基于支持向量机的教学质量评价研究

支持向量机是一种新的机器学习算法,由于出色的学习性能,以及在小样本识别等许多方面有其独特的优势,现已应用在许多领域．目前,高校对教学质量越发重视,如何客观、准确、方便地评价教学质量是一个值得研究的课题．结合目前教学质最评价研究现状,提出了一个基于SVM的评价模型,经检验该模型能够获得较为理想的评价结果．     

基于支持向量机的经济效益综合评价

为了对企业经济效益做出客观准确的评价,本文提出支持向量机的经济效益综合评价。支持向量机是基于结构风险最小化原理的一种学习技术,是一种具有很好泛化能力的评价工具。利用支持向量机对经济效益进行评价,以改善传统评价方法结果的不合理性。试验结果表明支持向量机的评价结果更符合实际,结果更加科学合理。并与人工神经网络结果进行比较,充分体现了该方法的优越性。     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

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。     

粒度支持向量机学习模型

粒度支持向量机(Granular Support Vector Machine,GSVM)是以粒度计算理论和统计学习理论为基础的一种新的机器学习模型,它可以有效地克服传统支持向量机(Support Vector Machine,SVM)对于大规模数据集训练效率低下的问题,同时也可获得较好的泛化性能.文章针对原空间的GSVM模型进行了分析,提出了核空间的GSVM学习模型,在标准数据集上的实验说明了文中提出模型的有效性.     

基于最小二乘支持向量机的教学质量评价模型

教学质量评价是教育教学中重要的工作,评价工作的核心是建立评价模型。本文利用最小二乘支持向量机这种新的机器学习工具,建立了教学质量评价模型,并与BP神经网络建模比较,分析表明模型在泛化能力、收敛速度和最优性均优于神经网络模型。将模型用于教学质量评价中,既克服了专家在评价过程中的主观因素,又得到了满意的评价结果,具有广泛的适用性。     

基于支持向量机的课堂教学质量评价

对课堂教学质量及时、客观、准确的评价有助于及时发现教学过程中存在的问题,也是提出整改措施、实施教学管理的重要前提。传统的课堂教学质量评价方法存在着主观性大、计算繁琐以及时效性差等问题。文章在分析和研究了多种课堂教学质量评价方法的基础上,提出了基于支持向量机的课堂教学质量评价模型。理论和实验表明,该模型具有较好的评价效果,同其它方法相比,具有评价精度高、实现速度快及可操作性强等特点,适合对高校教师课堂教学质量的评价。     

关于改进的支持向量机的研究

支持向量机是一种基于统计学习理论和对偶理论的分类和函数估计方法,其推广能力强和全局最优的特点引起了学者的广泛关注。本论文对目前所提出的各类改进的支持向量机进行了初步的研究和分析。     

基于支持向量机的缺陷识别方法

针对缺陷检测存在的检测手段落后、工序繁琐、准确率低、不易在线实施、受人为因素影响，以及用人工神经网络对小样本事件进行缺陷识别存在的过学习、推广性差等问题，从数据挖掘的角度，提出了直接从形成缺陷的影响因素着手，先消除工艺参数的冗余和噪声，再运用支持向量机分类算法，进行自动缺陷识别的新方法。通过具体的试验表明：该方法具有成本低廉、准确率高、推广性强、容易在线实施等技术优势。     

基于支持向量机的ERP软件供应商选择

为了选择合适的ERP软件供应商,提出了一种基于支持向量机建立ERP软件供应商评价系统的方法,给出了ERP软件供应商评价指标体系及具体量化方法,采用支持向量机的分类策略建立ERP软件供应商的评价模型,最后通过一个中型造纸企业对ERP软件供应商选择的实例证明了基于支持向量机的ERP软件供应商评估系统的可行性和实用性。     

