一种基于混合二叉树结构的多类支持向量机分类算法

为提高多类支持向量机的分类效率,提出了一种基于混合二叉树结构的多类支持向量机分类算法。该混合二叉树中的每个内部结点对应一个分割超平面,该超平面通过计算两个距离最远的类的质心而获得,即该超平面为连接两质心线段的垂直平分线。每个终端结点(即决策结点)对应一个支持向量机,它的训练集不再是质心而是两类(组)样本集。该分类模型通常是超平面和支持向量机的混合结构,其中超平面实现训练早期的近似划分,以提升分类速度;而支持向量机完成最终的精确分类,以保证分类精度。实验结果表明,相比于经典的多类支持向量机方法,该算法在保证分类精度的前提下,能够有效缩短计算时间,提升分类效率。     

基于层次K-均值聚类的支持向量机模型

针对支持向量机SVM分类效率低下的问题,提出一种基于层次K-均值聚类的支持向量机HKSVM(Hierarchical K-means SVM)学习模型。该方法首先对每类样本分别进行K-均值聚类,计算每类中心并训练SVM,得到初始分类器;然后根据超平面与聚类结果的关系,将聚类所得结果划分为活动类集和静止类集,并对超平面附近的活动类集进行深层聚类,以得到更小的类别同时计算类中心来训练新的SVM模型,并校正分类超平面,如此循环往复,直到得到较为精确的分类器为止。采用基于层次K-均值聚类的SVM模型,通过对活动类集进行不断地深层次聚类,从而在分类超平面附近得到较多样本点,而在距离超平面较远处则取少量训练样本,以有效压缩训练集规模,在保持SVM训练精度的同时大幅度提高其学习效率。标准数据集上的实验结果表明,HKSVM方法在大规模数据集上同时得到了较高的分类效率和测试精度。     

一种不平衡支持向量机的校正方法

针对支持向量机中两类不平衡数据的分离超平面的偏移问题提出一种校正方法：先对两类样本数据在核空间中进行核主成分分析，分别求出两类样本数据的在特征空间中的主要特征值；然后根据两样本容量以及各自的特征值所提供的信息，对两类数据给出惩罚因子比例；最后通过优化训练产生一个新的分离超平面。该分类面校正了标准支持向量机的分类误差，与标准的支持向量机相比，该方法不仅平衡了错分率，同时还能减少错分率。实验结果验证了方法的有效性。     

基于B-ISVM算法的物联网云存储数据伪装不良信息检测

针对物联网云存储数据伪装不良信息隐蔽性造成的信息量预处理困难、深层次语义理解不准确和样本不均衡等问题,提出了一种基于B-ISVM(Boundary-Incremental SVM)算法的物联网云存储数据不良信息检测算法。在该算法中,首先采取基于均值和标准差的K均值初始聚类分析对云存储数据信息量进行样本空间训练分类;然后将所有样本类进行欧氏距离遍历计算,得到类间子聚类中心距离矩阵和各聚类中心的邻界子聚类区;再通过信息量伪装与筛选原理进行云存储信息真伪筛选,以不良信息在伪信息中发生的概率为指数、以数据安全度阂值和不良伪装信息模板向量集的相似度阂值为指标,对云存储信息量进行识别;最后进行增量模式学习,得到各分类样本最终的最优分类超平面,并将各类检测出的不良伪装信息进行输出。系统测试证明,该算法能快速有效地对物联网云存储数据中的伪装信息进行检测。     

基于混合高斯模型和空间模糊度的支持向量机算法研究

在提升支持向量机分类算法精度的问题上,提出了一种基于混合高斯模型和空间模糊度的支持向量机算法。该算法通过采用多维混合高斯模型的求带分布密度概率函数的二次规划问题的最优解,减少不同的输入样本数据对分类超平面造成的影响,引入了优化后的空间模糊度因子和空间模糊度函数。在实验仿真上,采用了人工选择的样本数据集和 UCI 机器学习数据库中的样本数据集进行多次实验,最后通过对比分析的方法突出了算法在分类精度上的优势。     

SVM中不平衡数据的分离超平面的校正方法

针对两类不平衡数据的分离超平面的偏移问题提出一种平衡方法。首先,对两类样本数据在核空间中进行核主成分分析,分别求出两类样本数据的在特征空间中的主要特征值;然后,根据两样本容量以及各自的特征值所提供的信息,对两类数据给出惩罚因子比例;最后,通过优化训练,产生一个新的分离超平面。该分类面校正了标准的支持向量机的分类误差。实验显示了所提出方法的有效性,即与标准的支持向量机相比,不仅平衡了错分率而且还能减少错分率。     

