基于最小二乘支持向量机的阵列波束优化研究

针对标准支持向量机计算复杂度高、内存开销大、训练速度慢的缺点,为改善标准支持向量机的训练效率,快速优化阵列波束,提出了基于最小二乘支持向量机(least squares support vector machine,LSSVM)的阵列波束优化方法。LSSVM采用二次损失函数取代标准支持向量机中的不敏感损失函数,将不等式约束变为等式约束,从而将二次规划问题转化为一个线性矩阵求解问题,具有良好的快速性;与传统的标准支持向量机波束形成相比,所需计算资源更少,训练速度更快,计算效率更高,泛化能力更强。仿真实验结果表明:在保持波束形成的性能指标基本不变的情况下,LSSVM降低了计算复杂度,减少了内存开销,提高了运算速度和收敛精度,为波束形成器的优化设计提供了一种新的有效方法。     

一种改进的最小二乘支持向量机算法

最小二乘支持向量机是标准支持向量机的一种扩展,它是支持向量机在二次损失函数下的一种形式.它用等式约束代替不等式约束,求解过程变为解一组等式方程,避免了求解耗时的二次规划问题,但同时也丧失了标准支持向量机的稀疏性,影响了二次学习的效率.针对上述问题,本文提出了一种改进的最小二乘支持向量机增量学习方法.改进的最小二乘支持向量机算法采用自适应剪枝方法对解进行稀疏,根据每次训练得到的分类器性能来设定剪枝阚值和样本增量的大小,如果得到的分类器性能好,剪枝阈值和样本增量就大,反之,剪枝阚值和样本增量就小,从而提高了最小二乘支持向量机训练效率,解决了稀疏性问题.最后,仿真实验表明该算法方案可行.     

基于最小二乘的孪生有界支持向量机分类算法

基于经典的孪生有界支持向量机(TBSVM),构造了一个既简单又快速的基于最小二乘的孪生有界支持向量机(LSTBSVM)的二分类算法.该算法简单地将TBSVM模型中的两个目标函数中不等式约束问题修改为等式约束,问题最终归结为求解两个最小二乘问题,以至于两个最优不平行平面可通过求解一对线性方程组获取.与TBSVM相比,LSTBSVM具有更低的时间复杂度,以至于可以有效地处理大数据集.通过理论分析和在传统的UCI和人工数据集上的实验显示,LSTBSVM不仅具较快的计算速度,且能得到与TBSVM相当的性能.     

加权最小二乘支持向量机与最小二乘问题的关系

研究了加权最小二乘支持向量机与最小二乘法的关系．证明了用加权最小二乘支持向量机作函数估计与在特征空间中用最小二乘法得到的解是一致的．加权最小二乘支持向量机选择核相当于最小二乘法选择基函数组．由此提出了采用加权最小二乘支持向量机解决最小二乘法问题的思想,保证解具有良好的推广性、鲁棒性与稀疏性．     

构造稀疏最小二乘支持向量机的网络入侵检测模型

从最小二乘支持向量机的稀疏表达出发,构建高效的基于稀疏最小二乘支持向量机的网络入侵检测模型,提出了一种通过基于核空间近似策略的有效低秩逼近来有效减小原始训练样本集中的支持向量数来实现最终模型的稀疏表达.以MIT KDD99数据集为基础,对所提出方法进行有效性验证,并与利用剪枝策略通过递归过程中不断减少模型中支持向量个数的稀疏化方法、基本最小二乘支持向量机以及标准支持向量机方法的性能进行对比.结果表明:基于核空间近似的最小二乘支持向量机稀疏化与标准最小二乘支持向量机相当;此外稀疏最小二乘支持向量机能够提高入侵检测响应速度.     

基于最小二乘支持向量机回归的基坑变形预测

将最小二乘支持向量机回归用于基坑变形预测.根据基坑位移的实测时间序列资料,应用最小二乘支持向量机回归建立了基坑位移与时间的关系模型.研究结果表明,最小二乘支持向量机回归用于基坑变形预测,具有较高的预测精度.与通常采用的BP神经网络相比,该方法具有预测误差小、计算快速、所需数据少等优点.     

