一种提高SVM分类速度和泛化性的新方法

提出了一种改进的支持向量分类方法,根据支持向量机中支持向量不会出现在两类样本集间隔以外的正确划分区的理论,通过引入类质心,类半径,类质心距等概念,从而较好地解决快速而准确的删除非支持向量的问题,引入了类向心度的概念,解决了当两类样本集混淆严重的时候如何更加精确的进行剔除混淆点,保证算法泛化性的问题。实验表明,采用这种改进的算法既能快速精确的对训练样本进行删减又可以当两类训练样本集混淆较严重时较好的解决泛化性问题。     

一种基于SVM的网页层次分类算法

设计了一种基于统计的多层次分类算法:在一个树状的层次分类体系中,对文档进行自动分类时,首先从根结点开始找到对应的大类,然后递归往下直到找到对应的最底层子类.每一层中使用支持向量机作为分类模型,并使用类别均衡的方法解决数据稀疏的问题,在经过大规模网页语料训练后取得了很好的分类效果.     

SVM网页分类中一种新的特征提取方法

随着互联网的迅速发展,对网页正确分类显得越来越重要。网页分类的一个难点就是特征空间的维数比较大,支持向量机(SVM)分类方法显示出比其它分类方法更好的性能,但是训练样本时却花费了比其它算法更多的时间。本文提出了一种基于选择最确信的词来预测一个文本的类别的特征提取方法,通过中文文本实验,结果表明在不降低分类准确性的前提下,缩短了训练时间。     

一种基于正例的SVM分类方法

文本分类属于有指导的机器学习,而构造一个按兴趣分类的分类器,需要进行大量的预处理工作收集正负训练样例,但负样例的收集难度很大.为此,提出了一个只有正例并基于SVM的分类学习模型.实验表明,该学习模型满足了文本分类对于分类精度和速度的要求.     

基于二叉树SVM的指纹分类算法

对预处理后的指纹图像进行分类相关算法研究，提出一种无需迭代的指纹参考点定位方法，该算法具有简单、快速、效果好的优点；基于指纹方向场的半区域特征提取方法，采用二叉树结构的支持向量机多分类策略解决指纹的多分类问题．实验表明，分类精度良好．     

基于SVM的分类方法综述

本文介绍了文本分类的起源,常用的几类文本分类方法及基于SVM(Support Vector Machines)文本分类的基本原理和方法。并在分析文本分类的特点的基础上比较了在文本分类中应用SVM的优势及存在的问题。最后总结出了SVM在文本分类中应用的两个主要研究方向。     

基于SVM的Web文本分类

支持向量机是建立在统计学习理论的VC维理论和结构风险最小原理基础上发展起来的一种新的机器学习方法。它是在有限样本的基础上,在训练复杂度和学习能力之间寻求折中,以期望获得较好的推广能力。支持向量机具有理论完备、适应性强、全局优化、训练时间短、泛化性能好等优点,已经成为目前国际、国内研究的热点。国际上己经有一很多关于SVM的研究报道,SVM在很多方面都有成功应用实例,如粒子鉴定、脸谱识别、文本分类、生物信息、商用数据库。本文主要探讨在Web文本的分类。     

一种基于RS和SVM的目标对象的性能分类方法

提出了一种基于粗糙集(RS)和支持向量机(SVM)的目标对象的性能分类方法,该方法将RS和SVM结合在一起对性能进行分类．在分类之前,首先利用RS对属性进行约简,将约简后的属性作为输入端输入到SVM中进行训练,再用训练好的SVM对测试集进行测试．测试结果表明,该方法分类的精度比较高,速度比较快．     

网络入侵检测中一种新型SVM特征加权分类方法

在SVM的网络入侵检测中,发现不同的网络数据特征对分类结果的影响程度不同,针对这一问题,提出了一种新型SVM特征加权分类方法,以获得更好的最优分类面.该方法对分类影响较大的数值特征的值进行指数加权变换,使得原来处于分类面附近被错分的样本得到了纠正.实验表明该方法明显增加了分类正确的样本数,并有效提高了检测精度.     

