支持向量的信息冗余和SVM改进方法

在研究RBF核函数的几何特性和分析SVM数据依赖性改进方法的基础上,提出了支持向量携带数据冗余信息的论点。冗余信息掩盖了所研究对象的特征,影响SVM的性能。基于黎曼几何的SVM数据依赖性改进方法能够剔除支持向量携带的冗余信息,改进SVM的性能。理论分析和实验研究表明,该方法能够有效提高SVM的分类能力和分类速度。     

计算SVM判别函数值的方法

当支撑矢量或待判别的样本很多时，支撑矢量机(SVM)算法对判别函数值的直接计算会影响整个SVM算法的速度．国外对于SVM的训练算法研究很深入，但判别函数值的算法研究很少．文中将从减少判别值计算的复杂性入手，提出矢量替换法(主要针对线性SVM)、正交矢量法(主要针对非线性SVM)的判别值计算算法．     

一种新的机器学习算法:Support Vector Machines

SVM是由Vapnik及其领导的AT&T Bell实验室研究小组提出的一种新的非常有发展前景的机器学习算法.本文通过它与神经网络学习算法的比较,说明了SVM具有较强的理论依据和较好的泛化性能.本文是SVM的发展综述,重点介绍了SVM的理论依据和一些值得研究的问题.     

支持向量机研究进展

基于统计学习理论的支持向量机((Support vector machines, SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展—模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用—分类和回归。最后给出了今后SVM研究方向的预见。     

基于SVM的大学生热点问题的研究

基于SVM(Support Vector Machine)分类器来建立大数据的文本分类机制是目前的热点研究之一。针对于怎样将SVM应用到大学生网络社区文本数据的分析,并从中挖掘出大学生热点问题,是SVM应用的一个新尝试。利用SVM可以在大规模的网络社区文本数据中得出准确的训练模型以及预测结果,在此基础上给出了特征向量构造以及有效选取SVM参数的方法,同时给出了剔除重复样本的策略,最后还会研究特征选择对SVM分类效率的影响。     

最小二乘向量机在说话人识别中的应用

说话人识别是语音识别的一种，是当前的研究热点之一。而基于统计学习理论的支持向量机（SVM）方法是一种新的机器学习算法，已成为机器学习研究的热点。讨论了一种改进的SVM即最小二乘向量机（LS-SVM）的方法进行说话人识别研究。研究表明，基于LS—SVM的说话人识别比传统的SVM说话人识别计算复杂度小、效率更高、对说话人识别有很强的适应性。     

基于CUDA的SVM算法并行化研究

SVM算法在统计分类以及回归分析中得到了广泛的应用。而随着物联网的迅速发展,SVM算法在各种应用中往往需要解决大量数据的快速处理问题。在SVM算法并行化研究中,首先对SVM算法进行分析研究,提出了基于CUDA的SVM算法并行化方案;其次,进一步研究海量数据的处理,提出海量数据处理的并行化方案;最后,通过实验分析对比了并行化算法的性能。     

SVM增量学习中的概念迁移问题及处理方法

支持向量机由于其自身的特点使其在许多应用中表现出了特有的优势,是目前研究的热点.由于标准的SVM学习算法并不直接支持增量式学习,所以研究有效的SVM增量学习方法具有重要理论意义和实用价值.对SVM增量学习中动态目标学习的有关问题进行了深入讨论,定义了静态目标学习与动态目标学习.针对动态目标学习提出了概念迁移问题,给出了SVM增量学习概念迁移的教学表达.讨论和分析了现有的SVM增量学习方法、以及目前处理SVM增量学习中概念迁移问题的方法并得出了结论.     

