基于数据分布规律的分段组合支持向量机研究

在分析数据分布规律的基础上,提出了分段组合支持向量机算法.该算法首先统计数据分布规律,采用k均值聚类计算聚类中心,然后分球形分布、线性二分可分、局部线性二分可分三种情况来组织最小包含最大排除球目标函数、普通核函数、局部线性核函数,从而实现对不同的数据分布采用不同的支持向量机分类决策算法,提高算法的分类性能.     

基于VB与MatrixVB的最优分类超球面实现

提出了一种基于共形几何代数最优分类超球面的表示方法;讨论了运用共形几何代数理论来构造最优分类超球可分问题的可行性和简便性;介绍了基于共形几何代数的分类超球面几何表示,并用此表示将二类最优分类超球面的可分问题转化为二次规划的训练学习问题,该算法保留了最大分类间隔理论的优点,将二类最优平面可分推广到最优超球可分。另外针对VisualBasic数值计算能力的不足,不利于系统开发,介绍了基于VB和MatrixVB实现最优分类超球面,该方法将Matlab的强大计算功能与VB的Windows用户界面的开发优势结合起来,充分发挥了各自的特点．缩短了软件的开发周期。软件测试结果表明,计算方法正确,计算速度快,系统资源消耗少,操作简便易行,能满足数据分类的要求。     

用于多类别分类的一种加权超球支持向量机算法

在One‐Class基础上发展起来的超球支持向量机算法能有效地解决多类别分类问题。但是原始的超球支持向量机算法仍有很多需要改进的地方。经过推导和实验,得到如下结论,即超球支持向量机算法过度依赖于每个训练样本,即使该训练样本为噪音数据或是离群异常数据。因此提出在训练之前加入预处理算法,通过相似度计算删除噪音点和异常点。在训练过程中,根据公式计算每个样本的权值,区别对待每个训练样本,确保SMO求解过程迅速收敛。在测试阶段,根据测试点的位置合理选择分类规则进行正确分类。实验结果表明提出的算法可以有效减少噪音数据和异常数据对分类结果的影响,同时提高了分类精度。     

基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

HSC分类法及其在海量数据分类中的应用

使用支持向量机对非线性可分数据进行分类的基本思想是将样本集映射到一个高维线性空间使其线性可分.本文则基于Jordan曲线定理,提出了一种通用的基于分类超曲面的分类方法,简称HSC分类法,它是通过直接构造分类超曲面,根据样本点关于分类曲面的围绕数的奇偶性进行分类的一种新分类判断算法,与SVM方法相比,不需要考虑使用何种核函数,不需要做升维变换,直接解决非线性分类问题.对数据分类应用的结果说明:HSC可以有效地解决非线性数据的分类问题,并能够提高分类效率和准确度.     

一种提高支持向量机针对低维向量分类精度的新方法

本文提出一种支持向量机的全局优化训练算法,形成一种新的分类器,以解决传统的支持向量机在对低维样本点分类时产生的精度下降问题。首先对支持向量机原理,以及以SVM—light为代表的经黄SVM训练算法进行分析,发现支持向量机的训练在本质上都归结为具有不等式约束条件的二次规划问题。本文直接根据支持向量机的最优分类超平面,将其化为无约束条件的求解函数极值问题。然后采用全局优化算法-禁忌搜索算法得到函数的极值点。通过两类高斯样本点分类实验和人脸图像识别的多类分类试验,证明使用支持向量机的全局优化训练算法,在样本点特征向量维数较低的情况下,比使用传统的支持向量机训练算法分类具有更高的分类准确率。     

模糊多类SVM模型

利用SVM处理多类分类问题,是当前的研究热点之一.本文提出了一种模糊多类支持向量机模型,即FMSVM.该方法是在Weston等人提出的多类SVM模型中引入模糊成员函数,针对每个输入数据对分类结果的不同影响,该模糊成员函数得到相应的值,由此得到不同的惩罚值.从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据.理论分析与数值实验都表明,该算法具有良好的鲁棒性.     

