基于支持向量数据描述的机械故障诊断研究

为了解决在机械智能监测与诊断中缺少故障样本的问题，提出了一种机械故障单值分类的新方法——支持向量数据描述法。该方法只需要一类目标样本作为学习样本，而不需要其他非目标样本，就可以建立起单值分类器，从而区分了非目标样本和目标样本。将这种方法应用在机械故障诊断和状态监测中，仅仅依靠正常运行时的数据信号，而不需要故障数据，就可以监测机器的运行状态，且不需要对原始数据进行特征提取。实验结果表明，支持向量数据描述法与传统的神经网络方法相比，具有较好的分类能力和较高的计算效率。     

一种改进的支持向量数据描述算法

数据描述只使用目标集训练样本获得关于目标集的描述,支持向量数据描述（SVDD）是一种有效的单值分类数据描述算法,根据分类边界线上的支持向量之间距离的大小。利用距离的相似度来对训练集进行约减,实验结果表明,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而减少了测试时间,同时分类性能也稍有提高．     

核函数支持向量机的研究进展

核函数支持向量机是机器学习的最新尖端技术,并且成功应用于许多领域。本文叙述了核函数支持向量机的基本理论,并介绍了相关的基础研究和应用研究,同时探讨了未来的发展趋势。     

核PCA支持向量机算法研究

在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。仿真实验表明了该算法具有很好的分类性能,特别适合于消除噪声情形的模式识别问题。     

支持向量机算法用于癌症数据建模

支持向量机算法(Support Vector Machine)是基于统计学习理论(SLT)发展起来的新一代机器学习方法,并被成功地应用到很多模式识别问题中。文中支持向量机分类算法用于卵巢癌病变与非卵巢癌病变质谱数据建模。对卵巢癌数据进行判别预测,预报正确率达到98%。通过与KNN、神经网络等算法的预报结果相比较,其预报能力强于KNN、神经网络算法在这个问题中的应用,为支持向量机算法可以应用于癌症疾病辅助检测提供一例证。     

面向大规模数据的模糊支持向量数据描述

针对支持向量数据描述面临的噪声数据敏感问题和大规模数据分类问题,提出面向大规模数据的模糊支持向量数据描述.该方法引入模糊理论和核心向量机,不仅在构造最小超球体时忽略对分类结果影响较小的数据,而且将支持向量数据描述的适用范围从中小规模数据扩展到大规模数据.人工数据集和标准数据集上的实验表明新算法的有效性.     

支持向量机及核函数研究

对核函数进行了初步探讨,从理论上研究了多项式核函数参数的选择问题,从实验角度对多项式核函数与径向基核函数进行了比较分析,并阐述了Sigmoid核函数的特点,可作为一般SVM分类问题选择核函数及核函数参数范围的依据.     

基于动态核函数的模糊支持向量机

针对传统的支持向量机(SVM)对训练样本中的噪声和野值特别敏感而导致的过学习问题,文中提出了一种新的基于动态核函数的模糊支持向量机(FSVM).该方法不仅考虑了样本点到类中心的距离,而且还考虑了样本间的密切度,结合这两种思想在特征空间中构造了一种新的基于动态核函数的模糊隶属度.仿真实验表明,该方法有较好的分类精度和推广能力并且在理论上具有一般性和能够有效地减弱野值的影响.     

一类新的支持向量机核函数——埃尔米特核函数

基于埃尔米特正交多项式,文章提出了向量形式的广义埃尔米特多项式,并由此衍生出一类新的核函数——埃尔米特核函数.该类核函数最大的优势在于其参数仅在自然数中取值,能大大缩短参数优化时间.在鲁棒性与泛化性能方面,文章在双螺旋集和标准UCI数据集上与常用的核函数(多项式核、高斯径向基核等)做了对比试验.     

基于混合核函数支持向量机的回归模型

基于支持向量机核函数的条件,将Sobolev Hilbert空间的再生核函数和Sig核函数进行有效的线性混合,给出一种新的支持向量机的混合核函数,并提出一种基于再生核的混合核函数支持向量机回归模型,该回归模型兼具了全局核函数与局部核函数的优点,且算法的复杂度被降低.仿真实验结果表明:最小二乘支持向量机的核函数采用基于再生核的混合核函数是可行的,回归的效果比单核函数可以更为细腻.     

