一种新型的自适应多核学习算法

针对样本基数较大、维数较高、特征较复杂的数据集训练问题,将支持向量机与蚁群优化算法相融合,提出一种自适应多核学习算法.利用吸引子传播聚类算法自适应地发现相似特征,并据此利用蚁群算法自适应地选择核函数参数,从而快速选择最优核函数.通过UCI数据集的5组数据实验表明,该算法相比于传统的支持向量机分类准确率和F1值更高,验证...     

基于聚类和协同标注的TSVM算法

针对数据集中类样本不均衡、样本标注代价大的问题,结合聚类算法、委员会投票思想和TSVM算法,提出一种基于聚类和协同标注的TSVM算法,该方法利用聚类算法进行子集划分,保证每个子集都包含良好的空间信息,对样本的标注采用多个分类器进行投票,提高标记准确率,减少错误的累积和传递,提高标注准确率,增强最后分类器的泛化性能.KDDCUP99数据集上的实验结果表明该方法对未知攻击有较高的检测准确率.     

基于聚类法的协同神经网络学习算法

根据协同学理论的基本观点（模式识别的过程即为模式形成的过程）,对构造出的协同神经网络在模式识别中的应用进行了研究．发现伴随向量的性能直接影响到模式识别的成功率,而伴随向量是由原型向量计算得到．所以原型向量的选择对识别结果有着十分重要的作用．提出了一种基于聚类算法的选择原型向量的方法．通过对近千个样本进行的模拟实验,结果证明这种基于聚类算法的原型向量选择方法很有效,使识别率有了较大的提高．     

基于核函数的最大间隔聚类算法

提出了基于最优超平面与支持向量机思想的最大间隔聚类算法。该方法借鉴了最优超平面思想和用核函数非线性映射构造支持向量机的思想。通过构造一个二次规划问题 ,得到了使分类后两类间距最大的聚类方法 ,并且借助非线性核函数将该方法推广到非线性情况。仿真试验表明 :该方法可以较好地解决很多非监督分类问题 ,得到的结果基本不受数据分布形状的影响     

基于巢模板的核空间蚁群聚类算法

为了改进蚁群算法因大量引入随机机制所引发的不稳定性,引入巢模板来改进聚类规则,提出一种基于巢模板的核空间蚁群聚类算法,并与原空间上的聚类算法进行比对。该算法用支持向量机的非线性映射函数把数据样本映射到核空间,再用巢模板记忆蚁群群体特征。核空间上的巢模板蚁群聚类算法能较好地处理特征复杂、类别多的数据集,其聚类结果比较接近真实情况,并且效果明显优于原空间上的聚类算法。     

基于混合特征的复合多核SVM变压器故障诊断

针对变压器故障诊断支持向量机模型存在的特征量信息不充分和复杂工况下针对性不足的问题,采用混合型特征输入量,寻找最大可能接近客观映射关系的特征量构建方法;采用加权复合多核核函数,生成可分性最为匹配的映射空间,实现最佳故障状态分类效果.仿真结果验证了本文算法的有效性.     

基于多核支持向量机的句子分类算法

主流句子分类算法采用单一词向量表示模型获得文本表示,导致了对文本的映射能力不足.对此,通过融合多种词向量的文本表示以提高分类的准确率.针对多核学习在融合不同核函数时,常规的核函数系数寻优方法存在的训练时间长、难以求得局部最优解等问题,提出了一种新的核函数系数寻优方法,该方法基于参数空间分割与广度优先搜索不断逼近核系数的最优值.以支持向量机(support vector machine,SVM)为分类器,在7个文本数据集上进行了分类实验.实验结果表明,多核学习分类效果明显优于单核学习,并且所提出的寻优方法在训练次数少于常规方法时也能获得了好的分类效果.     

一种改进的局部多核学习算法

局部多核学习算法（LMKL）是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数;但是其选通函数有严重的参数沉余的问题,为此提出了改进的局部多核学习算法（ILMKL）,在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,使用选通函数的lp范数形式,增强核函数间的“互补”作用;采用该算法在模拟数据集和UCI数据集上实验,结果表明该算法取得较高的分类能力.     

