非线性支持向量机判别阈值的设置

非线性支持向量机通过核函数将低维输入空间的数据映射到高维空间,从而将原低维空间的线性不可分问题转化为高维空间上的线性可分问题.分析了非线性支持向量机中核函数的引入可造成分类阈值的偏移问题,提出了非线性支持向量机分类阈值的优化设置方法.实验表明,所提出的阈值优化设置方法能有效提高非线性支持向量机的分类精度.     

基于级连式支持向量机的文本自动分类算法

为了解决文本自动分类问题,从解决支持向量机模式支持限制问题入手,以级连概念为指导思想,构造了多层级连式支持向量机模型,提出一种文本自动分类算法,以便处理多个模式的分类问题。由于支持向量机本质上是一种非线性数据处理工具,对于复杂的两类模式分类问题已表现出良好的适应性,而且支持向量机用于模式识别不存在局部极小值问题,且不需进行网络迭代训练,求解速度明显高于神经网络。通过以CNKI文档数据为例进行算法实践,试验结果表明支持向量机用于模式分类的实现步骤比较简单,不需要长时间的训练过程,只需根据初始样本在空间的分布特性求解最优超平面(即找出支持向量),进而确定决策函数,然后即可泛化推广识别其他待识别的同类样本。     

一种可能性测度的模糊支持向量机

支持向量机能够成功的解决分类和回归问题,但是训练数据都是精确的。如果支持向量机的训练集中含有模糊信息,即训练集中的输入训练样本点为模糊数,那么支持向量机将无能为力。基于此,在可能性测度理论和模糊机会约束规划的基础上,建立了模糊v-支持向量机模型,并将该方法应用于某病的诊断中,实验结果验证了该方法的有效性。     

人工智能技术在遥感分类中的应用综述

目前遥感数据广泛应用于地表信息的提取,因复杂性、不确定性,分类方法不一。文中介绍了决策树、神经网络和支持向量机方法等人工智能分类法的算法,分析了探讨了其在遥感分类中的优势与局限,并从提高遥感分类精度的角度进行了总结与展望。     

基于聚类分析和支持向量机的高校教师绩效评价模型

聚类分析是对多个样本(或指标)进行分类的一种多元统计分析方法,支持向量机是借助最优化方法来解决机器学习问题的新工具.讨论采用了聚类分析和支持向量机方法建立模型,对高校教师进行绩效评价,效果较好.     

基于粒子群优化支持向量机的边坡稳定性预测

为了提高边坡稳定性预测的精度,保障边坡工程的安全,提出基于粒子群优化算法支持向量机的预测模型。采用粒子群优化算法不断进行搜索迭代获取支持向量机模型的最优参数,避免了支持向量机人为选取参数的盲目性和随意性。通过Matlab编程,应用实例证明:该模型的预测精度较高,预测样本的平均相对误差为3.581 9%,计算速度较快,优于改进的BP算法、GA-BP算法和改进支持向量机算法,在实际的工程应用中有着良好的应用前景。     

基于多分类器组合的湿地类型信息提取

针对如何提高遥感影像分类精度等问题,该文选取覆盖友好自然保护区的Landsat_5TM遥感影像为数据源,提出了将多个分类器进行组合的遥感影像分类方法.该方法将熵权法引入到湿地遥感分类研究中,选取最大似然、支持向量机(SVM)、神经网络(NN) 3种分类器作为子分类器,利用熵权法确定组合分类器的组合规则,采用多分类器组合的方法对友好自然保护区进行湿地类型信息提取,以提高湿地的分类精度.结果表明:与单一分类器相比,多分类器组合的遥感影像分类方法能够有效的提高分类精度.     

培养创新能力的教学质量评价体系研究

针对提高高校教学质量问题,对创客教育课程模式进行了设计,优化创新创业教学要素配置,融合"学、做、创"的学习活动内容,建立具备层次性、实践性、自主性和开放性特征的创新创业教育实践平台体系.构建创新创业人才培养的创客教育评价指标体系,提出了基于支持向量机的多类分类教学质量评价模型,并对该模型进行了性能分析.实验数据表明,基于支持向量机的高校教育质量评估模型训练和预测精度完全在可以接受的范围内,是一个合理、可行的预测模型.     

灰度和纹理特征组合的SAR影像SVM分类

针对利用单一特征进行分类的效果不理想、普适性不强等问题,提出了一种灰度和不同纹理特征组合的支持向量机(support vector machine, SVM) 分类方法,将由不同特征组合的SVM分类器用于SAR影像分类,并对几种不同的分类结果进行定性和定量比较分析. 实验结果表明,灰度和不同纹理特征组合的SVM分类方法能够取得较高的分类精度,其结果要优于传统的单一纹理特征分类,是一种有效的SAR影像分类方法.     

基于支持向量机的机器学习的研究

对机器学习、支持向量机的研究现状进行了综述,阐述了机器学习和支持向量机的基本概念以及支持向量机的训练算法.