基于认知几何的支持向量机分类

支持向量机（SVM）较好地解决了小样本分类问题,但仍然受数据稀疏和噪音的影响。基于人类具有很好处理数据稀疏和噪音问题的能力,提出了模型化这些认知能力的几何化方法,建立了认知几何,特别是研究了认知相对性规律的几何化模型,提出了具体的相对变换方法,并用之于改善SVM。实验证明改善后的SVM明显提高了抵抗数据稀疏和噪音的能力。     

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。     

支持向量机训练及分类算法研究

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

基于快速支持向量机算法的灌浆地层识别

针对灌浆地层裂隙存在不确定性变化的特点,提出基于支持向量机(SVM)的灌浆地层智能识别方法,以提高地层识别能力.为了提高支持向量机模型的运算速度,采用几何方法求取支持向量,避免了二次规划算法求解.该算法根据支持向量的几何分布特点,从距离最近的样本点开始,通过不断地寻找违反KKT条件的样本点来找出支持向量.最后,选取大理岩石(较完整地层)和砂质板岩地层的部分灌浆实验数据样本建立灌浆地层的分类模型,用其他未训练的同分布的新数据进行地层识别验证.仿真结果表明,改进支持向量机分类方法简单有效,与神经网络方法相比有更强的泛化能力和更快的运算速度.     

基于约简支持向量机的快速入侵检测算法

标准支持向量机(SVM)算法受时间和空间复杂度约束,无法有效地处理大规模网络入侵检测问题.文中基于SVM的几何解释,提出了一种基于并行凸包分解计算和支持向量机的入侵检测分类算法(PCH-SVM).该算法借助凸包的分解和并行计算快速提取训练样本空间几何凸包的顶点,构建约简SVM训练样本集.实验结果表明,该算法可以在不造成...     

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...     

基于最小二乘支持向量机的人脸识别算法

通过计算机对人脸进行分析,从而确定身份的技术统称为人脸识别,其具体内容包括图像预处理、特征选择和提取、分类。首先介绍了支持向量机和最小二乘支持向量机的基本思想和数学模型,推导了最小二乘支持向量机的算法步骤,在对人脸图像进行预处理的基础上,采用奇异值分解扩展算法提取人脸特征,然后再采用上述算法对人脸图像进行分类。通过实验可知本文中的算法可以对人脸图像进行有效分类,对解决小样本分类问题是有效的、可行的。     

基于支持向量机算法的网站分类器构造方法

首先研究了基于向量空间模型的网站文本特征建模技术，同时根据实际网络的复杂程度和分类特点，采用支持向量机（support vector machine，SVM）来构造分类器。网站分类实验结果表明这种基于SVM的分类器具有模型简单、分类准确性较高等优点，具有较好的网站分类适用性。     

基于支持向量机的分类方法

支持向量机是建立在统计学习理论基础上的一种小样本机器学习方法,用于解决二分类问题。本文阐述了支持向量机的理论基础并对核函数的参数选择进行了分析研究。     

基于粗糙集与支持向量机的分类算法

针对高维大样本环境下支持向量机训练算法面临界的耗时增大与维数灾问题,将序列最小优化算法(SMO)与粗糙集(RS)的数据处理功能相结合,提出一种新的基于粗糙集与支持向量机的分类算法RS.SMO.该算法依据属性的重要性对数据集作属性约简,用粗糙边界集法生成类边界集作为SMO的训练子集,使训练集比原始训练集的维数与规模都有一定程度的减少,可构造出具有较好时空性能的算法.实验结果表明,RS-SMO算法能实现结构风险最小化,且性能优于SMO算法.     

基于SVM的分类算法与聚类分析

运用结构风险最小化原理和聚类原理，将支持向量机中有监督的分类算法与统计中无监督的聚类算法有机地结合起来。对线性可分与线性不可分两种情况分别建立了无监督的分类模型，模型的求解转化为一个二次规划问题。同时此模型也适合于多分类情况，在应用到心脏病的医疗诊断中，准确率为88．5％，较以前的方法有了明显的提高。     

模糊支撑向量回归

利用支撑向量回归几何方法实施的直接性和几何意义,在支撑向量回归几何方法中考虑了数据的置信度,建立了模糊支撑向量回归模型.数值分析表明,所提出的模糊支撑向量回归模型可根据数据置信度的大小有效地控制各训练数据在回归中的作用.     

Support Vector Machine Ensemble Based on Genetic Algorithm

Support vector machines （SVMs） have been introduced as effective methods for solving classification problems. However, due to some limitations in practical applications, their generalization performance is sometimes far from the expected level. Therefore, it is meaningful to study SVM ensemble learning. In this paper, a novel genetic algorithm based ensemble learning method, namely Direct Genetic Ensemble （DGE）, is proposed. DGE adopts the predictive accuracy of ensemble as the fitness function and searches a good ensemble from the ensemble space. In essence, DGE is also a selective ensemble learning method because the base classifiers of the ensemble are selected according to the solution of genetic algorithm. In comparison with other ensemble learning methods, DGE works on a higher level and is more direct. Different strategies of constructing diverse base classifiers can be utilized in DGE. Experimental results show that SVM ensembles constructed by DGE can achieve better performance than single SVMs, hagged and boosted SVM ensembles. In addition, some valuable conclusions are obtained.     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

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．     

基于支持向量机的机场检测算法

提出了一种新的机场检测算法．该算法通过把机场跑道的几何特征与其所在区域的纹理特征相结合来描述机场特征，其中由灰度的平均值和方差、区域的光滑性、直方图的偏斜度、区域的一致性、图像的随机性、图像的梯度平均和方差等8个特征组成机场的纹理特征向量．先通过直线检测找到机场跑道的候选区域，然后用基于高斯核函数的支持向量机作为分类函数，对候选区域的特征向量进行分类，由此判别机场跑道．实验表明，与传统的仪通过形状判断机场的方法比较，该算法对机场的误检率较低，检测率比刘德红的方法高近10倍，几乎能实时完成一幅图像的检测．     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。