关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

基于小波的支持向量机算法研究

基于小波对偶框架和支持向量核函数的条件,提出了一种支持向量小波核函数.该核函数利用小波的多尺度插值特性和稀疏变化特性,不仅提高了模型的精度和迭代的收敛速度,而且还适用于信号的局部分析、信噪分离和突变信号的检测,从而在提高支持向量机(SVM)泛化能力的同时,提高了辨识效果和减少了计算量.基于该核函数和正则化理论提出的最小二乘小波支持向量机用于非线性系统辨识,对SINC函数的逼近,该小波核得到的均方根误差不足高斯径向基核的1/12,对logistic混沌序列预测的均方根误差不超过8×10-6,同时实验表明,预测的长度对预测均方根误差没有显著影响,这表明小波核SVM具有更好的泛化能力.     

基于动态神经网络支持向量机的FPGA实现

研究了一种基于动态神经网络支持向量机(SVM)的FPGA硬件实现方法.提出了基于动态神经网络的最小二乘支持向量机(LS-SVM)神经网络结构,完成了VHDL语言描述的基于动态神经网络的LS-SVM结构设计,并在XILINX SPANT3E系列FPGA中完成了LS-SVM的分类与回归实验.结果表明,该硬件实现方法很好地完成了SVM的分类与回归功能,与现有的软件仿真和模拟器件实现相比,该方法具有更快的收敛速度和更高的灵活性.     

基于BP神经网络与支持向量机的高速公路交通模式识别

回顾了几种传统的交通事件检测算法,提出一种新的交通模式识别方法:即从多层前向人工神经网络角度建立模型,运用BP算法予以实现,获取交通流参数的残差。再应用支持向量机良好的分类性能将残差所预示的交通模式予以分类,并与传统BP算法进行比较之后,发现此方法具有检测率高、误报率低、检测时间短的优点。     

并行支持向量机算法及其应用

针对当前支持向量机计算效率的不足,提出了改进的并行支持向量机技术.该算法能有效使内积运算、向量数据更新、矩阵向量实现并行计算,并且数据之间的通信时间能和向量更新时间重叠,从而提高了计算效率,并能保证泛化能力.数据仿真结果表明,与改进前的算法相比,2 500个样本下能节省时间30%左右,样本量增大时,效果更为明显.     

支持向量机和神经网络的融合发展

提出了支持向量机和神经网络的融合发展观。分析了支持向量机和神经网络的异同点。从认知模型角度探讨了神经网络认知模型对于支持向量机认知模型发展的指导作用,提出了支持向量机认知模型概念和发展思路;从支持向量机算法思想角度,提出了一类神经网络算法的发展。     

通过特征权学习增强支持向量机的泛化能力

在分类问题中,支持向量机(SVM)首先将样本映入某一高维特征空间,并在此空间中构造具有最大间隔的分类超平面.由Vapnik的统计学习理论知道,SVM泛化能力的强弱与分类超平面间隔的大小有十分密切的关系:分类平面的间隔越大,SVM的泛化能力就越强.本文提出了一种通过特征权学习来增加分类超平面的间隔,从而增强SVM泛化能力的方法.仿真试验表明,该方法对提高SVM的泛化能力是有效的.     

支持向量机与神经网络在减振器建模中的应用

提出了利用支持向量机回归建立减振器非参数模型的方法。之后,利用支持向量机建立的模型与两类神经网络模型进行了对比。一类是反向传播神经网络,另一类是径向基函数神经网络。这三种模型分别在虚拟减振器与真实减振器上进行了比较。比较结果证明反向传播神经网络对虚拟减振器的辨识结果最好,而支持向量机回归算法对真实减振器的辨识效果最好。其原因是由于真实减振器的试验数据均具有噪声,而支持向量机对噪声具有一定的鲁棒性。     

基于支持向量机与RBF神经网络的软测量模型比较研究

给出了基于支持向量机(SVMs)和RBF神经网络的软测量建模方法.通过对这两种方法进行理论分析和仿真比较研究,结果表明,SVMs方法跟踪性能好、泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的软测量建模具有更好的推广能力.     