最小二乘双胞支持向量回归机的研究

 利用最小二乘方法和临近支持向量机(PSVM)算法,并结合双胞支持向量机(TSVR),提出了最小二乘双胞支持向量回归机(LSTSVR).作为对照,TSVR需要求解2个二次规划问题,而LSTSVR仅需求解2个线性方程组.最后利用不同的实例验证了所提算法的可行性和有效性.     

最小二乘支持向量机在人脸识别中的应用

 支持向量机(SVM)模式识别方法具备良好的分类性能和鲁棒性,在介绍了典型支持向量机与最小二乘支持向量机(LS_SVM)原理的基础上,给出最小二乘支持向量机的算法实现过程,将其应用于人脸识别当中,取得较典型支持向量机在时间上较好的效果.在OPL人脸库中的实验结果表明,基于LS_SVM的人脸自动识别系统更能适用于实时性要求较高的场合.     

二维对流扩散方程逆过程的最小二乘支持向量机求解

利用最小二乘支持向量机方法求解了二维对流扩散方程逆过程.相对于已有的反问题研究方法,本方法具有简单、实用、稳定性好等诸多优点.数值结果表明最小二乘支持向量机方法可有效地求解二维对流扩散方程逆过程,并且具有较高的精度和稳定性.     

基于支持向量机响应面的车身部件声特性优化

针对车身部件声学特性优化中计算设计灵敏度复杂和传统响应面法准确度较低的问题,提出用支持向量回归机方法构造响应面.支持向量机根据结构风险最小原理,具有小样本学习性能.本文用最小二乘支持向量机(LS-SVM)构造汽车地板部件的模态频率、域点声压的响应面,对其优化找到最优点.结果表明:与最小二乘法相比,支持向量机构造的响应面更接近仿真试验,优化结果与实际最优解更为接近.     

基于稀疏化鲁棒LS--SVR与多目标优化的铁水硅含量软测量建模

针对高炉炼铁过程的关键工艺指标———铁水硅含量[ Si]难以直接在线检测且化验过程滞后的问题,提出一种基于稀疏化鲁棒最小二乘支持向量机( R-S-LS-SVR)与多目标遗传参数优化的铁水[ Si]动态软测量建模方法。首先,针对标准最小二乘支持向量机( LS-SVR)的拉格朗日乘子与误差项成正比导致最终解缺少稀疏性的问题,提取样本数据在特征空间映射集的极大无关组来实现训练样本集的稀疏化,降低建模的计算复杂度;其次,标准最小二乘支持向量机的目标函数鲁棒性不足的问题将IGGIII加权函数引入稀疏化后的最小二乘支持向量机模型进行鲁棒性改进,得到鲁棒性较强的稀疏化鲁棒最小二乘支持向量机模型;最后,针对常规均方根误差评价模型性能的不足,提出从建模误差与估计趋势评价建模性能的多目标评价指标。在此基础上,利用非支配排序的带有精英策略的多目标遗传算法优化模型参数,从而获得具有最优参数的铁水[ Si]在线软测量模型。工业实验及比较分析验证了所提方法的有效性和先进性。     

基于LS—SVM的模糊控制器分析与设计

探讨了利用最小二乘支持向量机（LS—SVM）进行模糊控制器分析与设计的方法,LS-SVM用等式约束代替传统支持向量机中不等式约束,求解过程从解QP问题变成解一组等式方程。将得到的LS-SVM模型应用到模糊控制。提出了基于LS-SVM模型的模糊控制算法。该控制器融合了模糊控制与支持向量机的优点,具有不依赖被控对象模型、泛化能力强等特点。仿真表明。LS-SVM学习速度快,在小样本情况下具有良好的非线性建模和泛化能力。基于LS—SVM的模糊控制器具有很好的控制性能。     

混沌时间序列的最小二乘支持向量机预测

提出了最小二乘支持向量机混沌时间序列预测方法,并研究了三种混沌信号的预测性能。该方法在优化指标中采用了平方项,且只有等式约束,将传统支持向量机求解二次规划问题转化为求解线性方程组,因而简化了计算复杂性。仿真实验结果表明该方法预测模型参数选择容易、在较大范围内取值时对预测误差影响很小,而且即使在输入维数m小于Takens嵌入定理所确定的维数时,也具有很好的预测性能。     

