支持向量机参数选择方法研究

针对支持向量机的参数选择问题,提出了一种最优化选择方法。通过分析支持向量个数与留一法的关系以及支持向量机参数的几何意义和对推广能力的影响,该算法利用支持向量机比例来衡量参数选择时推广能力的变化,使用不同的规则更新核参数和惩罚因子,简化了参数选择的难度。理论分析证明这种最小最大化参数选择方法可以选择支持向量机参数,仿真试验验证了该方法的有效性。     

基于重复训练提高SVM识别率的算法

持向量机 (supportvectormachine ,SVM)作为一种新的模式识别算法 ,在许多模式识别问题上表现出了良好的识别性能和推广能力。和其它模式识别方法一样 ,如何进一步提高识别率一直是研究的热点。通过分析SVM的分类机理 ,提出了一种基于重复训练的SVM算法。该算法以较小的训练代价 ,通过提高支持向量在样本中的比例 ,提高了SVM的识别性能。基于重复训练的SVM算法为提高识别率提供了一种新的思路 ,也为SVM算法的自学习奠定了基础。     

核的最近邻算法及其仿真

为了提高近邻法的分类性能,提出了核的最近邻算法。通过mercer核,将样本映射到高维特征空间,再用近邻法分类。核映射改善了样本的空间分布,突显了样本的类别特征,从而提高了分类的性能。给出了核近邻算法的判决过程。对于人工数据和入侵检测数据的仿真显示,核近邻分类方法的分类性能优于传统的最近邻分类法。     

基于熵的入侵检测特征参数选择

传统入侵检测的特征选择方法不但与评估数据的统计特性有关,还与检测算法有关。提出了一种独立于检测算法的入侵检测特征参数选择方法。该方法以入侵检测模型为基础,信息熵为准则。仿真结果显示出用所选特征参数进行检测,不但保证了检测的正确率,而且提高了检测速度,减小了内存资源的占用。     

对线性调频雷达的正弦加权调频干扰技术

根据线性调频雷达发射信号的特点,提出一种新的应答式干扰技术——正弦加权调频干扰,即干扰机对接收到的雷达照射信号附加正弦频率调制,然后将调频结果放大之后转发出去。阐述了利用正弦信号进行频率调制的干扰机理,分析了干扰信号的频率特性,推算了决定干扰效果的各项关键参数。理论分析证明,正弦加权调频干扰对于线性调频雷达具有显著的干扰效果,根据调制参数不同可以产生假目标欺骗干扰和覆盖干扰,且只需要较小的干扰功率。仿真实验表明了理论分析的正确性和实际应用的可行性。