一种改进的人工蜂群算法优化的支持向量机

为了改善现有支持向量机(Support Vector Machine)的机器学习效果依赖于参数选择,而参数选择通常依赖于经验的问题,在现有基础上,本文结合一种称为骨架人工蜂群算法(Bare-bones Artificial Bee Colony)的改进的人工蜂群算法对支持向量机的2个参数进行优化,并对该优化结果进行试验。试验结果表明,改进的支持向量机的准确率、识别速度均优于原本的支持向量机。     

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。     

基于幂级数构造的超核支持向量机的性能研究

依据模式识别中核函数的相关理论，具体地构造了一种基于幂级数构造的超核函数，并将该超核应用于支持向量机中．实验结果证明了基于幂级数构造的超核支持向量机的优越性能．     

基于幂级数构造的超核支持向量机的性能研究

依据模式识别中核函数的相关理论,具体地构造了一种基于幂级数构造的超核函数,并将该超核应用于支持向量机中.实验结果证明了基于幂级数构造的超核支持向量机的优越性能.     

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.     

基于模糊支持向量的判别分析

针对分类过程中噪声影响问题,提出了基于模糊支持向量的判别分析法。利用基于马氏距离的模糊c均值算法,对每个训练样本点赋予不同的隶属度。将模糊支持向量机与Fisher判别法相结合,达到降维去噪的目的。实验结果表明:提出的分类方法的错分率明显低于其他的方法,而且能减轻噪声对分类的不良影响,从而证明算法的有效性。     

基于支持向量机的数字水印算法综述

对基于支持向量机的数字水印算法做了概要性的介绍,由于支持向量机可以通过有限的训练集样本得到小的误差,从而提高学习的泛化能力,因此支持向量机在版权保护领域有很好的应用效果．对基于支持向量机的数字水印技术的相关概念和现有算法进行了描述与分析,另外,对基于支持向量机的数字水印技术的未来发展方向和前景进行了预测．     

基于小波支持向量机的金融预测

基于小波分析与支持向量核函数理论构造了一个小波支持向量机(WSVM),用以预测金融时间序列的波动率.与采用高斯核的标准支持向量机相比,由于小波核结合了小波分析的多分辨特性,因此可以更好地逼近任意非线性函数.仿真实验表明,小波支持向量机在股指收益波动率预测中具有较好性能.     

基于支持向量机的文本分类技术研究

介绍了文本分类的基本过程,讨论了常用的文本分类方法如K-最近邻分类算法K-NN(K-Nearest Neighbors,K-NN)、朴素贝叶斯分类算法NB(Naive Bayesian Classifier,NB)、决策树分类算法DT(Decision Trees,DT),并探讨了基于支撑向量机SVM(Support Vector Machines,SVM)的文本分类基本原理及方法.     

基于粗糙集与支持向量机的Web文本分类

Web文本分类是Web数据挖掘的一个重要研究方向,它是在通过经验数据训练得到的分类体系下,根据网页的文本内容自动判别网页类别的过程,本文提出一种综合粗糙集与支持向量机的Web文本分类模型,利用粗糙集的属性约简方法,减少支持向量机训练数据的维数,提高Web文本分类的性能与效率．     

基于支持向量机的多特征选择目标跟踪

目标判别跟踪方法一般以单一跟踪结果(正样本)和部分负样本训练分类器,并只用单一的特征描述目标,因此在目标发生遮挡、光照变化、形变等情况下很容易导致跟踪的失败. 为了克服单一正样本和单一特征训练的分类器导致跟踪不稳定的问题,提出一种基于支持向量机的多特征描述、多个正负样本进行分类器训练的目标跟踪方法,用训练分类器对所有候选粒子的不同特征进行判别和选择,并将具有最大置信概率的粒子确定为跟踪结果. 在跟踪过程中,利用子空间学习的方法实现正样本的更新,并以更新后的正负样本训练分类器. 实验结果表明,该方法在目标存在遮挡、光照变化、形变等情况下均可以取得较好的跟踪效果.     

基于抗非线性SVM的几何整形可见光通信系统

非线性效应限制是高速可见光通信系统性能提升的一大瓶颈问题,为此提出将支持向量机(support vector machine, SVM)监督学习算法应用于几何整形可见光通信系统接收信号星座点的分类判决,将信号的同向分量和正交分量作为特征向量,建立最优分类界面,以降低非线性条件下星座点变形带来的符号误判,同时比较几种几何整形设计的性能.仿真分析和实验结果表明,SVM提升了非线性条件下系统的性能,在数据速率为1.2 Gbit/s的高速可见光通信传输中,圆-169几何整形16正交幅度调制(quadrature amplitude modulation,QAM)的符号误码性能最优.     