基于优化最小二乘支持向量机的室内定位算法

室内定位是普适计算应用中的关键技术,针对最小二乘支持向量机参数优化的难题,提出一种优化最小二乘支持向量机的室内定位算法。首先采用主成分分析提取重要定位特征,然后采用最小二乘支持向量机建立室内定位模型,并采用粒子群优化算法对最小二乘支持向量机参数进行优化,最后采用仿真实验测试定位性能。结果表明,文中算法提高了室内定位的精度且定位时间少于其它室内定位算法,具有一定的实际应用价值。     

基于改进的GA-LSSVM的软测量建模方法

针对工业过程中某些重要过程变量难以实现在线测量的问题,提出了一种改进的最小二乘支持向量机(IGA-LSSVM)的软测量建模方法.该方法采用核独立分量分析(KICA)对高维数据进行特征提取,利用改进的最小二乘支持向量机进行建模.该方法既利用了最小二乘支持向量机求解速度快的特点,又利用了自适应遗传算法强大的全局搜索能力,增强了模型的自适应性.用该方法建立柴油凝点的软测量模型,结果表明,基于IGA-LSSVM方法建立的软测量模型具有较高的预测精度和泛化能力.     

基于PSO优化LSSVR的三维WSN节点定位方法简

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

基于PSO优化LSSVR的三维WSN节点定位方法

提出了一种基于粒子群优化最小二乘支持向量回归机的三维无线传感器网络节点定位方法。该方法首先运用最小二乘支持向量回归机构建三维节点定位模型,再利用粒子群优化算法对最小二乘支持向量回归机核函数参数和规则化参数寻优。然后,根据若干虚拟节点定位的预测位置与实际位置的均方差构造粒子群算法适应度函数,通过有限次建模参数迭代寻优获得最小二乘支持向量回归机全局最优参数。最后,返回回归模型中进行定位计算,实现节点定位。仿真结果表明,所提出的方法与最小二乘和最小二乘支持向量回归机定位方法相比,可以提高节点定位精度。     

最小二乘支持向量机的研究与应用

支持向量机是近年来机器学习领域出现的新的分类方法。在介绍支持向量机的基本原理及基于最小二乘支持向量机算法的基础上,结合一个实例阐述了最小二乘支持向量机在预测方面的应用,通过MATLAB仿真实验,结果表明该方法是有效的。     

利用蜂群算法优化的区域高程拟合精度分析

针对最小二乘支持向量机拟合法的拟合参数难以选取的问题,提出将人工蜂群算法引入最小二乘支持向量机建立高精度区域拟合模型的方法。人工蜂群算法可对最小二乘支持向量机中的参数进行全局性追踪搜索,模仿蜜蜂的采蜜过程,将参数的初选值作为蜜源,最小二乘支持向量机预测的平均平方误差作为目标函数,在一定范围内经过迭代更新确定最佳参数,最终建立精度较高的全球定位系统(GPS)高程拟合模型。实验结果表明,相比常规最小二乘支持向量机拟合法,ABC-LSSVM组合方法构建的拟合模型精度提高了28%,在此同时,该组合方法比BP神经网络拟合法的收敛效果更高、稳定性更佳,证明了ABC-LSSVM组合方法在GPS高程拟合模型构建中的有效可行性,为GPS高程拟合模型的建立提供一定的参考价值。     

基于支持向量机的线性模型鲁棒参数估计

探讨了基于支持向量机的线性系统参数估计问题,利用最小二乘支持向量机来估计自回归滑动平均模型(ARMA)的参数,并在理论上证明了在高斯噪声下比最小二乘估计方法具有更小的均方差;随后利用标准支持向量机来估计ARMA的参数,并利用它的性质从理论上分析了其对大噪声和小噪声的鲁棒性.仿真结果表明支持向量机方法能有效克服样本中的异常点和噪声对参数估计的干扰,比最小二乘估计方法具有更好的鲁棒性.