基于支持向量机的图书馆受赠期刊曲线预测

新型的机器学习算法（支持向量机）首次应用到图书馆文献交换的时间序列预测中．针对文献交换的时间数据序列,采用支持向量机进行训练建立数学模型,通过模型预测交换数据随时间的变化趋势．实验表明,支持向量机在小样本下具备较高的拟合精度,采用支持向量机预测交换数据的变化趋势是可行的．     

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.     

分类大规模数据的核向量机方法研究

标准的支持向量机算法需要求解二次规划问题,因此,在处理大规模样本的时候,求解二次规划问题的时间复杂度和空间复杂度就成为支持向量机应用的一个瓶颈.核向量机将传统支持向量机中的二次规划问题转化为求解最小包围球问题,从而显著降低了二次规划的复杂程度.使用核向量机对大规模数据进行分类,所选用的数据样本数均超过2000,并与标准的支持向量机作了对比实验结果表明:核向量机在处理大规模数据分类时,比标准的支持向量机计算复杂度低,训练速度快,耗费空间少.     

一种新的支持向量机增量学习算法

支持向量机学习算法的本质是从训练集中寻找支持向量,因此能否通过训练算法能快速找出支持向量是衡量支持向量机算法优劣的重要标准.本文提出了一种新的快速训练支持向量机的增量学习算法,首先,给出边界向量的定义,然后,对一个给定的新加人的样本,新的学习方法验证其是否为边界向量,如果是,将其加入到训练集中重新训练支持向量机,如果不是,就舍弃,这样能达到减少训练样本、降低训练复杂性目的,最后,给出了一个增量学习算法.实验表明测试误差和支持向量数量与SMO算法大致相当,而训练速度明显加快.     

用于手写数字识别的增量式模糊支持向量机

根据不同训练样本对于训练过程具有不同的贡献度,构造增量函数.通过设置增量函数的阈值,构造了用于手写数字识别的增量式模糊支持向量机.选取机器学习与智能系统中心的手写数字识别问题来验证文中方法的优越性,与模糊支持向量机相比,文中方法加快了训练过程,提高了识别精度.     

低阶数据映射和特征加权的线性SVM

针对传统线性支持向量机在训练数据集时均等对待每一维输入特征,以及在原始空间直接分类造成预测准确率低的问题,提出低阶多项式数据映射和特征加权相结合的方法,来提高线性支持向量机的分类性能。该方法首先将每个样本映射到多项式核对应的2 阶显式特征空间,从而增加样本的隐性信息,然后使用模糊熵特征加权算法计算每一维特征的权重,通过权重衡量特征对分类结果的贡献大小。从不同数据库选取7个数据集进行测试,在训练时间和预测准确率2个方面将该方法与核支持向量机、线性支持向量机的其他改进算法进行比较。结果显示,随着数据集规模的扩大,训练时间降低一个数量级,预测准确率在一些数据集上取得与核支持向量机相接近的效果。结果表明：所提方法可以有效提高线性支持向量机的整体性能。     

基于支持向量机的掌纹识别研究

统计学习理论(SLT)着重研究在小样本情况下的统计规律及学习方法性质．基于该理论,Vapnik等人提出了支持向量机(SVM)这一通用学习方法．SVM在最近几年取得了很好的发展,并在模式识别领域表现出优良的性能．本文尝试利用SVM进行掌纹识别．在对一副训练图像进行预处理之后,对其进行傅立叶变换以得到相应特征向量,然后用支持向量机对特征向量进行训练,最后用训练好的支持向量机进行掌纹识别．文中对1Vr方法和1V1方法的实验结果进行了对比和分析．实验结果显示,支持向量机在掌纹识别过程中表现出较好的性能,并且得到了较高的识别率．     

基于支持向量机的机械设备状态趋势预测研究

提出了用支持向量机对机械设备状态趋势进行预测的新方法,构造了相应的支持向量回归机,并分别用仿真数据和实际数据对其性能进行了验证．将该支持向量回归机应用于某机组振动信号的预测,采用径向基核函数和合适的参数,使该向量回归机对振动量峰峰值的单步预测误差小于2％,24步预测误差小于5％,表明该算法对机械设备的运行状态趋势具有较好的预测能力．     

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.     

基于一类支持向量机的快速人脸相似性学习

把一类支持向量机应用到人脸相似性学习中,提出了一种快速的人脸相似性学习方法.和标准支持向量机相比较,一类支持向量机的主要特点是只利用相似样本进行训练,减少了数据量,能快速地进行相似性学习.2个实际人脸数据库上的实验结果表明,本方法能够快速地学习到人脸相似性,其运行时间至多是支持向量机算法的三分之一.     

