自训练半监督加权球结构支持向量机多分类方法

针对自训练半监督支持向量机算法中的低效问题,采用加权球结构支持向量机代替传统支持向量机,提出自训练半监督加权球结构支持向量机。传统支持向量机需要求解二次凸规划问题,在处理大规模数据时会消耗大量存储空间和计算时间,特别是在多分类问题上更加困难。利用球结构支持向量机进行多类别分类,大大缩短了训练时间,降低了算法复杂度。球结构支持向量机在不同类别样本数目不均衡时训练分类错误倾向于样本数目较小的类别,通过权值的引入,降低了球结构支持向量机对样本不均衡的敏感性,补偿了类别差异对算法推广性能造成的不利影响。在人工数据集和UCI(university of california irvine)数据集上的实验结果表明,该方法对有标记样本的鲁棒性较好,不仅能够提高效率,且分类精度也有显著提高。     

基于相对密度的加权一分类支持向量机

提出了以相对密度的方式给训练集样本赋予权值.位于数据分布边缘的样本具有较低的相对密度,而位于数据分布内部的样本具有较高的密度.对于位于数据分布内部的样本赋予较大权值,位于数据分布边缘的样本赋予较小的权值.由于噪声通常位于数据分布外部,因此本文的方法可以赋予噪声较小的权值,从而使算法对于噪声更加鲁棒.人工数据集和UCI标准数据集的实验结果表明,该法优于用libsvm实现的一分类支持向量机方法.     

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.     

支持向量机训练及分类算法研究

支持向量机(SVM)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,已广泛应用于模式识别与回归分析等领域。针对一些主要的SVM训练算法,比较它们的特点,阐述其中最有代表性的序列最小优化(SMO)算法及其多种改进算法,还讨论一些典型的支持向量机多分类算法及支持向量机多标注算法。最后,指出亟待解决的一些问题。     

基于加权近似支持向量机的文本分类

随着因特网的迅速增长,能够分类大规模文档的高效文本分类算法变得非常重要.该文提出一种基于加权近似支持向量机模型的文本分类算法,加权近似支持向量机对近似支持向量机作了改进,通过为每个训练误差增加一个权值和使用在原空间直接求解的算法,克服了近似支持向量机模型不适合不平衡数据分类和高维数据分类的缺点.试验结果表明,与标准支持向量机算法相比,该算法的分类质量与训练速度都有提高,是一种适合文本分类的高效算法.     

基于模糊机会约束的超球支持向量机

针对不确定数据多分类问题,提出一种基于模糊机会约束的超球支持向量机（FCC-HSVM）.在球结构支持向量机的基础上,引入模糊事件的可能性测度,得到模糊机会约束规划及其对偶规划.利用球结构的优点,每类样本只参与一个超球体的训练,直接求解多分类模型,提出FCC-HSVM的快速学习算法,显著缩短多分类情况下训练时间.数据试验表明：这种支持向量机分类精度较高,训练速度快,适合解决不确定数据多分类问题.     

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.     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

支持向量机在大类别数分类中的应用

研究支持向量机在大类别数分类中的应用;结合二叉决策树的基本思想提出一种基于支持向量机（support vector machine,SVM)的大类别数分类解决方法,即SVM决策树方法,对不同背景下可选用的SVM决策树的结构进行了讨论,分析了SVM决策树的特点,并对其识别错误率进行数学进行,结果表明该方法可降低平均分类错误率,对实际应用中的多类分类问题提供新的途径。     

用球结构的支持向量机解决多分类问题

支持向量机是从统计学习理论中导出的，从研究二分类开始，发展至今，虽然提出了很多多类别分类的相关算法，但都各有不足之处。提出基于球结构的支持向量算法，适用于规模比较庞大的多类别问题，并对其性质进行了讨论。     

基于支持向量机的图像分类

介绍了支持向量机(SVM)的基本原理,并将它应用于图像分类.提取多种视觉特征作为SVM的输入向量,比较单一视觉特征和综合视觉特征作为SVM输入向量时的分类性能.还比较了多项式核和高斯径向基核的分类效果.实验结果表明,混合特征明显优于单一视觉特征,高斯径向基核优于多项式核.     

用于不平衡数据分类的模糊支持向量机算法

作为一种有效的机器学习技术,支持向量机已经被成功地应用于各个领域.然而当数据不平衡时,支持向量机会产生次优的分类模型;另一方面,支持向量机算法对数据集中的噪声点和野点非常敏感.为了克服以上不足,提出了一种新的用于不平衡数据分类的模糊支持向量机算法.该算法在设计样本的模糊隶属度函数时,不仅考虑训练样本到其类中心距离,而且考虑样本周围的紧密度.实验结果表明,所提模糊支持向量机算法可以有效地处理不平衡和噪声问题.     

基于Huffman树的模糊多类支持向量机

针对二叉树多类分类方法存在的问题,提出了一种基于Huffman树的构造过程自下而上生成二叉树结构的方法.为降低二叉树方法"误差累积"的影响,使用模糊支持向量机来训练每个结点的两类分类器.针对设计隶属度函数时仅考虑样本与类别关系,而不考虑样本间关系的问题,提出了根据传统支持向量机构造的超平面做切球来确定样本间关系的方法,有效地区分了有效样本和噪音、孤立点样本.实验结果表明:同其他多类支持向量机方法相比,该方法具有更好的分类性能.     

基于小波变换和支持向量机的音频分类

音频特征提取是音频分类的基础,而音频分类又是基于内容的音频检索的关键。使用小波变换和支持向量机的方法对音频进行分类。研究了小波变换域的音频特征提取,分析了这些特征在小波变换域中的意义。把得到的特征向量作为支持向量机的输入,把音频分成纯语音、带背景音乐的语音、音乐、环境音4种类型。实验结果表明,基于小波域的特征计算简单、能够较好地区分不同的音频类型,得到较高的分类精度。     

支持向量机回归与v-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价.     

核PCA支持向量机算法研究

在核函数基础上,提出了一种融合支持向量机和核主元分析的核PCA支持向量机综合集成分类方法,给出了算法实现步骤。仿真实验表明了该算法具有很好的分类性能,特别适合于消除噪声情形的模式识别问题。     

基于支持向量分类机的结构可靠度分析

本文将支持向量分类机(SVC)引入到结构可靠度计算分析中,采用拉丁超立方抽样法进行初始输入训练样本的实验设计,将支持向量分类机作为响应面函数,并利用遗传算法进行参数优化,最后结合蒙特卡罗模拟提出了基于支持向量分类机的改进响应面法,其主要思想为：定义“重要性”判定函数,在迭代过程中,按判定函数值从抽样样本中选取新的训练样本,使支持向量分类机的模拟功能函数在对失效概率有较大贡献的区域内能更进一步地接近真实功能函数,从而大大提高可靠度分析的精度以及效率。     

一种基于混合聚类和支持向量机的用电数据分类算法

用电数据分类是判断线路电量是否异常的重要方法.由于计量监测终端获得线路上的实时数据存在不明显的差别,而且目前尚未有较好的算法来区分这种差别,因此,针对用电管理过程中的不可预知性,根据线路上实时用电数据的特点,提出了首先利用聚类算法对电量数据进行预处理,然后使用支持向量机进一步优化分类结果的算法.计算结果表明,该算法提高了用电数据分类的准确性,降低了训练的复杂度.