支持向量机在字符识别中的应用研究

本文应用SVM对字符图像识别进行实验研究,并在此基础上,研究了SVM对含有高斯噪声的字符图像的识别问题。研究结果表明,SVM能够在有限样本的情况下,获得较高的识别率,是目前小样本学习的最佳解决方案。     

SVM操作系统级实现研究

研究SVM系统在操作系统级实现时受到的影响以及会得到改进的方面。对SVM系统的关键技术和Linux内核进行了详细的分析,在此基础上结合实验方案,在最新完成的一个SVM系统上进行实验、分析并得出结论。     

融合渐近性的灰狼优化支持向量机模型

大数据的发展对数据分类领域的分类准确性有了更高的要求;支持向量机(Support Vector Machine,SVM)的广泛应用需要一种高效的方法来构造一个分类能力强的SVM分类器;SVM的核函数参数与惩罚因子以及特征子集对预测模型的复杂度和预测精度有着重要影响。为提高SVM的分类性能,文中将SVM的渐近性融合到灰狼优化(Grey Wolf Optimization,GWO)算法中,提出了新的SVM分类器模型,该模型对SVM的参数与数据的特征子集同时进行优化,融合SVM渐近性的新灰狼个体将灰狼优化算法的搜索空间导向超参数空间中的最佳区域,能够更快地获得最优解;此外,将获得的分类准确率、所选特征个数和支持向量个数相结合,提出了一种新的适应度函数,新的适应度函数与融合渐近性的灰狼优化算法将搜索引向最优解。采用UCI中的多个经典数据集对所提模型进行验证,将其与网格搜素算法、未融合渐近性的灰狼优化算法以及其他文献中的方法进行对比,其分类准确率在不同数据集上均有不同程度的提升。实验结果表明,所提算法能找到SVM的最优参数与最小特征子集,具有更高的分类准确率和更短的平均处理时间。     

p范数正则化支持向量机分类算法

L2范数罚支持向量机(Support vector machine,SVM)是目前使用最广泛的分类器算法之一,同时实现特征选择和分类器构造的L1范数和L0范数罚SVM算法也已经提出.但是,这两个方法中,正则化阶次都是事先给定,预设p=2或p=1.而我们的实验研究显示,对于不同的数据,使用不同的正则化阶次,可以改进分类算法的预测准确率.本文提出p范数正则化SVM分类器算法设计新模式,正则化范数的阶次p可取范围为02范数罚SVM,L1范数罚SVM和L0范数罚SVM.     

基于IFOA算法的SVM参数优化及其应用

为了提高果蝇优化算法的种群多样性和果蝇搜索的遍历性,有效提高算法的收敛精度,提出一种改进的果蝇算法(Improving fruit fly optimization algorithm, IFOA),仿真实验表明, IFOA算法保持了搜索过程中的搜索尺度变化,平衡了算法的全局与局部搜索能力。在此基础上,为了改善支持向量机模型参数选择的随机性和盲目性,提高模式分类的准确率,提出并建立了一种IFOA-SVM模式分类模型。该方法将IFOA算法引入到支持向量机模型参数优化中,建立性能最优的支持向量机模型。应用该模型对UCI机器学习数据库中wine数据集进行模式分类研究,通过算法对比分析,结果表明：提出的改进果蝇优化算法在收敛速度和寻优效率上均有一定的提高,依此而建立的IFOA-SVM模式分类模型具有较准确的分类准确率,从而也验证了该模式分类方法在wine数据集分类应用中的有效性。     

平滑削边绝对偏离惩罚截断Hinge损失支持向量机的财务危机预报

针对传统支持向量机(SVM)分类存在对离群点敏感、支持向量(SV)个数多和分类面参数非稀疏的问题,提出了平滑削边绝对偏离(SCAD)惩罚截断Hinge损失SVM(SCAD-TSVM)算法,并将其用于构建财务预警模型,同时就该模型的求解设计了一个迭代更新算法。结合沪深股市A股制造业上市公司的财务数据进行实证分析,同时对比L1范数惩罚SVM、SCAD惩罚SVM和截断Hinge损失SVM(TSVM)构建的T-2和T-3模型,结果发现SCAD-TSVM构建的T-2和T-3模型都具有最好的稀疏性和最高的预报精度,而且其在不同训练样本数上的平均预测准确率都要比L1范数SVM(L1-SVM)、SCAD-SVM和TSVM算法的高。     