基于混合重采样的非平衡数据SVM训练方法

针对传统的SVM算法在非平衡数据分类中分类效果不理想的问题,提出一种基于分类超平面和SMOTE过采样方法(HB_SMOTE)。该方法首先对原始训练样本集使用WSVM算法找到分类超平面,然后按一定标准剔除负类中被错分的样本、靠近分类超平面的样本以及远离分类超平面的样本。在UCI数据集上的实验结果表明:与RU_SMOTE等重采样方法相比,HB_SMOTE方法对正类样本和负类样本都具有较高的分类准确率。     

基于聚类的大样本支持向量机研究

针对大样本支持向量机内存开销大、训练速度慢的缺点,本文提出了基于聚类支持向量机,运用k-mean对样本聚类,压缩样本量,构造初始超平面,筛选出靠近超平面的支持粪和可能支持向量,重新构造决策超平面。实验表明,在保持泛化精度基本一致前提下,改进算法的训练速度明显提高。     

基于核主成分分析的超多面体数据描述方法

为更加准确地从大量数据中检测出存在的小量异常数据,提出基于核主成分分析的超多面体数据描述方法.利用核主成分分析对数据进行非线性映射,在此基础上使用主成分信息在N维空间中建立2N个超平面,组合这些超平面构造一个超多面体模型,为现有的数据描述类方法提供更多选择.通过第三方数据集并与支持向量数据描述方法比较,验证了在某些分布下超多面体比超球体的支撑域适合训练数据,得到了更好的分类效果,表明了该方法的有效性.     

基于改进FCM聚类的BT-SVM多类分类算法

针对二叉树支持向量机在多类分类问题上存在的不足,利用粒子群算法对模糊C均值聚类算法进行了改进,在此基础上,结合二又树支持向量机,构建了偏二叉树多类分类算法.该方法在二叉树各节点处根据聚类中心所对应的样本构造学习样本集和最优分类超平面,保障了聚类精度,有效地提高了测试正确率.实验表明,本文提出BT-SVM多类分类算法的测试正确率要高于同类多类分类算法.     

基于ICSVM的风电机组齿轮箱故障诊断

针对风电机组齿轮箱运行过程中故障样本缺乏、正常样本充裕的特点,提出基于增量代价敏感支持向量机（Incremental Cost-sensitive Support Vector Machine,ICSVM）的风电机组齿轮箱故障诊断方法。由于齿轮箱故障样本缺乏,建立以误分类代价最小化为目标的代价敏感支持向量机故障诊断模型;在增量训练代价敏感支持向量机阶段,利用KKT条件,以增量样本和初始样本训练增量代价敏感支持向量机。实验结果表明,该方法能有效地减少平均误分类代价和训练时间,提高齿轮箱故障识别率。     

基于CGA和ICA的人脸特征提取方法研究

独立分量分析方法是一种有效的人脸特征提取方法。为了提高独立分量分析法表征人脸特征空间的能力，采用遗传算法对特征空间进行选择优化，获得最优的人脸特征子集。针对遗传算法的随机初始化个体分布不均匀性问题，采用混沌种群生成算法，使遗传算法的搜索更具有全局性。仿真实验表明，该方法的识别率明显优于单一独立分量分析方法。     

基于改进帝国竞争算法的柔性作业车间机器故障重调度

针对机器故障下的柔性作业车间重调度问题,提出了一种改进的帝国竞争算法（ICA）。首先,以最大完工时间、机器能耗和总延迟时间为目标函数建立柔性作业车间动态重调度模型,并对三个目标采用线性加权法;然后提出了改进的ICA来把优良的信息保留到下一代,即在传统ICA的同化和革命步骤后加入一个轮盘赌的选择机制,使初始帝国中的优秀基因得以保留,并且更新后的帝国质量更优,更加贴近最优解;最后,在机器发生故障后,采用事件驱动的重调度策略对故障点后未加工的工序进行重新调度。通过生产实例,对假设的三种机器故障情景进行仿真实验,并把所提算法与改进遗传算法（GA）和遗传算法与模拟退火混合算法（GASA）这两种算法进行比较。实验结果表明了提出的改进ICA是有效且可行的。     

基于PCA/ICA的多数据流关联及模式发现

基于主成分分析技术、独立分量分析技术以及多数据流模型,将用于数据和信号分析的PCA/ICA方法应用于多数据流模型,提出多数据流关联度分析和模式发现的新模型。该模型适用于解决在线混合数据流分离,对挖掘多数据流潜在独立内因有良好效果。探讨模型的健壮性和实时性,并在实验中验证了系统性能。     

