有导师学习的k-means方法在多支持向量机中的线性划分及其在石油储层识别中的应用北大核心CSSCI

提出了一种带有指导信息的k-means方法多支持向量机(SkSVM)。带有指导信息的k-means方法多支持向量机中k-means的目标是对训练数据进行划分,附加指导信息是保证k-means在对训练数据进行划分过程中确保数据的划分子集同时来自不同的2个类,即划分的子集中有正标签(+1)和负标签(-1)的数据,并且子集的中心尽量靠近不同类别的分离边界,保证提供的数据子集能够高效地为支持向量机进行学习。对每一个划分的子集采用支持向量机进行学习。选取UCI标准测试集对SkSVM和已有的FaLKSVM、SVM-KNN和CSVM算法进行对比测试。最后,用SkSVM、k-means和SVM等3种分类方法对江汉油田某区块oilsk81、oilsk83和oilsk85三口油井进行石油储层识别(油层和非油层),其中,各油井数据2/3作为训练数据,1/3作为测试数据,结果表明,在识别准确率上,SkSVM方法都优于其他两种方法。     

一种基于差分演化算法的规则提取及其在石油储层识别中的应用

提出了一种基于差分演化算法的规则提取方法(DE-Rule)。规则的表达形式为IF-THEN模式,规则前件中的连接词为AND,规则后件为识别对象的类别。通过编码将规则表示为差分演化算法中的种群个体,然后通过差分变异和二项式交叉对种群进行演化,对最优个体进行解码即可得到对应的最优规则集。最后,用DE-Rule、RS-Rule、ANN-GA-Cascades-Rule等3种规则提取方法对江汉油田某区块进行石油储层识别(干层、水层、差油层和油层),其中,oilsk81油井数据作为训练数据,oilsk83油井数据作为测试数据,结果表明,在综合考虑规则集的识别准确率和解释性上,DE-Rule方法都优于其他两种方法。     

基于模糊C均值的支持向量机数据分类识别

提出一种基于模糊C均值的支持向量机分类算法，通过模糊C均值算法对未知类别数据进行划分，然后再利用支持向量行对划分后的数据机进训练。解决了以往人们应用支持向量机进行数据分类识别前必须采用已知类别的数据对支持向量机进行训练的弊端，提高了数据分类的效率。     

支持向量机在车辆目标识别中的应用

提出了利用支持向量机对战场侦察雷达目标回波信号进行处理,以实现对卡车、坦克等在地面运动的车辆目标进行分类识别的一种新算法。首先对雷达接收到的目标回波信号作频域分析,从中提取待分类目标信号的特征向量,然后利用所建立的支持向量机模型对目标信号作训练和识别,最后与经典谱分析和神经网络的方法作比较,并采用实际数据验证这种识别方法的有效性。     

SVM方法及其在客户流失预测中的应用研究

客户流失分析与预测是客户关系管理的重要内容.针对客户流失问题,建立了支持向量机预测模型.针对实际客户流失数据中正负样本数量不平衡而且数据量大的特点,提出带有不同类权重参数的支持向量机算法CW-SVM,通过调整类权重参数改变分类面位置,提高算法分类准确性;将标准支持向量机训练问题转化为运算效率更高的核向量机问题,提出处理不平衡海量数据集的CWC-SVM算法.通过实际银行信贷客户数据集测试,该算法与传统预测算法比较,更适合解决大数据集和不平衡数据,取得较好的客户流失预测效果.     

一种新的基于NGA/PCA和SVM的特征提取方法

提出了一种使用小生境遗传算法(NGA)和主成分分析(PCA)对支持向量机(SVM)进行封装的方法来选择特征子集。该方法首先使用PCA得到特征向量,然后产生若干随机特征向量子集,从而得到新的特征空间,将所有训练样本映射到这个特征空间来训练支持向量机,再使用支持向量机的半径间隔方法对每个特征向量子集的性能进行评价,最后使用小生境遗传算法来共享适应度,以及进行选择、交叉和变异操作得到新的特征向量子集,重复这个过程直至得到最优的特征向量子集。使用UCI数据集进行了相关的实验,实验结果表明了该方法可以减少特征的数量以及提高分类正确率。     

