优化的混合核函数相关向量机在发酵过程建模中的应用

针对相关向量机中核函数选择问题进行研究,提出一种局部性高斯核函数和全局性sigmoid核函数结合的相关向量机建模方法.采用差分进化算法对混合核函数构成的相关向量机的参数进行优化,提高了模型的预测精度.将参数优化后的混合核函数相关向量机用于青霉素发酵过程的软测量建模,得到比单一核函数所建模型更优的预测精度.     

基于混合核函数SVM骨性关节炎中药分子的辨识模型

以骨性关节炎中药复方为例,提出一种用于识别骨性关节炎中药复方中活性药物分子的SVM分类器.针对单核函数SVM的局限性,提出将全局核函数和局部核函数混合构造,并应用到SVM模型建模中,改善SVM分类器的非线性处理能力和泛化能力.利用混合核分类器对中药复方精制透骨消痛颗粒中514个化合物进行活性识别,得出复方中具有相关药物活性的中药分子.该实验结果为骨性关节炎药物分子的对接实验和骨性关节炎中药有效成分的发现提供科学数据.     

特征选择和SVM训练模型的联合优化

提出了特征选择和支持向量机(SVM)训练模型的联合优化方法,利用特征选择和训练模型的互相依赖关系来提高SVM性能.该方法包括3个关键技术 优化目标是提高SVM性能,它是由ξα-estimate方法计算出来的; 用一个二进制向量表示特征选择,用混合核函数和折中控制参数来表示训练模型; 用演化算法来求解联合优化问题.通过使用入侵检测标准数据,比较了联合优化、单独优化和分开优化方法以及遗传算法(GA)和粒子群优化算法(PSO)的使用效果.结果表明 联合优化方法能更好地提高SVM性能,并且收敛速度更快; GA的效果比PSO要好.     

基于改进PSO算法的混合核SVM算法

提出一种基于改进粒子群优化（PSO）算法的优化混合核支持向量机（SVM）算法（ILPSO）, 解决了一般混合核SVM算法很难评定参数选择的问题. 该算法通过限定粒子的速度、 搜索空间和交叉算子等多种寻优策略加强其收敛特性, 得到了参数的最佳组合. 仿真实验表明, 该算法能更快速、 有效地获得参数的最优值.     

一种基于混合核函数SVM的人脸识别方法

SVM是人脸识别中最常使用的一种机器学习领域算法,它通过距离概念得到对数据分布的结构化描述,降低了对数据规模的要求,适合处理人脸图像这种小样本训练集的分类问题。其中SVM的核函数的选择对分类精度影响很大,全局核函数的预测函数对输出进行正确预测的能力较高,而局部核函数具有较强的学习能力,兼顾两者特点,使用结合RBF核和Sigmoid核的混合核来设计SVM分类器进行识别。针对ORL库进行PCA特征提取,然后使用基于混合核的SVM分类器进行识别分类。实验结果表明,在识别率上,基于该混合核函数的SVM分类器比基于普通核函数SVM分类器要更占优势。     

改进SVM算法的电商行业竞争对手识别

针对电商行业竞争对手识别准确率偏低的问题,提出了一种改进的支持向量机(SVM)算法来优化识别过程。该算法基于Mercer定理融合间隔因素逐步修正核函数,以提高分类器的泛化能力。以ebay平台接口抽取的Lising数据为研究对象,在满足Mercer定理的前提下对核函数进行保形变换;然后,结合核函数的黎曼几何分析,融合间隔因素改进核函数以构成新的分类器;最后,利用参数寻优算法确定实例中的参数模型并进行测试。与余弦向量相似度算法及SVM算法的实验结果相比,本文提出的方法识别竞争对手的准确度分别提高了10.2%和3.8%。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机(KEML)的软测量建模方法,将支持向量机(SVM)中核函数的思想运用到极限学习机(EML)中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

拮抗药化合物活性的支持向量机研究

支持向量机（SVM）算法是一种适用于有限的已知样本训练建模,进而预报未知样本属性的模式识别新方法,应用该方法对拮抗药化合物的生物活性进行了预报,讨论了化合物结构参数、计算核函数及参数的选择和优化问题,建立了药物活性预测的数学模型．研究表明,支持向量机（SVM）算法在小样本情况下,可获得令人满意的结果．