基于蚁群优化算法的支持向量机参数选择及仿真

基于支持向量回归机（SVR）模型的拟合精度和泛化能力取决于其相关参数的选取,以蚁群优化算法为基础,给出支持向量回归机参数优化的一种新方法。该方法以最小化k-fold交叉验证误差为目标,对支持向量回归机中的核参数σ和惩罚系数C由蚁群系统中的节点值体现,数值的优选通过蚂蚁对最优路径的选择进行确定。计算机仿真结果表明：与正交法、遗传算法等相比,该方法在参数优化方面有良好的鲁棒性能和较强的全局搜索能力;该方法用于青霉素发酵过程的建模研究,建模精度较高。     

基于MA-SVM算法的冷轧轧制力预测模型

针对传统轧制力预测模型计算误差大、泛化性能差的问题，提出了一种基于蜉蝣算法优化支持向量机的冷轧轧制力预测模型。该模型在支持向量机的基础上，引入蜉蝣算法对支持向量机的参数进行优化，解决了手动调参不确定性大且耗费时间的问题。本文采用某五机架冷连轧机组生产现场数据对轧制力进行测试，结果表明：本文所选模型轧制力预测值与实际值误差在±5%的准确率为98.5%,模型误差小，具有较好的泛化性能，具有广阔的应用前景。     

基于曲面拟合的复杂自由曲面网格划分

为了实现复杂自由曲面的建筑网格划分,将复杂自由曲面拟合成1个曲面,并利用映射法进行网格划分。首先提出基于非均匀有理B样条(NURBS)的线面求交和基于NURBS的面面求交2种方法,获得复杂自由曲面的N×M点云;将N×M点云作为控制点构造NURBS曲面,然后把修剪后的NURBS曲面边界按给定数目或给定长度划分,连接参数域上的边界节点后得到参数域网格,将其映射回空间曲面。对边界处网格进行投影处理以减少曲面拟合出现的边界褶皱及内缩问题。采用加密点阵技术减小曲面拟合的误差。研究结果表明:与多曲面网格划分方法相比,采用曲面拟合及映射法能够得到线条流畅、大小基本一致的网格,具有良好的建筑美学效果。     

基于混沌最小二乘支持向量机的软测量建模

提出一种改进算法,用来解决现有最小二乘支持向量机方法在处理大规模样本软测量建模问题时出现的模型结构复杂、失去支持向量稀疏性且正规化参数和核参数难以确定等问题.对样本集进行预处理,通过计算样本间欧氏距离进行样本相似程度分析,去除样本集中1/3的样本以简化支持向量机模型结构并提高计算速度.定义了一种混沌映射构成混沌系统并分析了其遍历性.应用改进的混沌优化算法优化最小二乘支持向量机模型参数以提高模型的拟合精度和泛化能力.将改进算法用于丙烯腈收率软测量建模中,仿真实验结果表明:模型精度较高,泛化性能好,满足现场测量要求.     

支持向量机增量学习中模型参数选择问题研究

支持向量机性能主要受模型参数的影响,而支持向量机增量学习中模型参数选择问题研究较少。针对这一问题,提出一种支持向量机增量学习中模型参数选择方法。将鲁棒度作为增量学习的性能估计准则,用拟合误差和比例系数调节解空间取值范围,采用梯度下降法搜索参数,用初始模型参数作为梯度下降法的初始值。用该方法对Logistic模型和航空发动机振动监控进行实验。结果表明：与基本遗传算法和梯度法进行比较,所提方法能充分利用历史学习的结果,缩小解空间的搜索范围,加快收敛速度。     

基于支持向量机的CSTR系统建模

支持向量机算法用于软测量建模能较好地解决小样本、非线性、高维数、局部极值等问题．本文的研究重点在于支持向量机方法在化工过程中的应用。用支持向量机为CSTR系统建立模型,分析了模型参数对模型性能的影响,同时,通过两个参数在不同值之间两两组合比较所得的误差,最终得到误差最小的参数值,从而使模型能够自动调整参数到最优值。实验结果表明支持向量机方法是一种高效可行的化工过程建模方法,模型精确,泛化能力强,性能优良。     