一类快速模糊支持向量机

由H.P.Huang、C.F.Lin等人和T.Inoue,S.Abe等人提出的两类模糊支持向量机是两种类型的改进支持向量机,分别克服了过学习问题和减少了多类问题分类时存在的不可分区域。如何处理异常数据和加速训练大规模数据集是支持向量机中的急需解决的两个问题。针对这两个问题,提出了一类将两类模糊支持向量机集成的快速模糊支持向量机。训练时,根据每类数据与其类中心的距离,定义隶属函数,以加大对容易被错分样本的惩罚,利用合适的参数λ选取了每类数据中隶属度值较大的边缘数据构造模糊支持向量机,测试时,利用1-a-1和模糊支持向量机的决策函数判定未知样本的类别。含有异常数据的两类问题和机器学习数据集中手写数字识别的多类问题的实验结果,验证了提出的快速模糊支持向量机减少了训练时间同时提高了学习机的推广能力。     

不平衡最小二乘支持向量机

针对标准的最小二乘支持向量机(LSSVM)没有考虑样本分布不平衡的问题提出一种称为不平衡最小二乘支持向量机的算法.首先用标准的最小二乘支持向量机对原始数据进行初步训练,产生一个分离超平面的法向量.然后把高雏样本投影到该法向量上得到一维数据.最后由该一维数据的标准差以及样本数量差异所提供的信息,给出两类数据惩罚因子比例,再用标准的最小二乘支持向量机进行第二次训练,对分离超平面进行调整.该方法克服传统方法只考虑数量的不平衡的不足,将原有样本集中具有的分类信息充分提取出来,提高了最小二乘支持向量机的泛化能力.实验结果表明,所提方法可以有效提高不平衡数据的分类性能.     

基于支持向量回归机的红外热像实时仿真

提出了基于支持向量回归机的红外热像仿真方法,该方法使用实测得到的场景红外辐射特性数据组成的训练样本集训练支持向量回归机,使得支持向量回归机具有预测能力,然后使用和物体表面划分面元数目相同的支持向量回归机计算仿真设定条件下的物体表面表观温度场数据,并利用三维可视化技术,将温度场数据和三维模型相结合,最终以运动车辆及建筑物场景为例,实现了对目标与背景构成的场景进行全方位红外热像实时仿真。     

改进的渐进直推式支持向量机算法

针对半监督学习中渐进直推支持向量机(Progressive Transductive Support Vector Machines, PTSVM)算法存在训练速度慢, 回溯式学习多,学习性能不稳定的问题,提出一种改进的渐进直推支持向量机算法---IPTSVM.该算法利用支持向量的信息选择新标注的无标签的样本点,结合增量支持向量机的迭代更新算法, 继承渐进直推支持向量机渐进赋值和动态调整的规则, 与PTSVM相比,不仅在一般情况下提高了分类的精度,而且大大提高了算法的速度.在人工模拟数据和真实数据上的实验结果表明了该算法的有效性.     

一种基于混合策略的孤立点检测方法

孤立点检测面临数据不平衡和代价敏感两个问题。利用改进的一类支持向量机对数据集进行重构,并结合代价敏感支持向量机提出了一种混合策略检测方法。首先在传统的一类支持向量机优化过程中设定不同权重,通过刻画超平面消除部分正常样本进而平衡数据集;重构过程保留了孤立点信息,同时能克服数据混叠现象。通过代价敏感支持向量机对样本进行训练,利用受试者工作特征分析作为评判依据搜索最优参数,进而调节阈值获得孤立点检测模型。仿真实验结果表明,本文方法能提高检测精度,同时有效降低总的误分类代价。     

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM).介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法.构建这种分类器时,先选用适当的隶属函数,构造核函数.然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则.最后,利用支持向量机学习方法,求出支持向量和规则的参数.这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生.用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性.     

一种基于Boosting的集成学习算法在不均衡数据中的分类

针对多类别不均衡数据的分类问题,从数据集的特征选择和集成学习两个角度出发,提出了一种新的针对不均衡数据的分类方法—BPSO-Adaboost-KNN算法,算法采用基于多分类问题的可视化的AUCarea作为分类评价指标.为了测试算法的性能,本文选取了10组UCI和KEEL选取的测试数据集进行测试,结果表明本算法在有效提取关键特征后提高了Adaboost的稳定性,在十组数据的分类精度上相比单纯使用KNN分类器有20%~40%不等的提高.在本算法和其他state-of-the-art集成分类算法对比中,BPSO-Adaboost-KNN能够取得较优或相当的结果.最后,本文将该算法应用到石油储层含油性的识别中,成功提取了声波、孔隙度和含油饱和度三个关键属性,在分类精度上相比传统分类算法有了大幅度提高,在江汉油田五口油井oilsk81~oilsk85上的分类精度均达到98%以上,比单纯使用KNN的精度高出了20%,尤其在最易错分的油层和差油层中有良好的分类效果.     