基于多分类支持向量机的网络流量预测方法

 针对支持向量机网络流量预测误差较大的问题,提出一种基于多分类支持向量机的网络流量预测方法。该方法在网络流量数据训练阶段通过数据编码,使多分类支持向量机的输出逼近编码值,在预测阶段通过数据解码,将多分类支持向量机的输出转换为实际的网络流量预测结果,从而有效地降低了预测误差。实验结果显示,该方法的预测结果与实际采集的网络流量数据具有相同的变化趋势;在同等实验条件下,该方法预测结果的均方根误差为0.487,而单一支持向量机方法、BP 神经网络方法预测结果的均方根误差分别为1.0954 和2.3642,表明基于多分类支持向量机的网络流量预测方法具有更高的准确性。     

基于合成核支持向量机的高光谱土地覆盖分类

提出一种基于合成核支持向量机的高光谱数据分类方法。该方法首先对高光谱数据进行分组, 对得到的不同数据组分别运用支持向量机方法进行分类参数的优化, 然后组合不同的核函数来综合不同的数据组, 得到最终的分类结果。利用华盛顿地区 HYDICE 高光谱数据对所提出的方法进行评价和验证, 结果表明, 基于合成核支持向量机的高光谱图像分类, 可获得比传统支持向量机更高的分类精度。     

A fast SVM training algorithm based on the set segmentation and k-means clustering

At present, studies on training algorithms for support vector machines (SVM) are important issues in the field of machine learning. It is a challenging task to improve the efficiency of the algorithm without reducing the generalization performance of SVM. To face this challenge, a new SVM training algorithm based on the set segmentation and k-means clustering is presented in this paper. The new idea is to divide all the original training data into many subsets, followed by clustering each subset using k-means clustering and finally train SVM using the new data set obtained from clustering centroids. Considering that the decomposition algorithm such as SVMlight is one of the major methods for solving support vector machines, the SVMlight is used in our experiments. Simulations on different types of problems show that the proposed method can solve efficiently not only large linear classification problems but also large nonlinear ones.     

改进的SVM决策树分类算法

为解决多类分类问题,在分析SVM决策树分类器及存在问题的基础上,通过引入类间可分离性测度,并将其扩展到核空间,提出一种改进的SVM决策树分类器。实验表明了该分类算法对提高分类正确率的有效性。     

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.     

Support Vector Machine Ensemble Based on Genetic Algorithm

Support vector machines （SVMs） have been introduced as effective methods for solving classification problems. However, due to some limitations in practical applications, their generalization performance is sometimes far from the expected level. Therefore, it is meaningful to study SVM ensemble learning. In this paper, a novel genetic algorithm based ensemble learning method, namely Direct Genetic Ensemble （DGE）, is proposed. DGE adopts the predictive accuracy of ensemble as the fitness function and searches a good ensemble from the ensemble space. In essence, DGE is also a selective ensemble learning method because the base classifiers of the ensemble are selected according to the solution of genetic algorithm. In comparison with other ensemble learning methods, DGE works on a higher level and is more direct. Different strategies of constructing diverse base classifiers can be utilized in DGE. Experimental results show that SVM ensembles constructed by DGE can achieve better performance than single SVMs, hagged and boosted SVM ensembles. In addition, some valuable conclusions are obtained.     

支持向量机平凡解判别与修正的新方法

针对二类分类问题,提出一种新的线性支持向量机(SVM)产生平凡解的判别与修正方法,证明如下SVM平凡解判别定理:SVM最优解是平凡解的充要条件是在样本空间的任意方向上,正负类训练样本的分布满足某种不等式关系,该不等式与正负类训练样本各自的惩罚因子C+、C-有关,与公共的惩罚因子C无关。在以上判别定理的基础上,通过筛选训练样本点及各自的惩罚因子来修正SVM优化求解过程,为有效避免SVM平凡解的产生提供理论依据和技术手段。仿真计算实例表明该方法有效。     

关于支持向量机DirectSVM算法的探讨

DirectSVM算法是求解支持向量机的一种简单快速迭代算法,具有最好的几何直观性.算法将线性可分的两类样本中距离最近的两个异类样本点作为支持向量,以该两点连线的垂直平分面作为初始分类超平面,然后根据分类情况逐步确定新的支持向量,即逐步优化出最优分类超平面.对该算法进行了测试,发现该算法具有局限性,并对算法局限性产生的根源进行了分析,对如何合理使用DirectSVM算法进行了讨论.结论是:用DirectSVM算法直接求解最优分类面是不可靠的,但可以作为支持向量机的一种近似算法,也可以作为求解候选支持向量集的方法,再与其他经典算法结合使用.     

基于非下采样Contourlet变换的 SVM多聚焦图像融合

提出基于非下采样Contourlet变换的支持向量机(SVM)多聚焦图像融合算法. 采用非下采样Contourlet变换分解图像得到不同频域子带系数. 针对直接取系数绝对值最大融合规则不能反映图像区域的缺点,提出SVM分类系数融合规则. 根据各子带系数物理意义将区域方差、区域能量作为SVM核函数参考量来选择清晰像素点系数,根据融合系数重构得到融合图像. 结果证明该算法能有效并准确地融合图像中的信息.