KPCA-LSSVM方法在视频时间序列预测中应用

为提高时间序列预测精度及降低预测过程中的计算复杂度,提出一种基于核主成分分析(KPCA)与最小二乘支持向量机(LSSVM)相结合的预测方法.首先,将输入数据通过核方法映射至高维特征空间;然后,在特征空间上提取有效非线性主元;最终,通过LSSVM建立时间序列模型.为验证KPCA-LSSVM方法的有效性,将其应用于交通流及视频流预测中,在同等条件下,与单一的LSSVM及神经网络等预测方法进行比较.实验结果表明:基于KPCA-LSSVM建立的模型具有较好的推广性及较高的辨识精度.     

基于粒子群优化的SVR算法与BP网络的比较研究

在回归问题上对比研究了基于粒子群算法优化选参的支持向量回归机模型和采用粒子群算法进行训练的后向传播网络的预测性能.     

垃圾邮件过滤技术及发展

Internet的迅速发展,使电子邮件应用十分广泛,但垃圾邮件也泛滥成灾.本文介绍了基于安全认证、规则匹配和统计学习三类邮件过滤技术及应用情况,并对简单贝叶斯和支持向量机技术的原理应用于邮件过滤进行了阐述.最后分析了过滤技术面临的挑战并指出垃圾邮件过滤的发展趋势.     

湿蒸汽凝结流动过程湿度软测量模型

针对汽轮机末级湿蒸汽凝结流动过程湿度分布影响因素的复杂性和非线性,采用灰色关联分析方法对实验测得的质量中间半径、水滴数密度、蒸汽湿度与初压、进汽口温度、背压、尾部温度、水比容、汽比容的相互关系进行关联分析处理,确定影响因子之间的主次关系;并以影响湿蒸汽凝结流动过程湿度分布的主要因素的初压、进汽口温度、背压、尾部温度、水比容、汽比容等作为支持向量机网络的输入,建立湿蒸汽凝结流动过程支持向量机网络预测模型,结果表明:支持向量机网络预测湿度的最大相对误差小于9%,以初压、入口温度、背压、尾部温度、水比容、汽比容为输入的支持向量机网络具有较高的精度,可以很好地预测汽轮机末级湿蒸汽凝结流动过程的湿度分布。     

FCM属性约简方法在汽轮机故障诊断中的应用

文章通过汽轮机故障样本数据的空间分布状态分析,基于模糊c均值(FCM)聚类方法实现故障征兆参数属性的离散化处理;采用粗糙集(RS)属性约简方法对原始特征向量进行优化,去除冗余特征,提取特征向量的本质信息;基于约简后的特征向量建立支持向量机(SVM)故障诊断模型.实验结果表明,该文所提出的方法不仅可以提高故障诊断的准确性...     

基于词内部模式的中文新词识别研究

提出了一种基于支持向量机的中文新词识别算法.该算法结合新词内部模式以及词长等提出了基于词内部模式的改进字符位置似然概率,并综合新词的邻接类别等特征对新词进行识别.经过小说语料测试,实验结果表明：该算法的微F1值为0.583 3,宏F1值为0.775 7,分别比不考虑词内部模式的基准算法提高约63%和30%.     

纯Peer-to-Peer环境下有效的本体匹配方法

目前大多数的Peer-to-Peer(P2P)系统由于欠缺对语义的支持而不能很好地应用于知识共享领域.可能的方法是采用本体(ontology)来描述Peer节点共享资源的语义.针对纯P2P环境下不同节点单独维护局部本体异构的特点,提出了基于历史查询记录的纯P2P环境下的本体匹配方法HOM.首先利用历史查询记录挖掘出概念之间可能存在的映射关系,然后利用向量空间模型VSM(vector space model)方法来识别概念在语言学上可能存在的联系,进而修正概念之间的映射关系,建立不同节点间本体概念的匹配.分析和仿真表明,与现有方法相比,HOM方法考虑了节点的自治特性,并提高了本体匹配的精度.     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

MR影像体素形态学的阿尔茨海默病自动分类方法

为了确定轻度认知功能障碍(MCI)与阿尔茨海默病(AD)患者发生萎缩的重要脑区,实现正常老年人(NC)对照组、MCI与AD三组人群的分类,选择了178名被试的脑部MR影像,利用体素形态学与方差分析方法,考察NC,MCI与AD三组人群的MR影像中灰质体积差异;然后,采用递归特征消去法对特征进行降维;最后,利用线性支持向量机对这3种人群进行分类.实验结果表明,MCI组与NC组、MCI组与AD组、AD组与NC组的平均分类准确率分别为(90.2±1.3)%,(74.7±0.9)%,100%.对分类产生重要影响的脑区包括海马、海马旁回、杏仁核、梭状回和嗅皮层等.所提方法不仅能有效揭示NC,MCI,AD三组人群的脑灰质差异,阐明MCI患者与AD患者脑区发生萎缩的过程与特性,而且能准确区分这3组人群,具有显著的临床应用价值.     

基于深度学习和支持向量机的基因结合蛋白预测

针对传统的方法对蛋白质预测的精度低且需要人工提取环节等问题,提出一种基于深度学习和支持向量机的基因结合蛋白预测算法;该算法将卷积神经网络与门控循环单元结合,搜索蛋白质序列,保留蛋白质序列中氨基酸的位置依赖性,利用支持向量机代替神经网络的Softmax分类器对蛋白质的特征序列进行预测;将该模型分别在基准数据集DBP2858和PDB14189上进行对比实验。结果表明,该模型具有更好的脱氧核糖核酸结合蛋白预测能力,并且预测精度和效率均较高。