改进支持向量机分类方法及其在原发性肝癌筛查中的应用

为了尽早检测出原发性肝癌患者,辅助医生进行医疗决策,提高患者临床疗效,提出一种基于临床常规检验指标的筛查方法。该方法使用支持向量机建模,采用差异进化算法进行参数优化,以接收者操作特征曲线下面积的值作为模型评价测度,将得到的最优模型用于检验数据识别,以判断该数据属于健康、良性病变还是原发性肝癌。此外,还根据临床需求绘制分类模型的性能指标曲线和阈值查找表,由用户选择阈值,使预测性能进一步提升。实验结果表明：与其他5种分类方法相比,该方法建立的模型具有更好的性能,其准确度可达0.94,Kappa系数可达0.90。研究结果可辅助医生进行原发性肝癌早期筛查,提高患者长期生存率。     

基于SVM的直升机飞行状态识别

针对直升机飞行状态识别训练样本数据少而导致识别率不高的问题,提出一种基于支持向量机(support vector machine,SVM)的直升机飞行状态识别方法.首先利用限幅、去野点和均值滤波对飞行数据进行去噪,用最小二乘法对飞行数据进行直线拟合获取变化率,并根据线性相关性提取状态特征参数,以减少数据冗余;然后根据特征参数将飞行状态分为10小类,对每一小类进行SVM分类器设计以提高识别效率;最后利用训练样本训练每个SVM分类器,用训练好的SVM分类器识别直升机全起落飞行状态.通过某型直升机实飞数据进行飞行状态识别实验,并将所提出的方法与RBF神经网络法进行对比,所得结果表明该方法在小样本情况下的识别率有明显提高,可为直升机故障诊断和寿命预测提供依据.     

数控机床力-几何误差的PSO-SVM建模

为了提高数控机床几何误差建模精度,改进补偿效果,先用测力环等仪器模拟施加并测量机床主切削力,再用激光干涉仪同步测量机床俯仰角和偏摆角误差. 根据粒子群优化算法(particle swarm optimization,PSO)优化支持向量机(support vector machine, SVM)的相应参数,并以实际测量数据进行训练,从而建立
了PSO-SVM力-几何误差预测模型. 实际试验表明,PSO-SVM误差预测模型输出的偏摆角误差预测值与实测数据的最大差值仅为0.6 μrad,俯仰角误差预测值与实测数据的最大差值仅为0.21 μrad,远小于利用BP神经网络以及常规方法优化的SVM所建立的力-几何误差预测模型的误差,因此该模型可用于数控机床几何误差的高精度实时补偿.     

相同步及支持向量机在意识任务识别中的应用

提出一种衡量相同步方法,用于提取与想象运动相关的脑电信号特征量,并用支持向量机作为分类器对意识任务进行分类.特征提取与分类结果证明了该方法的有效性.     

支持向量机算法在若干熔盐相图中间相预报中的应用

用支持向量机(SVM)算法与原子参数方法相结合预报了KNO₃-KBr、KNO₃-KI、Cs,Li,Er Cl等含卤化物系的中间化合物形成情况.若干预报已得到实验证实.用留一法对比了SVM算法和若干传统的模式识别算法对AX-BX系和AX₂-BX₂系形成中间化合物,含稀土氯化物的盐系形成A₃B₂C₁₉型和A₂BCl₅型化合物等的预报正确率,结果表明:SVM算法所建立的数学模型的预报正确率比Fisher法和KNN法高.     

利用粒子滤波与支持向量机的数字混合信号单通道盲分离

针对基于粒子滤波盲分离算法运算复杂度高的问题,将支持向量机理论引入到粒子滤波算法中,提出一种数字调制混合信号单通道盲分离算法. 确定了算法中粒子权值更新方法,并给出了参数与符号序列的后验概率密度估计. 从后验概率密度估计的统计特性和运算复杂度两个方面详细分析了算法的性能,并从理论上证明该文给出的后验概率密度估计能很好地逼近真实后验概率密度. 理论分析与仿真结果均表明,与基于粒子滤波的盲分离算法相比,算法在误码率性能相当的情况下,有效缩短了运算时间.     

(Zr0.7Sn0.3)TiO4陶瓷性能预报的支持向量回归模型

将支持向量回归方法用于(Zr0.7Sn0.3)TiO4陶瓷的配方性能关系研究中,分别建立了(Zr0.7Sn0.3)TiO4陶瓷介电常数和损耗角正切的支持向量回归模型,并与逆传播人工神经网络、多元线性回归模型进行了比较.用留一法分别检验了支持向量回归、逆传播人工神经网络和多元线性回归3种不同模型的预报能力,结果表明:上述3种模型对于(Zr0.7Sn0.3)TiO4陶瓷介电常数的留一法预报的平均相对误差分别为1.083%、1.632%、1.931%,对于损耗角正切的留一法预报的平均相对误差分别为0.999%、1.746%、1.414%.因此,支持向量回归模型的预报能力较好,可望在陶瓷配方设计中的多变量、非线性问题和小样本体系中发挥较好的作用,为新型介电陶瓷的性能预报和配方优化提供一条全新可靠的途径.