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。     

不同核函数SVM在居民出行方式预测模型中的应用

采用持向量机方法构建了居民出行方式选择模型,使用网格搜索方法选择支持向量参数,避免参数选择的随机性,分析不同核函数对模型构建的影响。研究表明,采用多项式核函数、RBF核函数构建的支持向量机模型对居民出行方式预测精度较高,所构建的模型可用于居民出行方式预测;在支持向量机核函数选择中,优先选择RBF核函数,其次为多项式核函...     

基于模糊支持向量机的一维距离像识别

在毫米波雷达一维距离像识别中,为达到消除噪声与孤立点影响的目的,在研究了基于距离和样本紧密度的隶属度函数的基础上,提出了一种能反映雷达回波信号在特征空间分布的隶属度函数.用一个紧凑的超椭球体将样本包围起来,并使用超椭球体的方向半径度量样本之间的紧密度.将改进的基于样本紧密度的隶属度函数应用于模糊支持向量机中,可较好地区分开支持向量与含噪声或野值的样本.实验结果显示:随着雷达回波信号信噪比的降低,支持向量机的目标识别率迅速下降,而模糊支持向量机的目标识别率只下降了1%,有效地减小了噪声对一维距离像识别结果的影响.     

支持向量机最优参数选择的研究

支持向量机是近几年发展起来的机器学习方法,模型选择是设计支持向量机的关键。基于高斯核函数的支持向量机具有良好的学习性能,被广泛应用于模式分类中,讨论了核函数中C和y对分类函数的影响,提出针对不同类型的数据,SVM应选用不同的核函数,同时利用二分法对核函数（C,γ）寻优,并将其应用于变压器故障诊断中,仿真结果表明该方法具有较好的性能。     

基于支持向量机和蒙特卡洛的结构可靠性分析方法及应用

将支持向量机作为极限状态函数重构的工具引入结构可靠性分析问题中,并结合蒙特卡洛方法,分别给出了模式识别型和函数回归型两种支持向量机（SVM）模型应用于结构可靠性分析的计算流程图。结合数值算例,对两种支持向量机模型在结构可靠性问题的应用方面进行了对比,并研究了训练样本数目、核函数类型、模型参数的取值以及随机变量数目等因素对可靠性分析结果的影响。最后以某自升式平台为工程对象,进行了考虑多个随机变量的结构可靠性评估。结果表明：在应用支持向量机方法进行极限状态函数重构时,无论是模式识别型SVM模型还是函数回归型SVM模型均可取得良好的效果,前者对模型参数的敏感程度大于后者;支持向量机理论作为极限状态函数重构工具与蒙特卡洛方法相结合,可有效解决大型复杂工程结构可靠性分析精度和效率问题。     

一种近似于支持向量机的分类模型

针对线性可分与非线性可分问题,讨论了支持向量机分类模型及核函数的选择.为避免支持向量机的核函数及参数选择的不确定性,提出一种近似于支持向量机的分类模型,并通过心脏病预测实例对两种模型进行了比较.     

基于小生境遗传算法的支持向量机分类器参数优化

该文在建立支持向量机分类器分类性能评价函数基础上,分析了支持向量机参数对分类性能的影响,提出了一种基于共享函数小生境遗传算法的支持向量机分类器参数优化方法.该方法利用支持向量机分类性能评价函数评价支持向量机的分类性能,评价函数的倒数作为适应度值,每两个个体之间的海明距离作为共享函数,实现小生境遗传算法.将该文提出的方法应用于5个由Gunna Ratsch收集的标准模式库,实验结果表明由该方法所得参数确定的SVM分类器具有较高的识别率和较简单的结构.     

基于改进FSVM的数据挖掘分类算法

针对模糊支持向量机(FSVM)应用于数据挖掘分类中存在对大样本集训练速度慢以及对噪声点敏感影响分类正确率的问题,提出一种基于改进FSVM的数据挖掘分类算法.该算法首先预选有效的候选支持向量,减小训练样本数目,提高训练速度;其次定义一种新的隶属度函数,增强支持向量对构建模糊支持向量机的作用;最后将近邻样本密度应用于隶属度函数设计,降低噪声点或野值点对分类的影响提高分类正确率.实验结果表明,该算法在训练样本数目较大时训练速度和分类正确率都有提高.     

基于最小二乘支持向量机的信号回归

基于支持向量机核函数的条件和Sobolev Hilbert空间H1(R;a,b)的再生核,提出了一种称为最小二乘支持向量机的新的回归模型,并将该回归模型应用于信号回归的仿真实验中.实验表明,最小二乘支持向量机的核函数采用再生核是可行的,它优于常用的高斯核函数.     