一种基于粗糙集理论的SVM短期负荷预测方法

在分析粗糙集理论方法与支持向量机方法的优势和互补性后,探讨了粗糙集与支持向量机的结合方法,提出了一种基于粗糙集数据预处理的支持向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势,减少支持向量机的训练数据,克服支持向量机方法因为数据量太大,处理速度慢等缺点。将该系统应用于短期负荷预测中,与BP神经网络法和标准的支持向量机方法相比,得到了较高的预测精度,从而说明了基于粗糙集理论方法作为信息预处理的支持向量机学习系统的优越性。     

储层含油性识别中ANN和GA融合的模糊规则提取

提出一种基于ANN和GA融合的自学习自适应的模糊规则提取算法,用来对油层进行识别.其方法是:首先运用人工神经网络(ANN)对训练样本进行有导师学习,网络的输入是测井属性,输出表达为网络权值和输入的函数Ψk=f(xi(WG1)ij,(WG2)jk)(其中:Ψk代表含油性类别Ck的判别函数;C1为干层;C2为水层;C3为差油层;C4为油层).然后,以Ψk作为遗传算法(GA)中的适应度函数提取对应于类别Ck的模糊规则.最后,通过某油田oilsk81和oilsk83油井的实证研究表明,该方法能够有效地识别储层的含油性.     

SVM和HMM相结合的合成孔径雷达图像目标识别

提出了一种支持向量机和隐马尔可夫模型相结合的合成孔径雷达图像目标识别方法。该方法用小波分解和主成分分析提取图像特征,生成特征向量。利用图像在方位角上的关系由特征向量生成图像的特征序列以及隐马尔可夫模型的训练序列。用支持向量机进行目标预识别,确定目标最有可能所属的两个类别,用隐马尔可夫模型在这两个类别中确定目标最终所属类别,完成目标识别。使用MSTAR数据库中的图像数据对该方法进行验证和分析,结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

最小二乘支持向量机在强化学习系统中的应用

将连续状态空间下的Q学习构建为最小二乘支持向量机的回归估计问题,利用最小二乘支持向量机良好的泛化以及非线性逼近性能实现由系统状态-动作对到Q值函数的映射。为了保证计算速度以及适应Q学习系统在线学习的需要,最小二乘支持向量机的训练样本是窗式移动的,即在Q学习系统学习的同时获取样本数据并进行最小二乘支持向量机的训练。小车爬山控制问题的仿真结果表明该方法学习效率高,能够有效解决强化学习系统连续状态空间的泛化问题。     

基于小波重构的动态过程LSSVM-BPNN在线智能监控模型

为实时监控动态过程的运行状态,提出基于提升小波变换和最小二乘支持向量机(LSSVM)及BP神经网络(BPNN)相结合的在线智能监控模型。采用提升小波变换提取原始数据的重构特征,并分别抽取重构后数据序列的均值、形状特征。利用基于提升小波重构特征的LSSVM判定动态过程是否异常,基于重构后均值特征的BPNN将5种异常模式划分为3个类别。通过基于重构后形状特征的LSSVM对3类异常模式进一步识别。最后,应用该模型对某精密轴加工过程进行在线智能监控。结果表明,与基于离散小波重构的BPNN模型、基于统计和形状特征的支持向量机模型相比,所提模型不仅识别精度高且训练耗时少。     

基于子类划分的SVM及水声目标识别应用

针对目标类空间的可分离性特点,研究了动态聚类与支持向量机相结合的基于子类划分的支持向量机.提出了以子类中心为基点度量训练样本惩罚度的方法.在采用动态聚类将目标类划分为子类的基础上,综合考虑训练样本与所属子类的距离、子类对所属目标类的隶属度及目标类间的关系,以度量不同训练样本的惩罚度.并应用于水声目标识别中,对两类舰船目标的识别情况进行了比较,实验表明效果好于经典支持向量机.     

基于支持向量机和子空间划分的波段选择方法

高光谱图像具有较高的谱分辨力,从而能够更精确地描述地物目标特性。然而,其较大的数据量和较高的数据维给分析和处理带来很大的困难。高光谱图像间存在着大量的冗余信息,波段选择能够有效地去除冗余信息从而减少计算量。针对一类波段选择方法所选取的波段易于集中而造成信息冗余和信息损失的缺陷,提出一种基于支持向量机和子空间划分的波段选择方法。首先对支持向量机判决函数进行敏感度分析和对数据源进行子空间划分,然后结合敏感度分析结果和子空间划分结果来实现有效的波段选择。实验证明了这种方法的有效性。