核支持向量的主用户活动场景分类算法

针对认知无线电网络中传统频谱感知方法性能不足以及空白频谱利用率较低的问题,提出了一种基于核支持向量的主用户活动场景分类算法,通过判断地理区域内的活动主用户数量及分布情况来提高获得潜在频谱接入机会的可能性。根据核支持向量的边界对主用户活动场景作初分类处理,由此判定当前网络中的活跃主用户发射机的数量。初分类处理既能减少支持向量中矩阵计算量,也能减少人工标记数据所带来的成本。再对每一个初分类处理后的数据进行无监督聚类,从而得到实际对应的主用户活动场景细分类。实验结果表明,所提算法与直接使用核支持向量分类算法相比,不仅改善了频谱感知的性能,同时还大大降低了定标成本及时间成本。     

用于不平衡数据分类的模糊支持向量机算法

作为一种有效的机器学习技术,支持向量机已经被成功地应用于各个领域.然而当数据不平衡时,支持向量机会产生次优的分类模型;另一方面,支持向量机算法对数据集中的噪声点和野点非常敏感.为了克服以上不足,提出了一种新的用于不平衡数据分类的模糊支持向量机算法.该算法在设计样本的模糊隶属度函数时,不仅考虑训练样本到其类中心距离,而且考虑样本周围的紧密度.实验结果表明,所提模糊支持向量机算法可以有效地处理不平衡和噪声问题.     

基于灰色信息的支持向量域分类算法

当被识别的样本包含有未确知性的灰信息时,传统的SVDD算法无法对其类别作出判别.针对这一问题,并考虑到SVDD算法是一种基于样本间距离测度的判别方法,提出了一种针对灰信息样本进行判别的支持向量域数据描述算法-GSVDD算法,该算法利用区间数对未确知性的灰信息进行表达,将区间运算引入到SVDD算法中,以区间距离取代原来的确定性距离,从而对灰信息目标样本进行识别.理论分析和实验结果均表明,该算法是有效和可行的.     

基于傅立叶核与径向基核的支持向量机性能之比较

支持向量机（SVMs）是由Vapnik提出的一种建立在统计学习理论上的新方法：这种方法被深入地研究并广泛应用在诸如分类和回归问题上。由于其基于结构风险最小化的机理，因此相对于其他的经典方法有着更好的泛化特性，其中核函数的选择对支持向量机的性能有着很大的影响。深入地研究了基于傅立叶核函数的支持向量机的特性，得出在某些特殊的情况下，基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机。最后的仿真对其进行了比较验证。     

基于傅立叶核与径向基核的支持向量机性能之比较

支持向量机（SVMs）是由Vapnik提出的一种建立在统计学习理论上的新方法。这种方法被深入地研究并广泛应用在诸如分类和回归问题上。由于其基于结构风险最小化的机理,因此相对于其他的经典方法有着更好的泛化特性,其中核函数的选择对支持向量机的性能有着很大的影响。深入地研究了基于傅立叶核函数的支持向量机的特性,得出在某些特殊的情况下,基于傅立叶核函数的支持向量机的性能要好于基于RBF核的支持向量机。最后的仿真对其进行了比较验证。      

一种基于信息熵数据修剪的支持向量机:EB-SVM

支持向量机在处理分类问题时,如果两类数据重叠严重会造成分类器过学习,降低泛化性能。为此提出了一种基于信息熵的数据修剪支持向量机EB-SVM(entropy based-support vector machine),其主要思想是通过计算样例信息熵删除部分边缘数据和边界处混淆程度较高的样例以及噪声数据,用较少的训练样例学习SVM分类器。实验结果表明,该方法能够有效提高SVM的泛化性能。     

基于模糊支持向量的多标签分类方法

单实例多标签分类是指一个样本拥有多个标签的分类问题,对此提出了一种基于半模糊核聚类和模糊支持向量机的多标签分类算法.该算法采用一对一分解策略将多类多标签数据集分解为多个两类双标签数据子集,在每个子集上训练两类双标签模糊支持向量机.为提高分类器的性能引入了半模糊核聚类技术.实验结果表明,与现有的一些算法相比新算法具有其优...     

一种支持向量分类学习算法

分析样本与KKT条件之间的关系以及新增一个样本点对原支持向量分类学习结果的影响,并针对支持向量机在较多训练样本时需要较大的计算量和内存的问题,基于已有的算法提出了一种新的学习算法．实现了对样本集的有效压缩,有利于运算速度的改善．