基于混沌人工蜂群算法优化的SVM 齿轮故障诊断

为克服支持向量机中模型参数的随意选择对分类性能造成的不利影响, 提出了基于混沌人工蜂群算法的支持向量机(CABC鄄SVM: Chaotic Artificial Bee Colony algorithm of Support Vector Machine)参数优化方法。该方法采用Logistic 混沌映射初始化种群和锦标赛选择策略, 对支持向量机的惩罚因子和核函数参数进行优化时以分类准确率作为适应度函数。通过UCI 标准数据集实验证明, CABC 具有较强的局部和全局搜索能力, 其优化的支持向量机可在很大程度上克服局部极值点, 从而获取更高的分类准确率, 并有效缩短了搜索时间。将该方法应用于实际齿轮故障诊断中, 采用小波相对能量作为特征输入支持向量机, 分类准确率达到99. 4%, 验证了该方法的可行性和有效性。     

结构可靠度计算的自适应辅助域方法

提出了一种Metropolis算法与支持向量机(SVM)方法相结合的自适应辅助域方法.利用Metropolis算法生成目标失效域内的条件样本点,并以该过程中的备选点作为初始训练点训练SVM模型.根据训练得到的SVM模型再自适应地选择一部分样本点加入训练点集,并对SVM模型进行更新,直至满足迭代终止条件.以最终得到的SVM模型作为辅助失效域,计算近似失效概率和两个条件失效概率.对近似失效概率进行修正,使最终得到的目标失效概率渐进无偏且更加稳定.算例表明该算法具有较好的计算精度、效率和鲁棒性.     

多策略融合的SVM决策树构建

为了在提高文本分类效率和提升分类速度间进行平衡,综合考虑SVM决策树的深度、均衡度、构造方式、类内样本数、类间相似度等对分类结果的影响,提出针对海量文本多分类问题的SVM决策树构建算法.在大规模语料库上的文本分类实验表明,该算法可在一定程度上提升分类效果,同时可以大幅减少训练和测试时间,方法可行且适应性强.     

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。     

基于VSV的手写数字分类器

介绍了支持向量机(Support Vector Machine,SVM)的概念和方法,指出通过采用VSV(Virtual SV)方法将不变性常识(Invariance)融合于支持向量机,可提高模型的泛化能力。     

支持向量机技术及其应用

支持向量机是基于统计学习理论的一种新兴的通用机器学习技术,相比传统的统计学习理论,其性能有突出的优越性。论述了支持向量机技术的研究和目前的应用状况,并指出了支持向量机技术在应用研究中一些待解决的问题和研究方向。     

基于确定性系数与支持向量机的滑坡易发性评价

准确的滑坡易发性评价对防灾减灾具有重大意义。以略阳县为研究区,在确定性系数模型(certainty factor, CF)易发性分区的基础上,剔除极高和高易发区后选取非滑坡点,提取CF值为支持向量机模型(support vector machine, SVM)的输入值,采取灰狼优化算法得到最优参数建立CF-SVM模型对研究区进行预测,同时与随机选取的非滑坡点SVM模型进行对比。结果表明：CF-SVM模型在极高和高易发区涵盖了74.2%的历史滑坡点,且受试者特征工作曲线下的面积(area under receiver operating characteristic curve, AUC)达到0.95,均高于SVM模型,由此说明CF-SVM模型具有更高的准确率,并且证明了在CF模型基础上选取非滑坡点的可行性,可为该区域的风险管理提供科学依据。     

基于SVM的沙尘暴预测模型

根据沙尘暴天气的特点和支持向量机（support vector machine，SVM）方法在解决小样本学习问题中的优势，提出基于SVM的沙尘暴预测模型．首先利用主成分分析法进行数据预处理，然后选择了径向基核函数，并通过分析惩罚参数和核参数对SVM分类器性能的影响，确定了参数的搜索空间，继而利用网格搜索法对其进行优化．在此基础上，构建并实现了基于SVM的沙尘暴预测模型．该模型与BP神经网络模型的运行结果对比表明，基于SVM的沙尘暴预报模型稳定性好，运行速度快，预报准确率提高了71．2％．     

基于支持向量机的结霜过程特性参数预测模型

为解决结霜过程中有明显的非线性和时变性特征及测试数据中受噪声干扰较大、特性参数预测效果较差的难题,引入了基于结构风险最小化的支持向量机方法,建立了以热力参数集、时间、空间等为特征向量的预测模型.应用实验数据对模型进行了验证和评估,并与基于最小二乘法的预测模型进行了对比分析.结果表明,基于支持向量机的预测模型具有良好预测性能、非线性逼近能力和抗噪声干扰能力.