基于人为误差的支持向量机——AE-SVM

传统的支持向量机是将分类问题转化成二次规划问题来解决的。针对传统的支持向量机算法及其变形算法忽略了训练集数据含有较大人为误差参与时其算法精度所存在的保障问题,提出了基于人为误差的支持向量机(artificial error—support vector machine以下称AE-SVM)的基本理论,并建立了AE-SVM的理论模型。该模型是C-SVM模型的改进和推广。     

基于支持向量机的增量学习算法

通过对支持向量机KKT条件和样本间关系的研究,分析了新增样本加入训练集后支持向量的变化情况,提出一种改进的Upper Limiton Increment增量学习算法.该算法按照KKT条件将对应的样本分为3类:位于分类器间隔外,记为RIG;位于分类间隔上,记为MAR;位于分类间隔内,记为ERR.并在每次训练后保存ERR集,将其与下一个增量样本合并进行下一次训练.实验证明了该算法的可行性和有效性.     

支持向量机在水资源研究中的应用

支持向量机在水资源中的应用较少,主要用于水资源时间序列预测。在介绍支持向量机回归原理的基础上,着重介绍支持向量机在水资源研究中的应用,并提出了应用中存在的一些问题。     

支持向量机研究

支持向量机是一种新型的机器学习方法，由于其出色的学习性能，该技术已成为国际机器学习领域新的研究热点，首先介绍了统计学习理论和以该理论为基础的支持向量机，然后对线性、非线性支持向量机进行了介绍，给出了一些常用的训练算法．     

基于支持向量机的红虫识别研究

传统的红虫检测一般基于手工方式,效率低下,针对这种情况提出了一种基于支持向量机的红虫识别方法.基于小波分解提取能量特征结合核函数对红虫进行识别,试验结果表明识别率达到了86%.取得良好的效果.     

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明,与神经网络故障诊断方法相比,诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。     

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。     

支持向量机理论及其应用

作为当前国际机器学习前沿热点的支持向量机是一种新型的机器学习算法，具有卓越的学习效果。文中分析了该方法的核心思想及常用训练算法，并给出其具体应用。     

相关向量机及其在铜锍吹炼中的应用研究

相关向量机(Relevance Vector Machine,RVM)是一种新的在稀疏贝叶斯概率模型的基础上发展起来的基于统计学习理论的机器学习方法,它比支持向量机( Support Vector Machine,SVM)有更多优点,已成为数据挖掘的又一高效有力工具.本文研究了RVM在铜锍吹炼中的应用.用RVM对某冶炼...     

支持向量机技术及其应用．

本文对支持向量机的原理和应用进行了论述。对支持向量机技术在文本识别、数字识别、人脸检测、人脸识别、人脸认证、特征提取方面的应用进行了讨论,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。     

一种支持向量机的动态自适应加权算法

针对现有回归型加权支持向量机直接选择加权系数法存在的不足,提出了一种对加权系数进行寻优的新方法——动态自适应加权算法.通过对权系数进行的自适应迭代调整,以确定其最优值,并进行了实验仿真.仿真结果表明：采用该方法确定的最优加权系数,可以对预测样本数据进行更准确的回归估计.     

支持向量机的研究与发展

支持向量机是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,并已广泛应用于模式识别与回归分析。已成为国际机器学习界的研究热点。笔者主要对其基本原理与研究发展情况进行了探讨和研究。     

统计学习理论和支持向量机

介绍了统计学习理论和支持向量机的概貌，以及目前支持向量机方法研究的现状．     

基于改进交叉验证算法的支持向量机多类识别

如何确定支持向量机最佳参数用以训练得到最优分类器,使之对未知样本同样具有良好的分类效果,一直是问题解决的关键.针对传统的交叉验证算法仅仅从全局的角度寻找极值点作为最优参数,而忽略了局部信息使得分类效果受到限制问题,提出一种改进的交叉验证算法,在考虑全局极值点的同时,也记录了局部极值点,求取全部极值点对应参数的平均值,由此得到最优参数.实验结果表明,该算法可以有效地确定最优参数,分类准确率有所提高.     

基于支持向量机的香水识别电子鼻系统设计

针对电子鼻在化妆品领域的应用推广问题, 研制了一套用于香水识别的电子鼻系统。该系统主要包括数据采集, 信号调理, 特征提取和模式识别。硬件以微控制器dsPIC30F6014A为核心, 根据香水气味合理地选择了3个广谱型气敏传感器, 并加入温湿度传感器; 软件利用基于COM组件的VC和Matlab混合编程, 设计并实现了内嵌模式识别算法的上位机监控软件, 并发布成可执行文件。模式识别采用支持向量机（SVM: Support Vector Machine)方法, 相比PCA(Principal Component Analysis)、 神经网络等算法提高了小样本情况下的泛化性能。利用该系统对4种香水进行训练、 识别, 分类准确率达92%, 检测结果表明, 该电子鼻系统在香水识别方面具有较高的准确性和稳定性。     

岩爆预测的支持向量机

针对岩爆预测问题,提出了基于支持向量机的预测方法,通过对影响岩爆因素的分析,然后运用支持向量机理论建立岩爆预测的支持向量机模型·结果表明,基于支持向量机的岩爆预测方法具有较高的准确率,该方法是科学可行的,具有广泛的应用前景·     

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.