基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的SVM和LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于在线SVM的裂解炉燃料气热值软测量

针对裂解炉燃料气离线热值模型泛化能力差的问题,提出一种具有自适应能力的在线支持向量机(Online SVM)建模方法.该方法将增量式支持向量机(ISVM)与近似线性依靠(ALD)条件相结合,通过计算新样本与建模样本间的近似线性依靠值,选择满足ALD条件的独立新样本更新SVM模型.分析裂解炉燃料气热值的影响因素,并用Online SVM算法建立裂解炉燃料气热值在线软测量模型.该模型由离线训练模块和在线模型更新模块组成.离线训练模块基于离线数据训练得到初始热值软测量模型,在线更新模块通过使离线模型学习线性独立新样本来保证热值模型的在线预测精度.利用合成数据、Benchmark数据与裂解炉燃料气热值数据,将该方法与传统的支持向量机(SVM)与LS-SVM方法进行对比仿真研究.结果表明:该方法能够适应新的工况,具备自适应学习新样本的能力,可以用于具有慢时变特征的裂解炉燃料气系统热值软测量建模.     

基于近邻密度改进的SVM不平衡数据集分类算法

针对不平衡数据集数据分布不均匀及边界模糊的特点,提出基于近邻密度改进的SVM(NDSVM)不平衡数据集分类算法.该算法先计算多数类内每个样本的近邻密度值,然后依据该密度值选出多数类中位于边界区域、靠近边界区域的与少数类数目相等的样本分别与少数类完成SVM初始分类,最后用所得的支持向量机和剩余的多数类样本完成初始分类器迭代优化.人工数据集和UCI数据集的实验结果表明,与WSVM、ALSMOTE -SVM和基本SVM算法相比,本文算法分类效果良好,能有效改进SVM算法在分布不均匀及边界模糊数据集上的分类性能.     

基于支持向量AAM迭代学习的性别分类算法

为了提高性别检测的精度，提出了一种支持向量机（SVM）与主动外观模型（AAM）相结合的迭代学习算法.采用AAM对初始训练样本建模，在此基础上构造SVM分类器.在当前迭代过程所产生的支持向量中随机选择不同性别的样本，对其AAM参数线性插值而生成一系列伪样本，并从中选取被当前分类器误分类或正确分类但分类可信度低的样本参与下次迭代学习.实验结果表明，采用该算法所构造的伪样本是初始训练样本的有效补充，提出的伪样本选择方案优于传统的Bootstrap方法，迭代学习方法逐步提高了性别分类器的检测精度.     

基于ADASYN与AdaBoostSVM相结合的不平衡分类算法

对于平衡数据集支持向量机(support vector machine,SVM)通常具有很好的分类性能和泛化能力,然而对于不平衡数据集,SVM只能得到次优结果,针对该问题提出了一种基于SVM的AS-Ada Boost SVM分类算法.首先,通过使用ADASYN采样,提高少类样本在边界区域的密度;然后,使用基于径向基核支持向量机(radial basis function kernel mapping support vector machine,RBFSVM)模型弱分类器的Ada Boost SVM算法训练得到决策分类器.通过将该算法在各种不平衡数据集上的测试结果与单纯运用ADASYN技术、Ada Boost SVM、SMOTEBoost等其他分类器进行比较,验证了该算法的有效性和鲁棒性.     

一类支持向量机的快速增量学习方法

提出一类支持向量机（OCSVM）的快速增量学习方法. 在OCSVM初始分类器的基础上, 添加一个德尔塔函数形成新的决策函数, 实现增量学习的过程. 通过分析德尔塔函数的几何特性, 构造出与OCSVM相似的优化目标函数, 从而求解德尔塔函数的参数. 优化问题能够进一步转化为标准的二次规划(QP)问题, 但是在优化过程中Karush-Kuhn-Tucker（KKT）条件发生很大改变. 根据新的KKT条件, 为QPP提出修正的序贯最小优化（SMO）求解方法. 整个学习过程直接操作初始分类器,仅仅训练新增样本,避免了对初始样本的重复训练, 因此能够节约大量的学习时间和存储空间. 实验结果表明, 提出的快速增量学习方法在时间和精度上均优于其他的增量学习方法．     

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.     

基于方差和深度学习的脑电信号分类算法

为了改善传统脑电信号分类不够准确且分类难度较大的问题,研究一种基于方差和深度学习的模型对脑电信号进行分类。针对脑电信号图像识别率较低的问题,采用方差对脑电信号进行特征提取,结合深度学习的一种典型方法——深度信念网络对提取数据进行训练,构建分类器,实现对脑电信号更高效的分类。实验证明,相比于SVM支持向量机、朴素贝叶斯等分类算法,该模型可以更准确地分类。     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.     

异常检测中支持向量机最优模型选择方法

为了构建一个具有良好的学习性能和推广能力的异常检测分类器,在结构风险最小(SRM)原则下讨论了基于支持向量机(SVM)的异常检测分类器的设计准则,提出了SVM分类器模型及其参数快速选择和评估方法,并给出了异常检测分类器训练步骤.针对KDD'99网络入侵检测数据集,实验结果表明,该方法能够有效地缩短入侵检测分类模型建立时...     