支持向量机增量学习算法综述

支持向量机增量学习算法,有效的解决了因数据集庞大而引起的内存不足问题,改善了因出现新样本而造成原分类器分类精度降低、分类时间延长的局面。本文阐述了几种具有代表性的增量学习算法,比较了它们的优缺点,给出了进一步的研究方向。     

基于支持向量机的多类形状识别系统

支持向量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法,文中研究了支持向量机的分类机理,并将其应用于形状识别中,利用一对一判别策略构建了多类形状识别系统,实验中以交通标志图像为实验对象进行分类,结果表明该方法的泛化能力优于一般的识别方法。     

基于SVM的CVE漏洞分类框架构造

针对CVE字典缺少分类和归纳能力,无法为多重系统漏洞设计有效防御策略的局限,提出了CVE分类器的CVE漏洞分类框架.该CVE分类器根据不同的分类特征对CVE进行分类,在支持向量机的帮助下,CVE分类器自动地从相关的漏洞数据库（包括BID,X-Force和Secunia）中抽取训练数据,并基于该训练数据为分类特征建立学习模型.     

GASA-SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机(SVM)参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法SA的概率突跳特性,提出一种改进的基于遗传退火算法(GASA)混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明:应用GASA-SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

基于SVM分类器的癫痫脑电时空特征提取方法的研究

癫痫发作具有突发性和反复性,给患者的生命安全带来巨大隐患。为了给患者提供有效的预警,结合时间和空间两个维度,选取模糊熵和皮尔逊相关性作为特征参数,分别衡量时序信号复杂度和空间通道间的相关性; 利用F-score筛选出最优特征组合,既增加了预测的准确率又去除冗余信息; 利用支持向量机(support vector machine,SVM)分类器识别癫痫发作前期和发作间期的颅内脑电信号。为验证该特征的预测效果,进行了模糊熵或皮尔逊相关性单独作为特征参数的对比试验。实验结果表明,与单一特征相比,时空特征的预测效果更好,准确率高达91.26%,误报率仅为2.32%。该方法能有效提取癫痫特征信息,为癫痫的临床预警提供新思路。     

核向量机算法研究及应用

对训练样本规模为m的标准支持向量机(Support Vector Machine,SVM)进行训练,时间复杂度为O(m3),空间复杂度为O(m2)。文章研究将其转换成等价的最小包含球(Minimum Enclosing Ball,MEB)形式,使用核心集向量机(Core Vector Machine,CVM)高效获得近似最优解。CVM的优点是时间复杂度与训练样本规模m呈线性关系,空间复杂度与m无关。实验证明,CVM可以对大规模数据集进行高效的分类。     

基于SVM与GA的银行贷款风险评估研究

进行基于支持向量机的贷款风险评估研究,在训练向量空间中找到一个分类超平面,使向量分类具有较小的错误率,并获得较强的可扩展能力。从理论分析与实验对比可知,采用遗传算法可使其收敛到全局最优参数,确保支持向量机的分类和扩展的性能达到最优。在平均执行时间小于1s内获得的高于94．3％正确率的实验结果验证了本算法的正确性与有效性,同时也表明支持向量机在小样本特征空间分类中所具有的优良性能。     

高光谱遥感信息智能处理的若干理论与技术问题

高光谱遥感信息处理自动化与智能化具有重要的理论意义和实用价值。作为有效的机器学习算法,支持向量机具有适用高维特征、小样本与不确定性问题的优越性,是一种极具潜力的高光谱遥感分类方法,但需要解决多类问题分类策略、核函数选择与优化、不确定性控制等问题。对高光谱遥感数据挖掘的若干基本问题进行了分析,在构建其框架体系与处理流程的基础上,探讨了可以发现的知识类型、典型的挖掘模式,并分析了一些主要挖掘算法和关键技术。     

基于对应分析的支持向量机分类研究

提出了基于对应分析的支持向量机分类模型。该模型通过对应分析可以同时对变量及样本进行降维和消除相关性,从而在降低SVM训练时间的基础上有效地提高了SVM的分类精度。实验结果表明该方法是可行的。     

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。