面向特征的ICA和HP滤波实现视频异常事件检测

针对室外环境下光照亮度变化、阴影和树木遮挡等问题,对利用隐马尔可夫模型进行视频异常事件检测的影响,提出基于独立分量分析（ICA）和HP（Hodrick-Prescott）滤波器的隐马尔可夫模型视频异常事件检测方法。该方法首先利用ICA构造正常视频的特征子空间,将图像序列投影到特征子空间上得到投影序列,实现数据降维;然后利用HP滤波器滤除投影序列中环境变化引起的趋势分量;最终克服不利的环境因素,有效改善隐马尔可夫模型的视频异常事件检测性能。机动车辆禁行路段视频的检测实验表明,该方法能够在复杂的室外环境下较好地检测出异常事件。     

基于可拒识-双层支持向量分类器的微钙化点检测

为克服医学图像微钙化点检测中假阳性高的缺点,构造了一种带拒识能力的双层支持向量模型分类器,用于钙化点检测.检测时,首先利用基于最大间隔超平面的支持向量分类器（SVC）对输入模式进行分类判决;然后通过求取真实钙化点样本特征空间最小的包含球形边界来得到钙化点样本的球形支持向量域表示（SVDD）;接着利用钙化点的支持向量域表示对输入模式进行拒识或接受处理;最后利用SVC与SVDD两个分类器的结果来进行综合判决.仿真实验结果表明,该算法在不影响微钙化点的检出率的情况下,可部分解决假阳性高的问题.     

基于聚类和微粒群优化的基因选择新方法

鉴于传统的基因选择方法会选出大量冗余基因从而导致较低的样本预测准确率,提出一种基于聚类和微粒群优化的基因选择算法。首先采用聚类算法将基因分成固定数目的簇;然后,采用极限学习机作为分类器进行簇中的特征基因分类性能评价,得到一个备选基因库;最后,采用基于微粒群优化和极限学习机的缠绕法从备选基因库中选择具有最大分类率、最小数目的基因子集。所选出的基因具有良好的分类性能。在两个公开的微阵列数据集上的实验结果表明,相对于一些经典的方法,新方法能够以较少的基因获得更高的分类性能。     

A new method for fMRI data processing: Neighborhood independent component correlation algorithm and its preliminary application

Independent component analysis (ICA) is a newly developed promising technique in signal processing applications. The effective separation and discrimination of functional Magnetic Resonance Imaging (fMRI) signals is an area of active research and widespread interest. Therefore, the development of an ICA based fMRI data processing method is of obvious value both theoretically and in potential applications. In this paper, analyzed firstly is the drawback of the extant popular ICA-fMRI method where the adopted signal model assumes the independence of spatial distributions of the signals and noise. Then presented is a new fMRI signal model, which assumes the independence of temporal courses of signal and noise in a tiny spatial domain. Consequently we get a novel fMRI data processing method: Neighborhood independent component correlation algorithm. The effectiveness is elucidated through theoretical analysis and simulation tests, and finally a real fMRI data test is presented.     

基于聚类算法的支持向量回归建模的新策略

针对支持向量机对时变的样本集采用单一模型建模困难的问题，提出了一种新的学习策略．首先，使用自组织映射(SOM)神经网络和k-means聚类算法对初始样本集合进行聚类．然后，针对每个聚类数据集合，通过最优加权组合不同核函数的支持向量回归模型建立最终的模型．实验表明，采用这种学习策略的建模精度要优于单一支持向量回归建模方法．     

结合纯像元提取和ICA的高光谱降维方法*

摘要：为了实现高光谱降维并保留重要的光谱特征,通过独立分量分析（Independent Component Analysis, ICA）混合模型和高光谱线性模型的对比分析,提出了结合纯像元提取和ICA的高光谱数据降维方法。该方法通过估计虚拟维数(Virtual Dimensionality, VD)确定特征个数,采用自动目标生成过程（Automatic Target Generation Process, ATGP）从原始数据中提取纯像元向量,作为ICA算法的初始化向量,以负熵为目标函数产生独立分量,并通过高阶统计量筛选实现高光谱数据的降维。分类实验结果表明,该方法不仅解决了传统ICA的随机排序问题,而且与经典降维算法主分量分析（Principal Components Analysis, PCA）相比,分类精度提高了6.83%,在大大降低高光谱数据量的情况下很好的保留了高光谱数据的特征,有利于数据的后续分析和应用。