四类运动想象脑电信号特征提取与分类算法

针对脑机接口(BCI)系统中存在的信息传输速率较慢和脑电信号识别正确率较低的问题,对多通道四类运动想象脑电信号进行研究.通过对4种运动想象及休息状态脑电信号进行功率谱分析,合理确定预处理滤波器的最佳滤波频段,然后使用PW-CSP,Hilbert变换及归一化处理的方法,对四类运动想象脑电信号进行特征提取,分类算法分为特征信号算术求和与阈值比较的预分类过程及包含单个支持向量机(SVM)的细分类过程,算法复杂度明显比采用多个SVM组合的多类分类算法要低,为实现算法的在线应用打下基础.仿真结果表明,该算法分类正确率高,时间开销小,并且可以通过调节阈值,在正确率与算法复杂度之间获得平衡.     

并行PSVM算法及其在入侵检测中的应用(英文)

基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器.     

一种新型的增式SVM训练算法

针对传统的增式支持向量机算法在计算时间和分类效率上的不足,提出了一种新型的增式SVM训练算法。该算法不是简单地保留上一步训练的支持向量,而是通过增加KKT(Karush-Kuhn-Tucke)限制条件并对决策函数的输出设定一个阈值,使得保留下来的样本都是最有效的样本,从而可减少训练样本的数目。在仿真实验中,选择了一组UCI数据,并选用RBF核函数作为核函数。实验结果表明:与传统增式算法相比,新算法在保证传统SVM性能的同时,在迭代速度和分类放率上分别提高了14%和4.39%。     

基于壳向量的线性支持向量机快速增量学习算法

提出了一种新的基于壳向量的增量式支持向量机快速学习算法.在增量学习的过程中，利用训练样本集中的几何信息，在样本中选取一部分最有可能成为支持向量的样本--壳向量，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集，再进行支持向量训练.这在很大程度上减少了求取支持向量过程中的二次优化运算时间，使增量学习的训练速度大为提高.与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比，使用该算法使分类精度得到了提高.针对肝功能检测标准数据集（BUPA）的实验验证了该算法的有效性.     

左右手运动想象脑电模式识别研究

如何提高左右手运动想象脑电信号的分类率是脑机接口研究领域的一个热点话题。基于美国EGI64导脑电采集系统得到3名健康被试的脑电数据,首先,采用独立成分分析（Independent Component Analysis,ICA）对采集的数据进行去噪处理;然后,利用离散小波变换方法对分解C3/C4处的EEG平均功率信号,选用尺度6上逼近系数A6的重构信号作为脑电特征信号;最后,用Fisher线性判别分析法（Fisher Linear Discriminant Analysis,FLDA）、支持向量机方法 （Support Vector Machines,SVM）和极限学习机分类方法 （Extreme Learning Machine,ELM）分别对特征信号进行分类。分类结果表明：极限学习机分类方法得出的平均分类率要高于Fisher方法与SVM方法的平均分类率,可以达到92%,而且运行速度也高于另两种分类算法。     

脑-机接口中新的脑电数据分类方法

根据自发脑电的特点,将HMM-AR模型算法运用到脑电状态的分类中,证明它是一种非常有用的分析脑-机接口方法。将Laplacian filter、ICA和HMM-AR方法相结合,用想象左右手运动的BCI数据进行识别,得到了很好的分类结果,有效地区分脑电中运动与非运动两种状态。该算法能够在运动开始后1 s内检验到脑电信号的变化,从而证明了该算法在BCI的实用性,达到了良好的识别效果。     

伪特权信息和SVM+

针对只有部分训练样本拥有特权信息的特权学习,提出了伪特权信息及相应的SVM+．一方面,对于无特权信息的样本额外构造伪特权信息,使得这部分样本的松弛变量可在修正空间中预测,从而有效地提高了模型泛化能力．可用信息和随机特征都是有效的伪特权信息．另一方面,将真正特权信息用伪特权信息取代,使得全部训练样本的松弛变量都在惟一的修正空间中预测．在实践中发现,至少对于某些真正的特权信息和二分类问题来说,使用一个修正空间可获得更优的泛化能力．在手写数字和人脸表情识别问题上进行的实验结果显示,采用伪特权信息的SVM+具备一定的优势．     

P300信号分类的多样本融合支持向量机算法

脑电信号是大脑受到自发或诱发刺激所产生的一种变化的脑电活动,利用结合了多样本融合思想的支持向量机（SVM）算法,在不同受试者的多样本数据上对诱发脑电信号中的P300信号进行了分类识别。首先对实验数据进行预处理和特征提取,然后利用SVM算法训练分类模型,最后通过融合多个样本的预测结果对测试数据的P300信号进行识别。结果表明,相比单样本SVM算法该方法对检测数据有较高的分类准确率,能够成为P300脑电信号预测的较好方法,具有应用前景。