一种改进的局部多核学习算法

局部多核学习算法（LMKL）是一种变系数的多核支持向量机算法,其利用选通函数局部的选取合适的合成核函数;但是其选通函数有严重的参数沉余的问题,为此提出了改进的局部多核学习算法（ILMKL）,在其目标函数中加入正则项,区别于LMKL中选通函数的l1范数形式,使用选通函数的lp范数形式,增强核函数间的“互补”作用;采用该算法在模拟数据集和UCI数据集上实验,结果表明该算法取得较高的分类能力.     

路网空间下郑州市兴趣点分析与可视化研究

在网络核密度算法的基础上,结合郑州市道路网特点设计了基于网络栅格剖分的网络核密度计算模型,得出路网空间下郑州市不同类型兴趣点(POI)网络核密度的分布结果,并借助三维可视化方法对计算结果进行直观表达,揭示了郑州市POI空间分布的内在规律.结果表明:(1)网络栅格剖分核密度算法在路网空间下对POI进行空间密度分析,更好地反映了与交通强相关POI的分布规律;(2)三环内外的POI网络核密度结果有着显著的差别,三环可作为当前郑州市中心城区的边界线;(3)不同类型的POI在分布格局和聚集形态整体上差别较大,体现出行业之间巨大的差异性.     

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。     

组合核支持向量机个人信用评估模型

针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。     

粗糙核强奇异积分算子的有界性

讨论如下定义的强奇异积分算子TΩ,a,hf(x)=p.v.∫Rnh(│y│)Ω(y')/│y│n af(x-y)dy,及其极大算子TΩ*,a,h的(Lpa,Lp)有界性,其中a≥0,Ω∈Hq(sn-1),q=n-1/n-1 a且sup/R＞0 1/R∫R0 │h(t)│γdt＜∞ ,γ＜1.     

基于改进核主元分析的故障检测

针对电主轴系统特点,提出基于改进核主元分析(KPCA)的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.     

混沌时间序列在股票价格长期预测中的应用

针对混沌时间序列对初值敏感,在迭代预测时累积误差将迅速放大的缺陷,提出一种改进的支持向量机的方法,避免这一弊端进行长期预测.在重构相空间的基础上,确定支持向量机的结构.为减小累积误差,对现有的支持向量机的核函数进行改进,使该核函数满足减小误差的条件.最后把沪市宝钢股份收盘价格的数据应用到改进的模型中,得到较好的仿真结果.     

一个含多独立参数的新Hilbert型积分不等式

通过引入多独立参数及运用估算权函数的技巧,建立一个新的具有最佳常数因子混合核为(a|xλ1-yλ2|+bmin{xλ1,yλ2})-1的Hilbert型积分不等式,并证明其常数因子为最佳值.作为应用,考虑其等价形式及逆向的情形.     

基于半监督学习的核信任力传播聚类算法

文中提出一种半监督核信任力传播聚类算法(SSKAPC).SSKAPC在对样本聚类的过程中,引入先验知识提高聚类性能;同时该算法将样本映射到高维空间进行聚类.人工数据和真实世界数据的实验表明,SSKAPC算法能大幅度提高聚类的准确性.     

基于协同聚类的多核学习

针对实际应用中经常出现的异类数据源,采用多核学习的支持向量机受到关注.然而随着核函数数量的增多,计算量也随之大大增加.为了解决这一问题,该提出了一种利用协同聚类对多核支持向量机的训练数据进行简化的方法,可以减少支持向量机的数目,从而减少计算量.实验结果显示,提出的方法可以提高多核支持向量机的效率,同时还不会影响分类精度.