一种新的二叉树SVM多分类算法

在二叉树结构支持向量机(SVM)多分类算法的基础上,针对二叉树算法中点和叶盲目划分的问题,提出了一种新的二叉树SVM多分类算法.该算法通过标记划分的方法,一方面解决了盲目划分的问题,另一方面大大减少了子分类器的数目,大幅度提高了算法的速度.实验结果表明,该算法具有一定的优越性.     

基于最优二叉树的多故障分类器的设计

在分析常见多故障分类器的基础上,提出了基于故障优先级和核函数的聚合技术,利用这个方法生成一个基于最优二叉树的多故障分类器.该分类器是通过核函数具有将非线性问题线性化的特点生成聚类函数,然后通过各个故障的优先级生成最优二叉树.最后将此分类器应用在挖掘机故障诊断中.应用结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让后果较严重的故障得到优先诊断.     

基于安全的多故障分类器设计

为解决常用多故障分类器未考虑到各个故障造成的后果严重性问题,提出了基于故障优先级和核函数的聚合技术,采用这个方法生成1个基于最优二叉树的多故障分类器.该分类器利用核函数具有将非线性问题线性化的特点,生成了聚类函数,再通过各个故障的安全优先级生成最优二叉树,最后将此分类器应用于挖掘机的故障诊断中.应用及实测结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让可能产生较严重后果的故障得到优先诊断.     

一种基于AdaBoost的SVM分类器

针对AdaBoost的分量分类器的分类精度和差异性互为矛盾、以至于该矛盾的存在降低了AdaBoost算法的分类精度和泛化性的问题,提出了一种变σ-AdaBoostRBFSVM算法,通过根据训练样本调整各个分量分类器的核函数参数值,使分量分类器在精度和差异性之间达到一定的平衡,从而提高了集成分类器的分类精度和泛化性。对标准数据集的分类实验结果表明了算法的有效性。     

SVM-KNN 分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率.实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%.     

SVM-KNN分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率。实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%。     

基于改进GM(1,1)和SVM的长期电量优化组合预测模型

针对中长期电量预测可使用的相关历史数据较少、影响因素较为复杂等特点,提出一种基于改进GM(1,1)和支持向量机的优化组合预测模型.该模型将改进灰色预测模型和支持向量机模型进行组合,采用蛙跳寻优算法求取组合预测模型中各单一模型的权重,构建基于蛙跳优化的组合预测模型.将优化后的组合预测模型应用于我国中长期电量预测,选择我国1991-2005年电量进行分析,对2006-2010年的电量进行预测,并与一般组合预测模型及各单一模型进行比较.研究结果表明:本文方法得到的电量平均相对误差为2.06％,比等权组合预测模型、方差－协方差优选组合预测模型以及各单一预测模型的预测精度都有所提高.     

基于灰色理论与支持向量机组合的旅游数据预测模型研究

旅游数据分析对于促进我国各地区的旅游经济发展和文化交流都有着重要的意义.由于旅游数据的"小样本、贫信息、不确定"特性,旅游市场可以看作是一个巨大的灰色系统.但是由于传统灰色预测方法存在一些理论缺陷,无法准确的预测旅游收入等数据,为了提高旅游数据的预测精度,为政府和旅游部门决策提供支持,将灰色模型与支持向量机模型通过最优权组合,将组合预测模型应用于旅游数据的预测,并以泰安市旅游数据为例,得到较好的预测结果.     

融合样本选择与特征选择的AdaBoost支持向量机集成算法

为提高AdaBoost分类器集成算法的分类精确度并简化分类系统的复杂度,提出一种融合样本选择与特征选择的AdaBoost支持向量机集成算法(IFSelect-SVME)。该算法在AdaBoost算法的每个循环中利用加权免疫克隆样本选择算法进行样本选择,并用互信息顺序向前特征选择算法进行特征选择,再利用每个循环优化选择得到的特征样本子集训练个体SVM分类器,并对其进行加权集成,生成最终的决策系统。对实验所用9组UCI数据集的仿真结果表明:与支持向量机集成(SVME)算法相比,IFSelect-SVME算法的正确分类率有所提高,且样本数可减少30.8%~80.0%,特征数可减少32.2%~81.5%,简化了集成结构,缩短了测试样本的分类时间,所得到的分类系统具有更好的分类精度。     

基于AP算法支持向量机的设计与应用

设计一种基于AP聚类算法和SVM分类器相融合的新的混合分类器, 使用AP聚类算法优化数据集, 得到了高质量、 小样本的SVM分类器训练集. 实验结果表明: 与传统的SVM分类器相比, 混合分类器具有更高的分类精度; 在心脏病预测上, 该分类器的效果较好.     

