生产过程的质量智能预测模型,并给出了相应的预测过程和算法.由于该模型中以模糊支持向量机(FLS-SVM)技术为智能核心,一方面较好的解决小样本学习问题,避免了人工神经网络等智能方法在对小批量生产过程质量进行预测时所表示出的过学习、泛化能力弱等缺点.另一方面,通过隶属度函数对样本进行模糊化,达到样本优化选择,实现历史数据“重近轻远”的预测效果.通过对具体加工过程的预测实验,并与其它几种常见预测方法效果进行对比,说明本文方法实现容易,建模速度快,小样本的泛化能力强,为实现小批量加工过程的在线质量预测与控制提供可行的思路.     

基于数据域描述的模糊临近支持向量机算法

针对传统支持向量机由于样本中存在孤立点或噪声而导致的过学习问题,通过分析模糊支持向量机和临近支持向量机的特点,借鉴它们的优点:模糊隶属度和临近超平面,提出了一种数据处理方法。该方法考虑了样本点到类中心的距离与样本对分类的贡献率的关系。这种改进使分类更为清晰和准确。结果表明:采用新的模糊隶属度模糊临近支持向量机算法有较高的识别率,但也耗费了较多的训练时间。     

基于自适应协同聚类的支持向量预选算法

为提高支持向量机在大规模数据集上的训练效率,提出一种基于自适应协同聚类的支持向量预选算法。该方法通过对两类样本进行自适应协同聚类,寻找少量具有协同关系的类中心对,替代支持向量进行训练,从而减少参训样本数量。其中,中心对数量由算法自动确定。与其他支持向量预选算法的对比实验结果表明,自适应协同聚类算法能够在不影响分类性能的情况下,有效提高训练速度,是一种行之有效的快速支持向量预选算法。     

基于数据加权策略的模糊C均值聚类算法

针对模糊C均值(fuzzy C means, FCM)聚类算法没有考虑噪声样本点和样本数据的分布特征对聚类结果影响的不足,利用数据加权策略对FCM聚类算法进行改进。改进后的算法通过计算各样本点的密度值,将初始聚类中心限制在高密度样本点区域,并把样本点的密度值作为该点的权值,对聚类中心进行调整,突出高密度样本点在聚类中心调整中的影响力,从而达到提高聚类效果的目的。人造数据集和加州大学欧文分校(University of California Irvine, UCI)真实数据集的实验结果表明,在不提高时间复杂度的同时,与FCM算法相比,基于数据加权策略的FCM算法聚类的准确率更高。     

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.     

基于灰色支持向量机的新型预测模型

分析了灰色预测方法和支持向量机各自的优缺点,提出了将二者相结合的一种新的预测模型———灰色支持向量机预测模型.新模型发挥了灰色预测方法中“累加生成”的优点,弱化了原始序列中随机扰动因素的影响,增强了数据的规律性,同时避免了灰色预测方法及模型存在的理论缺陷.实验结果表明文章所提出的预测模型有效可靠,为提高预测精度提供了新的途径.     

支持向量机的多分类算法

系统介绍了统计学习理论(statistical learning theory,SLT)与支持向量机(support vector machine,SVM)的基本思想和算法,总结和比较了二分类和多分类两种情况下支持向量机的主要训练算法。与人工神经网络相比,分析了支持向量机算法的优点。归纳了支持向量机在诸如模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子领域中的应用。最后对SVM前景作了展望。     

Parameter selection of support vector machine for function approximation based on chaos optimization

The support vector machine （SVM） is a novel machine learning method, which has the ability to approximate nonlinear functions with arbitrary accuracy. Setting parameters well is very crucial for SVM learning results and generalization ability, and now there is no systematic, general method for parameter selection. In this article, the SVM parameter selection for function approximation is regarded as a compound optimization problem and a mutative scale chaos optimization algorithm is employed to search for optimal paraxneter values. The chaos optimization algorithm is an effective way for global optimal and the mutative scale chaos algorithm could improve the search efficiency and accuracy. Several simulation examples show the sensitivity of the SVM parameters and demonstrate the superiority of this proposed method for nonlinear function approximation.     

Decision tree support vector machine based on genetic algorithm for multi-class classification

To solve the multi-class fault diagnosis tasks, decision tree support vector machine (DTSVM), which combines SVM and decision tree using the concept of dichotomy, is proposed. Since the classification performance of DTSVM highly depends on its structure, to cluster the multi-classes with maximum distance between the clustering centers of the two sub-classes, genetic algorithm is introduced into the formation of decision tree, so that the most separable classes would be separated at each node of decisions tree. Numerical simulations conducted on three datasets compared with "one-against-all" and "one-against-one" demonstrate the proposed method has better performance and higher generalization ability than the two conventional methods.     

基于稀疏型支持向量回归的时间序列预测

为提高支持向量回归在时间序列预测应用中的学习速度和泛化性能,提出了稀疏型支持向量回归方法.通过牛顿优化法,直接优化支持向量回归的原始问题.然后利用Cholesky分解更新原始优化中的Hessian矩阵实现稀疏型支持向量回归算法.最后将该算法运用到Mackey-Glass,Lorenz和Logistic混沌时间序列预测,仿真结果表明本文提出的方法能够在确保预测精度的前提下,有效地降低支持向量的个数.     

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。     

基于支持向量机的空中目标大类别分类

针对已有空中目标识别方法存在的经验风险大、识别率低等不足,依据空中目标的分类原则和纠错码设计原则,设计了针对该问题的纠错码,并训练了码位分类器,最后给出了基于支持向量机的空中目标大类别分类算法。该方法采用纠错编码支持向量机的多类分类技术,降低了经验风险,能对误差进行自动修正,有效地提高了识别率和识别速度。最后给出了一个算例,结果证实了该算法的有效性,并给出了与同类算法的比较结果。     

Adjustable entropy function method for support vector machine

Based on KKT complementary condition in optimization theory, an unconstrained non-differential optimization model for support vector machine is proposed. An adjustable entropy function method is given to deal with the proposed optimization problem and the Newton algorithm is used to figure out the optimal solution. The proposed method can find an optimal solution with a relatively small parameter p, which avoids the numerical overflow in the traditional entropy function methods. It is a new approach to solve support vector machine. The theoretical analysis and experimental results illustrate the feasibility and efficiency of the proposed algorithm.