基于改进量子粒子群算法的支持向量机参数优化方法

支持向量机参数的选择对建模精度和泛化性能等有着重要的影响,提出量子粒子群优化(QPSO)改进算法优化支持向量机（SVM）参数的方法。该方法首先将混合扰动算子引入QPSO算法中,用于获取平均最优位置,建立一种基于混合扰动算子的QPSO算法改进方法（IQPSO）,然后用IQPSO算法的全局优化能力对支持向量机惩罚系数和核参数进行综合寻优,求取最优化参数组合,从而提高支持向量机的求解速度和解的精确性。利用测试函数和UCI测试数据,对IQPSO-SVM进行仿真测试与分类,实验结果表明,IQPSO能获得很好的优化结果,IQPSO-SVM具有较好的泛化性能。     

基于在线核聚类的雷达信号分选方法

提出一种变参数在线核聚类算法(OKCAP),将其应用于未知雷达辐射源信号分选中。OKCAP基于支持向量机的思想,采用核映射技术将数据映射到高维线性空间中进行处理,利用随机梯度下降法更新类的边界函数,且梯度下降步长和惩罚项参数可根据雷达信号动态调整,从而实现雷达辐射源信号的在线分选。仿真结果证明,该方法具有较快的聚类分选速度和较高的分选准确率。     

基于CPSO的混合核函数SVM参数优化及应用

支持向量机(SVM)建模的拟合精度和泛化能力取决于相关参数的选取,目前SVM中的参数的寻优一般只针对惩罚系数和核参数,而混合核函数的引入,使SVM增加了一个可调参数.针对混合核函数SVM的多参数选择问题,提出利用具有较强全局搜索能力的混沌粒子群(CPSO)优化算法对混合核函数SVM建模过程中的重要参数进行优化调整,每一...     

Chaotic antlion algorithm for parameter optimization of support vector machine

Support Vector Machine (SVM) is one of the well-known classifiers. SVM parameters such as kernel parameters and penalty parameter (C) significantly influence the classification accuracy. In this paper, a novel Chaotic Antlion Optimization (CALO) algorithm has been proposed to optimize the parameters of SVM classifier, so that the classification error can be reduced. To evaluate the proposed algorithm (CALO-SVM), the experiment adopted six standard datasets which are obtained from UCI machine learning data repository. For verification, the results of the CALO-SVM algorithm are compared with grid search, which is a conventional method of searching parameter values, standard Ant Lion Optimization (ALO) SVM, and three well-known optimization algorithms: Genetic Algorithm (GA), Particle Swarm Optimization (PSO), and Social Emotional Optimization Algorithm (SEOA). The experimental results proved that the proposed algorithm is capable of finding the optimal values of the SVM parameters and avoids the local optima problem. The results also demonstrated lower classification error rates compared with GA, PSO, and SEOA algorithms.     

基于支持向量机的雷达信号特征的辨识研究

雷达信号处理是现代雷达系统的核心内容之一,其直接影响着雷达系统的适用范围和工作性能等。而对雷达信号的有效识别是对未知雷达信号进行预判的重要组成部分。基于支持向量机(SVM)对四种不同的雷达信号智能辨识,选取径向基核函数(RBF)作为支持向量的非线性映射函数,经过理论推导得出惩罚因子c和核函数参数g是影响其分类性能的重要因素。利用粒子群(PSO)优化SVM的两个重要参数。结果表明,在没有进行参数优化的SVM的分类性能极其不稳定,识别准确率在79.6992%~90.2256%之间,而经过PSO优化的SVM分类准确率高达100%,有效证明了优化方法的有效性,实现了基于PSO优化的SVM雷达信号的准确识别。     

ECG beat classification using particle swarm optimization and support vector machine

In this paper, we propose a novel ECG arrhythmia classification method using power spectral-based features and support vector machine (SVM) classifier. The method extracts electrocardiogram’s spectral and three timing interval features. Non-parametric power spectral density (PSD) estimation methods are used to extract spectral features. The proposed approach optimizes the relevant parameters of SVM classifier through an intelligent algorithm using particle swarm optimization (PSO). These parameters are: Gaussian radial basis function (GRBF) kernel parameter σ and C penalty parameter of SVM classifier. ECG records from the MIT-BIH arrhythmia database are selected as test data. It is observed that the proposed power spectral-based hybrid particle swarm optimization-support vector machine (SVMPSO) classification method offers significantly improved performance over the SVM which has constant and manually extracted parameter.