基于支持向量机的人脸识别身份验证技术研究

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。由于支持向量机的推广性取决于核函数参数与误差惩罚因子的选择,为此采用思维进化算法对其参数进行优化选择,提出支持向量机与思维进化算法相结合的新型算法进行分类识别,算法解决了支持向量机参数选取的难题,利用ORL人脸库进行仿真实验,结果表明,基于改进的支持向量机的人脸识别技术识别效率高、方法有效。     

基于灰色关联度分析和支持向量机 回归的沥青路面使用性能预测

沥青路面使用性能多因素预测是一个复杂的非线性问题,传统预测模型存在很多不足。为弥补传统模型的缺陷,建立一个高精度、长周期、多因素的预测模型,通过灰色关联度分析对各因素进行降维处理,选择与沥青路面使用性能关联度较大的影响因素进行支持向量机回归非线性预测,提出了基于灰色关联度分析和支持向量机回归(GRA-SVR)的沥青路面使用性能预测模型。最后选用广云高速实测车辙指数(RDI)值进行实例验证,并同GM(1,1)和PPI两种模型的预测结果进行了对比分析。结果表明:基于GRA-SVR建立的多因素预测模型具有很好的精度和可操作性,可在长周期过程中使用,为大数据养护决策提供了模型参考和依据。     

最小二乘支持向量机的一个快速近似算法

最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)已成功地应用于许多分类问题上,但由于其解不具有稀疏性,该方法无法应用到大数据集的学习与测试上.提出了LS-SVM的一个快速近似HBILS-SVM算法.该算法结合Backfitting与Invfitting法则迭代增加或减少一个支持向量,这一过程重复直到满足给定的停止条件,从而构建出最终的分类决策函数.对比已有的稀疏化算法,HBILS-SVM算法的计算复杂度低,解更加稀疏,且支持向量更具有全局最优性.数值模拟试验表明:HBILS-SVM算法能在取得同样的泛化性能的前提下使得分类器更加稀疏.     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.     

气象过程信息挖掘与输电线路覆冰预测

针对现有覆冰预测回归模型以采样点气象参量预报覆冰值的局限性,提出了一种改进的基于气象过程信息挖掘的覆冰预测方法。按线路覆冰增量将气象参量样本分为覆冰增长、维持、消融3个模糊模式类别,定义了以气象参量样本与模式类别中心的马氏距离为变量的隶属度函数,并在计算马氏距离时采用灰色斜率关联度确定各气象参量的权重。基于此,将隶属度与采样点气象参量结合,形成包含覆冰气象过程信息的高维历史数据样本,采用支持向量机进行覆冰回归模型的训练与预测。算例比较了现有的神经网络、支持向量机预测方法与提出的改进预测方法,结果表明,前两者预测的相对误差均值分别为24.50%和22.66%,而改进的预测方法相对误差均值为6.62%。考虑气象过程信息挖掘的覆冰预测模型具有更高的预测精度。     

基于AMESim和LS-SVM的高压共轨系统建模与仿真

为了提高高压共轨压力预测模型的精确性,采用AMESim软件建立了柴油机高压共轨仿真模型.利用灰色关联分析方法对共轨压力影响因素进行理论分析计算,并确定了高压共轨压力预测模型的输入输出变量;然后利用最小二乘支持向量机对共轨压力与主要的影响因素之间的数值关系进行了智能拟合,并利用自适应粒子群算法优化了最小二乘支持向量机的初始参数.通过20个预测样本的检测,最小二乘支持向量机模型的最大预测误差为0.079 1,平均相对误差降至0.039 6,其性能明显优于BP神经网络.     

基于最优加权法的改进交通流组合预测研究

分析了交通流由线性和非线性部分组成,使用ARIMA模型、指数平滑模型和灰色模型对线性部分进行预测,并且以预测误差平方和最小为准则确定这3个模型预测结果的最优加权系数,得到这3个模型的最优组合,最后对非线性残差部分使用支持向量机模型进行预测.通过实例分析发现,组合预测模型相比单个预测方法具有更高的精度,能够较准确地对交通流进行预测.     

基于CCIPCA-LSSVM的文本自动分类算法

特征具有高维、稀疏性。为提高了文本自动分类准确率,针对PCA提取特征需要对大规模文本进行批处理,影响文本的准确率等,提出一种基于增量主元分析方法(CCIPCA)和最二小乘向量机(LSSVM)相结合的文本自动分类算法(CCIPCA-LSSVM)。首先通过互信法选择文本特征,然后采用CCIPCA高维文本特征进行提取,降低特征维数,消除冗余特征,最后采用LSSVM对提取特征进行学习,并通过粒子群算法对分类器优化,建立最优文本自动分类模型。仿真结果表明,相对于其它文本分类算法,CCIPCA-LSSVM提高了文本分类准确率和召回率,解决了文本特征提取过程存在的难题。     

Support vector machine based on chaos particle swarm optimization for fault diagnosis of rotating machine

The performance of the support vector machine models depends on a proper setting of its parameters to a great extent. A novel method of searching the optimal parameters of support vector machine based on chaos particle swarm optimization is proposed. A multifault classification model based on SVM optimized by chaos particle swarm optimization is established and applied to the fault diagnosis of rotating machines. The results show that the proposed fault classification model outperforms the neural network trained by chaos particle swarm optimization and least squares support vector machine, and the precision and reliability of the fault classification results can meet the requirement of practical application. It indicates that chaos particle swarm optimization is a suitable method for searching the optimal parameters of support vector machine.     

一种基于加权支持向量机的垃圾邮件过滤方法

基于内容的垃圾邮件过滤本质上是文本分类问题,支持向量机分类器非常适合于垃圾邮件过滤这一二分类问题,但标准的支持向量机是基于分类精度进行优化的,对两类邮件的重要性未以区别,造成了邮件分类时虽然整体精度较高,但对正常邮件的误判率也较高.据此笔者提出了一种基于加权支持向量机的垃圾邮件过滤算法,通过增加两类邮件的类别权重及反映每封邮件重要性的权重,对支持向量机分类器进行训练,在保证分类精度的同时,尽可能地降低对正常邮件的误判率.实验表明该算法取得了很好的过滤效果.