支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.支持向量机(support vector maehinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景.     

基于群体智能优化的MKL-SVM算法及肺结节识别

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题,提出了一种基于群体智能优化的多核学习支持向量机算法。首先,研究了五种单核函数对支持向量机分类性能的影响,进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法;其次,为增加粒子多样性及快速寻优,将粒子群优化算法引入了遗传算法中的杂交操作,并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后,分别采用深度特征与手工特征作为识别算法的输入,研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入,以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试,进一步为了验证所提算法的泛化能力,选取公开数据集LUNA16进行测试。实验结果表明,本文算法易于跳出局部最优解,提升了算法的学习能力与泛化能力,具有较优的分类性能。      

基于综合决策云模型的围岩稳定性分级方法研究

地下工程围岩稳定性分析关系到地下工程的安全,围岩的稳定与否直接决定着地下工程的成败,因此开展地下工程围岩稳定性评价具有十分重要的意义。基于云理论,选取岩石单轴饱和抗压强度、完整性系数、岩石基本质量指标、地下水影响修正系数和软弱结构面产状影响系数作为围岩稳定性分级指标,综合运用DEMATEL决策模型和熵权法获取上述指标体系的组合权重,并选取公路隧道工程20组实测数据作为学习样本,建立围岩稳定性分级的综合决策云模型,将其应用于小红石砬子玉石矿5组工程围岩的稳定性分级实例中。结果表明:综合决策云模型判别结果与实际情况相吻合,判别准确率可达80%,且优于K-最邻近算法和随机森林算法的判别结果,说明所建立的综合决策云模型在工程实际中具有一定的应用价值,为围岩稳定性分级提供了新思路。     

基于可变模糊集理论的采空区围岩稳定性评价

应用可变模糊集理论,建立矿山采空区围岩稳定性可变模糊综合评价模型,初步探讨了影响采空区围岩稳定性的评价指标以及稳定性分级标准,并结合某矿山采空区实例对稳定性评价的结果进行了对比验证分析.结果表明：在3种权重向量下,样本级别特征值向量均隶属于3级,即该采空区围岩稳定性等级为第3级（稳定性差）.     

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.     

基于LS-SVM的烧结矿碱度预报研究

开发了最小二乘支持向量机(LS-SVM)模型,并用于对烧结矿碱度进行预测.仿真结果证明,本模型能在小样本贫信息的条件下对烧结矿碱度做出比较准确的预测.此种模型具有预测精度高、所需样本少、计算简便等优点.和BP神经网络算法相比,最小二乘支持向量机算法有很好的应用前景和推广价值.     

基于支持向量机的重大科技项目立项依据评估研究

支持向量机作为一种机器学习算法,具有出色的学习性能,尤其在小样本识别方面具有独特的优势.重大科技项目的立项依据评估是科研管理中非常重要的一个环节,如何准确、客观和有效的刷选出科技项目是一个值得研究的问题.基于重大科技项目具有备选项目少、立项精的特点,建立了重大科技项目立项依据评估的指标体系,提出了基于支持向量机的立项依据评估模型,案例表明该模型能够很好地筛选出优秀的重大科技项目.     

深埋硬岩隧道围岩参数概率反演方法

在贝叶斯理论框架下, 提出了一种基于多源数据融合的深埋硬岩隧道围岩参数概率反演方法.首先, 分析硬岩隧道常用的启裂-剥落界限本构模型中围岩单轴抗压强度、启裂强度与抗压强度比及抗拉强度三个参数不确定性来源, 确定其概率统计特征; 其次, 利用粒子群算法优化多输出支持向量机, 建立反映反演参数与隧道监测数据间非线性映射关系的智能响应面; 最后, 结合贝叶斯分析方法构建概率反演模型, 运用马尔科夫链蒙特卡洛模拟算法实现了围岩参数的动态更新.将该方法应用到某深埋硬岩隧道中, 利用反演的围岩参数计算隧道拱顶下沉点、周边收敛点变化值及开挖损伤区深度, 与监测数据吻合较好.结果表明, 该方法可以实现围岩多参数快速概率反演, 更新后的参数可用于硬岩隧道施工安全风险评估与结构可靠性设计.      

基于机器视觉和SVM的AOD炉终点预测方法

针对AOD炉冶炼中低碳铬铁合金工艺过程终点判别依靠人工看火操作的难题,提出了利用机器视觉技术模拟传统人工看火过程进行终点判别的方法。利用灰度级提取AOD炉口火焰特征,采用支持向量机（SVM）算法实现图像特征的训练和测试,对比了3种核函数的测试精度。实验结果表明,采用机器视觉技术提取火焰图像特征并与支持向量机结合的方法能够有效识别冶炼终点,并具有较好的识别精度。     

硫化矿石自燃倾向性等级划分的支持向量机模型及应用

为准确判定硫化矿石的自燃倾向性等级,提出一种硫化矿石自燃倾向性等级划分预测模型——支持向量机(Support Vector Machine,SVM)模型。结合已有的研究成果,选取表征硫化矿石自燃倾向性本质特性的自热点温度、室内低温氧化质量增加率和自燃点温度3项指标作为硫化矿自燃倾向性等级划分的基本判别因子。使用典型高硫矿山的18组矿样的实测数据作为训练样本,6组硫化矿井矿样的自燃倾向性作为预测样本。分别采用网格参数寻优、遗传算法(Genetic Algorithm,GA)参数寻优、粒子群(Particle Swarm Optimization,PSO)寻优算法来计算SVM模型的参数,分析比较三种算法得到的预测结果,确定最适合硫化矿石自燃倾向性等级划分的SVM回归模型的参数寻优算法。研究结果表明,网格寻优算法、GA算法取得了良好的预测效果,预测正确率为100%。因此,支持向量机模型可以用于指导高硫矿山矿石自燃倾向性等级的划分。