基于支持向量机的地基单站GPS反演大气剖面

提出基于支持向量机的地基单站GPS遥感大气剖面的反演方法,主要包括经典支持向量机、最小二乘支持向量机、相关向量机3种方法,利用青岛地区的历史数据进行了仿真反演对比研究,并与神经网络反演方法进行比较,结果表明支持向量机能够有效地应用于地基单站GPS大气遥感领域.     

粗糙集和支持向量机相融合的Web数据挖掘

提出一种粗糙集和支持向量机相融合的Web数据挖掘模型.首先收集相关Web数据,提取特征,并采用粗糙集对特征进行约简,去除一些无用的特征,然后采用支持向量机对训练样本进行学习,建立Web数据挖掘模型,最后进行性能测试.实验结果表明,粗糙集和支持向量机相融合可以获得令人满意的Web数据挖掘效果,具有更高的实际价值.     

基于Gauss核函数的快速构造最小超球算法

为提高基于超球的支持向量机算法中样本数据较多时的训练速度,提出一种构造最小超球的并行融合算法.该算法将全部训练数据集依据特定策略分割成若干个子数据集,分别对各个子数据集进行训练,对所得到的各子数据集的支持向量与融合数据进行训练,构造最小超球.仿真结果表明,并行融合算法在保证分类精度的情况下,能够显著减少训练时间,提高效率,且支持向量的数目较少.同时也验证了该文对Gauss核函数分析的正确性.     

分类大规模数据的核向量机方法研究

标准的支持向量机算法需要求解二次规划问题,因此,在处理大规模样本的时候,求解二次规划问题的时间复杂度和空间复杂度就成为支持向量机应用的一个瓶颈.核向量机将传统支持向量机中的二次规划问题转化为求解最小包围球问题,从而显著降低了二次规划的复杂程度.使用核向量机对大规模数据进行分类,所选用的数据样本数均超过2000,并与标准的支持向量机作了对比实验结果表明:核向量机在处理大规模数据分类时,比标准的支持向量机计算复杂度低,训练速度快,耗费空间少.     

基于分形和支持向量机的装备技术状态预测模型

基于分形和支持向量机回归理论,建立了装备技术状态预测模型.将反映装备运行状态的特征数据作为时间序列,首先进行相空间重构,得到时间序列的最小嵌入维数,以此作为支持向量机输入节点数.利用支持向量机对样本训练,建立预测模型.以装备振动信号预测为实例,表明将时间序列最小嵌入维数作为支持向量机输入节点数目,所建立的模型是最优的.支持向量机预测结果和真实值相比误差较小,可以满足装备技术状态分析和预测的要求.     

一种新型支持向量机

讨论了现有的用于分类的支持向量机(SVM)所确定的边界在抗干扰方面的局限性.在此基础之上提出了一种新型支持向量机,即基于边界调节的支持向量机,并利用K-T条件得到了这种支持向量机的对偶目标函数.通过对人工数据集和真实数据集的仿真实验表明,相对于L1-SVM而言,基于边界调节的支持向量机具有更少的支持向量和更好的推广性能.     

基于支持向量机的激光焊接过程质量监测

提出了一种基于支持向量机的激光焊接质量监测方法.在监测系统中,首先利用光、声传感器获取焊接过程产生的各种信号,然后利用Gabor变换提取出特征向量,最后利用支持向量机对数据进行融合以判断焊缝是否达到质量要求.实验结果验证该方法的分类正确率可达93%.     

基于TWSVM的图像分类

图像分类技术是图像数据处理中最重要的技术之一.支持向量机是基于统计学习理论而提出的机器学习算法,在样本数少的时候能达到很好的分类效果.孪生支持向量机是基于支持向量机而提出来的,其性能优于支持向量机.通过提取彩色图像的颜色特征与纹理特征,利用孪生支持向量机与支持向量机对这些特征向量进行分类,孪生支持向量机的分类准确率与稳定性都高于支持向量机.     

支持向量机描述的无线传感网数据融合协议

采用支持向量机数据描述方法,提出了一种无线传感器网络数据融合异常值检测的隐私保护协议.首先使用聚类算法对感知数据进行过滤,再对清洗后的数据使用支持向量机算法进行网络异常数据检测;其次分析异常数据检测结果、簇内的能耗与完整性检验结果,对分片-混合-融合算法在数据分片过程中的数量进行优化;最后根据网络的剩余能量和传输时延等资源度量指标确定安全策略,实现基于安全程度与资源消耗的动态调整.实验结果表明:该协议可以有效过滤并识别出异常数据,与经典算法相比,在提高隐私保护效果的同时节省更多的计算开销,达到网络安全、能耗和性能平衡的目标.     

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.