基于密度法的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点，提出了一种基于密度法的模糊支持向量机，在支持向量机中引入样本密度模糊参数，从而减弱了噪音以及孤立点对支持向量机分类的影响．实验结果证明，在抗击孤立点和噪音点的干扰方面，上述方法优于类中心向量方法以及类中心点距离方法，取得了很好的效果．这一方法大大提高了支持向量机分类的泛化能力，从而大大提高了支持向量机的应用范围．     

基于蚁群算法的支持向量机参数优化

针对支持向量机的参数对分类性能的影响,探讨了基于蚁群算法的支持向量机参数优化方法,建立了支持向量机参数优化模型,给出了基于网格划分策略的连续蚁群算法,并将其用于优化模型求解,通过对支持向量机的惩罚因子和径向基核函数进行优化,使支持向量机的分类性能最优.通过仿真和应用实例,验证了方法的有效性,得到了95%以上的分类正确率.     

一种免疫优化的LS-SVR集成算法及其故障预报应用

针对支持向量机集成问题,将最小二乘支持向量回归机作为子回归机,定义子回归机的结构差异度概念,提出一种基于免疫算法优化的多回归机集成方法.该方法首先对各子回归机参数免疫优化,从而减小训练误差;在此基础上选择满足固定差异度的子回归机进行集成,并对集成权值再次优化选择,提高最小二乘支持向量回归机集成的泛化性能.将该方法应用于噪声污染的非线性时间序列的故障预报,利用预测误差反映的故障信息可以实现微小未知故障的快速预报.仿真结果证明了方法的有效性.     

支持向量机在电力变压器故障诊断中的应用

利用支持向量机的学习方法，构建了电力变压器故障诊断模型．该模型将变压器故障分为放电性和过热性两大类，通过统计分析寻求特征量区分类间的故障类型，采用支持向量机识别类内的故障类型，利用基于交叉验证的网格搜索法来确定支持向量机的参数．考虑到变压器油中溶解气体特征空间的紧致性原理，利用模糊C均值聚类算法对所获取的样本进行预选取，有效地解决了确定模型参数时耗时巨大的问题，并一定程度提高了模型的推广能力．实例验证表明，该模型在有限样本情况下，能达到较高的变压器故障判断率，放电性故障样本正确判断率为90．5％，过热性故障样本正确判断率为85．9％，说明该模型具有很好的分类效果和推广能力．     

基于SVM的分布式入侵检测系统

支持向量机（Support Vector Machine．简称SVM）具有泛化性高、全局最优、对样本的充分性要求不高等优点,在集中式的入侵检测问题中得到较好应用．文章将SVM算法推广到分布式入侵检测环境中,提出基于SVM的分布式学习算法。并在KDD Cup 99数据集上与集中式方式进行了对比实验．结果表明,该算法不仅能降低网络中的通信负载．而且取得了与集中式方式相当的检测性能．     

基于人工蜂群算法优化支持向量机的 采场底板破坏深度预测

为确定合理的底板防水煤岩柱尺寸,减少底板突水安全事故的发生,利用支持向量机(SVM)与人工蜂群算法(ABCA)综合研究底板破坏深度问题。由于SVM训练参数惩罚因子C和核函数宽度g的选择对预测精度的影响显著,采用ABCA优化该训练参数的选择过程,建立基于SVM的底板破坏深度预测模型。选取采深、煤层倾角、采厚、工作面斜长、底板抗破坏能力和是否有切穿断层或破碎带作为影响底板破坏深度的主要影响指标,利用现场实测的30组数据作为样本对该模型进行训练和预测。结果表明:该预测模型的平均相对误差为12.5%,平均绝对误差为0.986m,均方误差为0.005,平方相关系数为0.980,较其他预测模型具有更强的泛化能力和更高的预测精度。     

Hybrid Optimization of Support Vector Machine for Intrusion Detection

Support vector machine （SVM） technique has recently become a research focus in intrusion detection field for its better generalization performance when given less priori knowledge than other soft-computing techniques. But the randomicity of parameter selection in its implement often prevents it achieving expected performance. By utilizing genetic algorithm （GA） to optimize the parameters in data preprocessing and the training model of SVM simultaneously, a hybrid optimization algorithm is proposed in the paper to address this problem. The experimental results demonstrate that it＇s an effective method and can improve the performance of SVM-based intrusion detection system further.     