SVM及其在文本分类中的应用

文本分类是指按照预先定义的主题类别，为文档集合中的每个文档确定一个类别，文本分类是文本挖掘的一个重要内容。本文分别介绍了文本分类技术和支持向量机的概念，并阐述了支持向量机（SVM）在文本分类中的应用及其发展趋势。     

一种新的动态SVM选择集成算法

针对动态选择集成算法存在当局部分类器无法对待测样本正确分类时避免错分的问题,提出基于差异聚类的动态SVM选择集成算法。算法首先对训练样本实施聚类,对于每个聚类,算法根据精度及差异度选择合适的分类器进行集成,并根据这些分类器集成结果为每个聚类标定错分样本区,同时额外为之设计一组分类器集合。在测试过程中,根据待测样本所属子聚类及在子聚类中离错分样本区的远近,选择合适的分类器集合为之分类,尽最大可能的减少由上一问题所带来的盲区。在UCI数据集上与Bagging-SVM算法及文献［10］所提算法比较,使用该算法在保证测试速度的同时,能有效提高分类精度。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库，在加快训练速度、降低分类错误率等方面有改进的SVM流行算法．在分析各种算法优缺点的基础上，提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点．     

一种新的模糊支持向量回归方法

为克服传统的模糊支持向量机隶属度函数都是基于样本与类中心距离进行设计所带来的局限性问题,提出了基于样本到超平面距离的新隶属度函数设计方法。该方法从支持向量机的回归本质出发,通过更加合理地设计隶属度函数,提高支持向量机的回归的泛化鲁棒能力。仿真结果证明,该方法具有更好的鲁棒性,提高了模糊支持向量机的泛化能力。     

基于改进SVM的车辆传动系统故障诊断方法

利用车辆传动系统试验数据对车辆进行故障诊断和性能评价可以实现车辆故障预警,提高可靠性,从而提高车辆性能,但测试数据有数据量大、不平衡、维度高、噪声多的特征,使得传统数据分析算法会产生次优的分类模型.针对上述问题,提出了一种改进的不平衡数据分类支持向量机算法.该算法赋予各样本不同的权值,用马氏距离改进模糊隶属度的设计以排除变量相关性干扰,同时可以输出正常状态下的故障概率.实验结果表明,该算法能够有效提高故障诊断的准确性,概率输出模型可用于故障预警和性能分析.      

基于 SVM 新的情感计算方法

传统的情感计算方法主要基于面部表情和肢体动作的变化, 为解决此类方法存在的主观性问题, 以人在 正性和负性情感下的 EEG(Electroencephalagrams)信号作为研究对象, 使用中国情感图片系统, 设计了测试者 观看情感刺激图片的实验, 使用支持向量机算法对数据进行分析, 并根据实验的实际情况提出了将连续的 12 条数据分为一组, 采用其均值进行计算的方法。 实验结果表明, 该方法的识别准确率达到 73. 33%。 这不仅 提供了一种减少情感产生时延导致误差的方法, 同时也为脑电波的分析和优化提供了参考。     

基于SVM的人脸识别方法研究

在人脸的特征提取及分类识别实验中,使用K-L变换提取了人脸图像的数字特征,用SVM进行分类识别,对40个人的280幅图片构成的训练样本集构造基于支持向量分量的两个不同核函数的分类器。对这40个人的其他120幅图片构成的测试样本集分类,两种分类器分别取得了9.83%和10.08%的分类错误率,分类器达到了很好的效果。     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。     

改进SVM及其在时间序列数据预测中的应用

运用标准支持向量机预测海量金融时间序列数据会出现训练速度慢、内存开销大的问题,文中提出一种分解合作加权的回归支持向量机,将大样本集分解成若干工作子集,分段提炼出支持向量机,同时根据支持向量的重要性给出不同的错误惩罚度,并将其应用于证券指数预测．与标准算法相比较,文中方法在保证泛化精度一致的前提下,极大地加快了训练速度．     

一种基于卫向量的简化支持向量机模型

针对支持向量机(SVM)在处理大规模训练集时,训练速度和分类速度变慢的缺点,提出了一种基于卫向量的简化SVM模型.用对偶变换及求解线性规划方法提取卫向量,缩小训练集规模;在此基础上对训练得到的支持向量集,用线性相关性去除冗余支持向量,从而达到简化目的.对UCI标准数据集的实验表明:在保证不损失分类精度的前提下,该模型一定程度上改进了传统SVM,缩短了学习时间,取得了良好的效果.