支持向量机的聚类补偿研究

主要研究支持向量机方法与聚类算法的配合问题.支持向量机的训练代价太大,如果直接把成千上万个特征向量直接用作训练,运算时间难以忍受.采取的策略是用聚类算法获得较少的聚类中心,然后将聚类中心作为支持向量机的训练样本.事实上,这样的组合方式有待改进.每一聚类的样本数有多有少,所以每一个聚类中心所体现出来的权重不一样.反映在支持向量机的算法中,改进思路为:在支持向量机的训练中,除了原有点以外,加入人工样本点,人工样本点的位置就是这些原有点之一,各个位置的数量与聚类大小成比例.     

基于原问题求解的非稀疏多核学习方法

传统的多核学习方法通常将原问题转换为其对偶问题再进行求解,但直接求解原问题比求解对偶问题有更好的收敛属性.为此,文中提出了一种在原问题上求解、LP范数约束的非稀疏多核学习算法,首先采用次梯度和改进的拟牛顿法求解支持向量机(SVM),然后通过简单计算求解基本核的权系数.由于拟牛顿法具有二次收敛性,并且不需要计算二阶导数来得到Hessian矩阵的逆,因此文中算法具有更快的收敛速度.仿真结果表明,文中算法不仅具有较好的分类精度和泛化性能,还具有较快的收敛速度及很好的可扩展性.     

基于谱聚类和多示例学习的图像检索方法

针对基于对象的图像检索问题,提出一种新的谱聚类多示例学习算法.该算法将图像当作包,将分割区域的视觉特征当作包中的示例,针对正包示例集合进行谱聚类,按聚类中心点数最大原则选择潜在正示例中心和潜在正示例代表,并采用径向基函数和金字塔核分别度量潜在正示例间和其它示例间的相似性,最后利用支持向量机和相关反馈实现图像检索.采用S...     

利用相似度分割特征集的混合核构造方法

核函数作为样本相似性的衡量尺度是影响支持向量机分类效果的重要因素。为了使相似性衡量尺度与样本特征的分布特点相适应,提出利用相似度分割特征集的混合核函数构造方法。通过研究每维特征在不同相似性函数下的区分能力,将特征集分割成相应的特征子集,并根据特征子集在分类中的重要性程度,对相应的样本相似度矩阵进行线性加权,得到最终的分类结果。实验结果表明,文中提出的混合核可以同时具有多种不同特性核函数的优点,改善了支持向量机分类器性能。     

采用核函数的多用户检测算法

提出了一种基于核函数的多用户检测(MUD)方案,与常规的支持向量机(SVM)学习算法不同的是,判别输出函数中的支持向量采用一种稀疏核逼近方法获取,而其对应系数则由输入采样协方差矩阵的广义特征向量构成,整个算法避免了常规的二次规划(QP)求解过程.仿真结果表明,采用核函数算法的检测性能与SVM检测性能接近,但在较大规模样本集下可有效减小计算量.     

基于半监督学习的核信任力传播聚类算法

文中提出一种半监督核信任力传播聚类算法(SSKAPC).SSKAPC在对样本聚类的过程中,引入先验知识提高聚类性能;同时该算法将样本映射到高维空间进行聚类.人工数据和真实世界数据的实验表明,SSKAPC算法能大幅度提高聚类的准确性.     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

基于布谷鸟搜索算法参数优化的组合核极限学习机

针对单核极限学习机在泛化性能上存在一定局限性的问题, 提出将再生核函数与多项式核函数相结合, 建立一种新的组合核极限学习机模型, 使其具有全局核与局部核的优点, 并选择布谷鸟搜索算法对其参数进行优化选择. 仿真实验结果表明, 采用基于再生核的组合核函数作为极限学习机的核函数可行, 在实验数据集的多值分类和回归问题上, 与传统支持向量机及单核极限学习机相比, 该模型具有更好的泛化性能.     

基于核函数的模糊C均值聚类算法

通过引入Mercer核,把输入空间的样本映射到高维特征空间,实现了对样本在特征空间的优化,使各类样本之间的差别增大,从而较好地实现了对差别微弱的样本类之间的聚类．仿真实验的结果证实了该方法的可行性和有效性．     

多类核极化及其在多宽度RBF核参数选择中的应用

针对多类支持向量机的模型选择问题, 提出一种适用于多分类问题的核函数度量标准, 称为多类核极化。进一步地, 提出了基于优化该标准的多宽度RBF核的参数选择算法。与传统的基于k-折交叉验证的穷举搜索方法相比, 该算法利用基于梯度的搜索技术自动实现模型选择, 克服了传统方法的经验性强、计算量大的不足。UCI数据集上的实验结果验证了多类核极化与多参数模型选择算法的有效性。