v-支持向量机的收敛性

支持印量机是在统计学习理论最新发展的基础上产生的一个崭新的学习系统．支持向量机算法通过支持向量控制学习机器的容量．为了控制支持向量的数目，Schφlkopf等提出了v-支持向量机．研究了v-支持向量机的若干性质，并给出了相应算法的收敛性。     

支持向量机回归与v-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价.     

基于L1-范数的v-双子限定支持向量机

【目的】针对二分类问题,构造了一种新的基于L_1-范数的v-双子限定支持向量机(L_1-vTBSVM)。【方法】类似于v-双子限定支持向量机(v-TBSVM),L_1-vTBSVM确定两个非平行超平面,使得它们更接近于各自的类,并且与另一个类至少有ρ的距离。在L_1-vTBSVM中,由于用L_1-范数替代了L_2-范数,则相较于v-TBSVM,所提模型产生了不同的对偶问题。【结果】在求解对偶问题时避免了昂贵的矩阵逆运算,更重要的是,L_1-vTBSVM可以抑制离群值的负面影响,从而提高模型的鲁棒性。因此,改进的模型在处理大规模问题时更有效,且具有更好的泛化能力。【结论】在6个基准数据集上进行了数值实验,验证了该算法在线性、非线性和加入噪声情况下的有效性。     

基于v-支持向量机的边际电价预测及置信区间估计

引入v-支持向量机，通过构造和求解一个凸优化问题，同时实现了对边际电价的预测和对置信区间的估计，且无需假定预测偏差的概率分布．在v-支持向量回归中，当ε〉0时，v是错误样本的个数占总样本个数份额的上界．利用该性质，边际电价预测的置信度和置信区间可以很自然地用参数1-v和变量ε来表示，这为发电公司进行竞价方案的风险分析打下了很好的基础．算例仿真表明，该方法具有较好的泛化性能和较高的预测精度．     

基于支持向量机的不平衡样本分类研究

分类问题是机器学习领域的重要研究方向之一。支持向量机是一种基于结构风险最小化的学习机器,在解决分类问题上有着出色的效果。但基于支持向量机的分类器在处理不平衡样本时,对少类样本分类准确率偏低。诸多研究在对此问题做分析时往往把主要原因归结为各类样本间数量上的不平衡,而没有充分考虑样本点在特征空间上的分布情况。针对此问题做出原因分析,并给出结论:样本的不平衡性主要是由特征空间下各类样本的分布所决定的,而和数量上的不平衡关系较小。通过实验验证结论的科学有效性。     

基于支持向量机的不平衡样本集分类算法

提出基于支持向量机的不平衡样本集分类算法,以支持向量机为基础,利用重采样技术及特征子空间等相关理论,通过分层抽样方法和重采样技术,分别对不平衡数据集的样本底层特征和样本数量进行平衡,在不同数据集上进行实验,实验表明该方法能有效提高不平衡数据分类的准确度.     

样本属性重要度的支持向量机方法

支持向量机(SVM)是一种新的机器学习方法,已经广泛应用于模式识别和函数估计等问题中.针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑属性重要性对分类结果的影响的缺陷,提出了基于样本属性重要度的支持向量机方法,该方法首先利用信息论中的信息增益技术计算各个样本特征属性对分类属性的重要度,然后对所有样本的同一特征属性的值分别用对应的属性重要度进行加权,最后所得数据集用于训练和测试SVM.数值实验的结果表明,该方法提高了分类器的分类精度.     

支持向量机的一个边界样本修剪方法

支持向量机仅仅由支持向量所决定,而支持向量来自于边界的样本,如果样本集中存在较多的噪音或孤立点,特别是两类样本过分交叉,都会降低支持向量机的推广能力。为了改善支持向量机的推广性能,文章提出一个支持向量机的边界样本修剪方法:首先对边界样本进行抽取,然后用RemoveOnly算法对边界样本进行修剪,修剪后的边界样本就是最终的支持向量机训练样本。实验结果表明,修剪方法可以让支持向量机的推广能力有不同程度的提高。     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

有新样本加入的支持向量机的学习策略

在支持向量机的学习过程中,有些情况下训练样本不能一次全部给出,这样当有新样本加入训练集时,支持向量集和训练样本集的等价关系将被打破.为了解决这个问题,本文提出了有新样本加入的支持向量机的学习策略.通过对新样本的分析,选出能代替原样本和新样本进行学习的样本,并给出这些样本应满足的条件,最后给出了相应的学习策略.对标准数据集的实验表明,本学习策略可以在新增样本增加后,有效压缩样本集的大小,提高分类的速度,舍弃无用的样本,同时保证了分类精度.     