关于支持向量机DirectSVM算法的探讨

DirectSVM算法是求解支持向量机的一种简单快速迭代算法,具有最好的几何直观性.算法将线性可分的两类样本中距离最近的两个异类样本点作为支持向量,以该两点连线的垂直平分面作为初始分类超平面,然后根据分类情况逐步确定新的支持向量,即逐步优化出最优分类超平面.对该算法进行了测试,发现该算法具有局限性,并对算法局限性产生的根源进行了分析,对如何合理使用DirectSVM算法进行了讨论.结论是:用DirectSVM算法直接求解最优分类面是不可靠的,但可以作为支持向量机的一种近似算法,也可以作为求解候选支持向量集的方法,再与其他经典算法结合使用.     

一种用于RBF神经网络的支持向量机与BP的混合学习算法

基于支持向量机与径向基(RBF)神经网络在结构上的相似性,提出了一种用于RBF网络的支持向量机与BP的混合学习算法．算法分为2步：首先采用序贯最小优化算法学习训练支持向量机,得到RBF网络较优的初始结构和参数;随后由BP算法调整优化RBF网络参数．混合学习算法结合了支持向量机小样本学习、学习训练快捷以及BP算法在线修改网络参数的特点．仿真研究表明,混合学习算法学习效率高,网络性能优良,应用于函数逼近时效果优良．     

支持向量机和人工神经网络在期权价格预测中的比较研究

期权定价已成为金融市场的重要组成部分之一。 由于市场是动态的,准确预测期权价格非常困难。 因此,设计和发 展了各种机器学习技术来预测期权价格未来趋势。 比较了支持向量机(ＳＶＭ)模型和人工神经网络(ＡＮＮ)模型在期权价格预 测中的有效性。 在测试和训练阶段,２ 种模型都使用公开可用的基准数据集 ＳＰＹ ｏｐｔｉｏｎ ｐｒｉｃｅ－２０１５ 进行测试。 ２ 种模型均采 用主成分分析(ＰＣＡ)转换后的数据,以达到更好的预测精度。 另一方面,为了避免过拟合问题,将整个数据集划分为训练集 (７０％)和测试集(３０％)２ 组。 将支持向量机模型与基于均方根误差(ＲＭＳＥ)的神经网络模型的结果进行了比较。 实验结果 表明:神经网络模型优于支持向量机模型,预测的期权价格与相应的实际期权价格吻合良好。     

能源需求的支持向量机预测

对灰色、神经网络和支持向量机的三个预测模型进行了研究,以某城市的1999-2006年能源需求为例,对能源需求进行了预测.经过比较,支持向量机的预测方法精度较高.     

直觉模糊支持向量机

传统的模糊支持向量机难以区分具有相同隶属度的稀疏样本点和稠密样本点,进而可能降低分类精度.为了解决此类问题,利用直觉模糊集和模糊支持向量机,构建了直觉模糊支持向量机.仿真实验结果表明:与传统的支持向量机和模糊支持向量机相比,直觉模糊支持向量机的分类结果更精确.     

Generating Fuzzy Rule-based Systems from Examples Based on Robust Support Vector Machine

This paper firstly proposes a new support vector machine regression （SVR） with a robust loss function, and designs a gradient based algorithm for implementation of the SVR,then uses the SVR to extract fuzzy rules and designs fuzzy rule-based system. Simulations show that fuzzy rule-based system technique based on robust SVR achieves superior performance to the conventional fuzzy inference method, the proposed method provides satisfactory performance with excellent approximation and generalization property than the existing algorithm.     

支持向量机学习方法的选择与应用

介绍支持向量机中的核函数及其参数的选择和相关应用技术，以及SVM的应用研究。在不同的学习方法下进行了仿真实验，并对4种不同方法的分类特性进行了对比分析，给出了在不同模式识别问题中不同方法的选择条件。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析。并已成为国际机器学习界的研究热点。本文主要讨论其基本原理与SVM训练算法。     

支持向量机的算法研究

支持向量机(support vector machine,SVM)是20世纪90年代发展起来的一种新型机器学习方法,是在统计学习理论基础上发展起来的一种新的数据挖掘方法,已广泛应用于模式识别与回归分析.并已成为国际机器学习界的研究热点.本文主要讨论其基本原理与SVM训练算法.     

基于支持向量机算法和其他算法在文本分类中的性能比较

分析了几种典型的文本分类算法的特点.其中,支持向量机算法具有最优性能,但处理大量数据时,耗时比较大;K-NN方法与K值的选取有很大关系,而且实时性不够良好;朴素贝叶斯方法在实际应用中可以得到比较好的效果;神经网络方法提供了比较容易的方式预测非线性系统,训练过程很慢,不能适应大数据量的学习.