样本不均衡条件下基于自调整支持向量机的故障诊断

故障数据样本和正常运行数据样本量的不均衡将导致支持向量机在构建故障分类超平面时发生偏移,降低了基于支持向量机的故障诊断的诊断准确率. 针对该问题,文中提出一种能够自动调整风险惩罚因子的新型支持向量机. 该方法能够自举式地对有效样本进行挑选,并加大高信息量数据样本的风险惩罚因子,抑制样本不均衡导致的分类超平面偏移,进而提高故障诊断的准确性. 所提方法被用于变压器故障诊断实验,实验过程中正负样本的风险损失始终相等,有效地抑制了样本不均衡现象对诊断造成的影响,验证了所提算法的有效性.      

深度神经网络技术在汉语语音识别声学建模中的优化策略

将深度神经网络作为声学模型引入面向汉语电话自然口语交谈语音识别系统。针对自然口语中识别字错误率较高的问题,从语音的声学特征类型选择、模型训练时元参数调节以及改善模型泛化能力等方面出发,对基于深度神经网络的声学模型建模技术进行了一系列的优化。针对训练样本中状态先验概率分布稀疏的情况,提出了一种状态先验概率平滑算法,在一定程度上缓解了这种数据稀疏问题,经平滑后,字错误率下降超过1%。在所采用的3个电话自然口语交谈测试集上,相对于优化前的深度神经网络模型,经过优化后的模型取得了性能的一致提升,字错误率平均相对降低15%。实验结果表明,所采用优化策略可以有效地改善深度神经网络声学模型性能。     

一种基于ICA的特征Bagging支持向量机集成方法

为提高支持向量机集成的泛化性能,提出一种基于独立成分分析法的特征Bagging支持向量机集成方法,删除了冗余特征.该方法从得到的独立成分特征空间中提取特征子空间,避免了直接从原特征空间中随机选择特征子空间而导致的对特征依赖或相关性的破坏,提高了个体支持向量机的性能,保证了个体支持向量机之间的差异度.在UCI和Stat-Log数据集合上的仿真实验表明,该方法具有更好的泛化性能.     

Advances in SVM-Based System Using GMM Super Vectors for Text-Independent Speaker Verification

For text-independent speaker verification, the Gaussian mixture model （GMM） using a universal background model strategy and the GMM using support vector machines are the two most commonly used methodologies. Recently, a new SVM-based speaker verification method using GMM super vectors has been proposed. This paper describes the construction of a new speaker verification system and investigates the use of nuisance attribute projection and test normalization to further enhance performance. Experiments were conducted on the core test of the 2006 NIST speaker recognition evaluation corpus. The experimental results indicate that an SVM-based speaker verification system using GMM super vectors can achieve appealing performance. With the use of nuisance attribute projection and test normalization, the system performance can be significantly improved, with improvements in the equal error rate from 7.78% to 4.92% and detection cost function from 0.0376 to 0.0251.     

构造特征复杂性减低的支持向量机

支持向量机(SVM)较一般的机器学习方法显示出更好的泛化能力.然而,在实际的数据中经常存在着大量冗余、噪声或者不可靠的特征,这严重影响到SVM的性能.因此,有必要减低特征复杂性以获取更好的SVM结果.本文提出了一种基于遗传算法(GA)的嵌入式框架下的特征优化算法,以构造改进SVM.针对选择的UCI成人数据库的实验表明,与原始的SVM相比,提出的改进SVM方法获得了更少的支持向量数目和更好的分类精度.     

不确定时滞系统的自适应支持向量机Smith预估控制

针对不确定时滞系统提出了一种自适应支持向量机Smith预估控制新方法．首先采用支持向量机对被控对象进行建模,然后设计了一个自适应支持向量机Smith智能预估器,解决了传统Smith预估控制需要预先知道被控对象精确数学模型的问题,克服了基于神经网络的Smith预估控制的不足．仿真实验结果表明,自适应支持向量机Smith预估控制方法充分利用了支持向量机的非线性映射能力,在被控对象数学模型未知的情况下对不确定时滞对象进行控制,具有良好的控制品质,特别是当对象特性发生变化时,还具有良好的适应性。     

一种新的 SVM 决策树

SVM在小训练样本、高维情况下具有很好的泛化性能,但它不适用于多类分类.本文分析基本的SVM和多类SVM分类器,重点讨论了SVM决策树,提出了一种结点分类器类集合划分方案来构造SVM决策树.实验结果表明,以这种方法构造的SVM决策树分类器分类性能较好.