基于正反馈的支持向量机

在分析现有的基于高斯核的支持向量机(包括基于K-邻域法的支持向量机)的优缺点的基础上,通过对支持向量机之所以能够描述数据集的分布特征的本质进行分析,突破目前在构造支持向量机中存在的"所有支持向量与样本之间的在特征空间中的内积所对应的核函数参数一定要相等"的这一苛刻要求,提出了用于模式识别的基于正反馈的支持向量机.给出了基于正反馈的支持向量机的算法.通过对人工数据和现实数据的仿真实验,表明基于正反馈的支持向量机在推广性能方面明显优于现有的支持向量机.     

基于支持向量机的图像识别

支持向量机是统计学习方法,正成为当今研究的热点．支持向量机在模式识别和文本分类等方面获得了极大的成功,分类的准确率很高,用支持向量机的方法处理一些二值图像和灰度图像,能获得较好的统计结果．从中摸索出了一种特征向量集的选取方法,讨论了判断结果优劣的标准,比较了支持向量机方法与其他方法得到的结果,得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计性能．     

基于小波包样本熵和支持向量机的框架结构损伤识别

基于小波包样本熵和支持向量机原理,研究了钢框架结构的损伤定位识别方法.分析在冲击载荷作用下框架结构的动力响应,对加速度信号进行小波包分解,建立小波包样本熵的损伤指标,采用支持向量机原理,识别结构损伤位置以及损伤程度.研究表明,该方法能够利用单一的传感器,实现理想的识别效果,且具有一定的适用性和鲁棒性,在60 dB的噪声水平环境中损伤定位识别结果在90％以上,在40 dB的噪声水平环境中,损伤程度识别结果在90％以上,框架实验模型研究表明,柱的损伤识别精度要高于梁的损伤识别精度.     

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.      

基于支持向量机的车牌字符识别

作者将支持向量机SVM方法用于车牌字符的识别.算法首先采用Gabor变换和外围轮廓结构特征提取的方法提取车牌字符图像的特征参数,然后采用提取的特征训练SVM分类器,再应用SVM分类器分类和判别车牌字符.实验表明这种方法具有良好的车牌识别效果,较强的鲁棒性,较大的应用价值.     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

基于支持向量机的模式识别方法

介绍了由Vapnik等人提出的统计学习理论和由此发展的支持向量机，分析了其应用前景和研究方向，两个算例表明，在模式识别领域中，采用支持向量机这一新方法，具有其他传统方法不可比拟的优势。     

基于支持向量机的人脸识别算法

特征提取是人脸识别问题中的一个普遍问题,主要是指通过变换将图像空间中的人脸转化到人脸特征空间中,其目的是用最少的数据量表示原始图像的最多的信息.其中Fisher脸法是常用的特征提取方法,本文采用Fisher脸法和支持向量机的方法,构造了一个能够将图像数据空间的人脸映射到人脸特征空间中,并实施识别的实验系统.分析了该系统的构成与特点,并给出了实验测试结果.     

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。     

基于支持向量机回归的曲线拟合

在科学实验研究中,经常需要实验的观测数据,来寻求两个物理量之间近似的解析函数关系和曲线方程,这就是人们常说的数据拟合或曲线拟合,而且经常要从这些已知数据中总结规律,用以预报未知。本文引入支持向量机作为背景进行曲线拟合。此法能满足在小样本情况研究统计学习规律的理论,通过引入结构风险最小化准则来控制学习机器的容量,从而刻画了过度拟合与泛化能力之间的关系。