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别.在高阶累积量城内构造信号识别的特征向量,采用基于二又树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别.该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力.理论分析和仿真结果证明了...     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

面向政策法规数据的分类方法

通过设计阀值、构造类别的基向量和待分类向量的复数指标,建立了面向政策法规数据的适于有效机器学习的实时动态可扩展的分类方法.改进了文档的自动分类多采用以类别为中心的分类模式,综合了以文档为中心和以类别为中心两种分类模式的优点,实现了一次性完成单标号分类和多标号分类问题,克服了以往分类中预先定义主题类别和聚类分类中预先指定类别的种数的缺陷.编制了相应的算法.     

线性可分问题的支撑向量稳健感知器及其几何训练算法

分类器的稳健性能是分类器的重要性质之一。支撑向量机SVM和稳健感知器得到的都是最优分类面，都具有很强的稳健性能。SVM构造的是到所有支撑向量(距分类面最近的样本)等距离的最优分类面，SVM算法需要求解一个二次型寻优问题；而稳健感知器构造的是到所有基(各模式类的边界样本)距离都较远的最优分类面，稳健感知器需要求解一系列的线性规划。文章在二者的基础上提出了适用于线性可分问题的支撑向量稳健感知器及其几何训练算法．它将问题转化成了一系列的线性方程组，它将比SVM的二次型寻优具有更快的速度。实验仿真表明了该算法的高效性。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

非平衡二叉树主动学习支持向量机

针对传统的二分类支持向量机在数据种类繁多并含有很多不带标签的样本时的固有缺陷,提出了一种主动学习与非平衡二叉树结合的多类分类支持向量机.该方法首先通过类距离构造一个非平衡二叉树结构,从易到难依次构造节点,将最容易分出的类放在根节点,然后利用主动学习策略,自动为选择的样本添加标签,并添加到训练样本集中.实验结果表明本文提出算法性能优于常规主动学习支持向量机,有效提高了分类精度,且大大缩短了算法运行时间.     

网络大数据下的冗余数据分类优化算法研究

提出了基于模糊支持向量机算法网络大数据下的冗余数据分类优化方法。提取网络大数据环境下的冗余数据属性特征,为冗余数据分类提供准确的数据基础。根据模糊支持向量机相关理论,获取最优分类平面,从而实现冗余数据分类优化处理。实验结果表明,利用改进算法进行网络大数据下的冗余数据分类优化处理,能够提高分类的准确性,取得了令人满意的效果。     

基于简约凸壳的一类模糊支持向量机

为解决传统一类支持向量机对噪声数据敏感和不适用于大规模分类等问题,提出了用于大规模噪声环境的基于简约凸壳的一类模糊支持向量机（OC-FSVM-RCH）.OC-FSVM-RCH根据简约凸壳的定义在核空间得到代表正常类数据几何特征的样本,然后基于改进的模糊支持向量域描述算法,使得正常类数据包含在最小超球内,异常数据与超球间隔最大化.OC-FSVM-RCH剔除正常类数据轮廓边缘处的噪声,同时对数据内部的噪声不敏感.实验结果表明了所提算法在性能和训练时间上取得了良好的效果.     

基于贪婪树的外部支持向量机近似重复图像聚类算法

准确地检测出近似重复图像对于冗余去除和版权侵犯检测具有重要的意义。为了改善基于均匀分裂外部支持向量机聚类算法的性能,提出了一种结合贪婪树和外部支持向量机的近似重复图像聚类算法。该方法先利用外部支持向量机将数据集聚为两类,然后采用贪婪树生长算法选择“最优”的类进行分解,重复上述过程直到不可分为止。此外,为了克服图像视觉单词的同义性问题,利用概率潜在语义分析模型将同现的图像视觉单词映射到潜在语义空间中的同一方向上。实验结果表明,与内部支持向量聚类算法和基于均匀分裂的外部支持向量机聚类算法相比,该方法在聚类性能方面有了明显的提高。。      

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

基于支持向量机的欠定盲分离

该文提出了信号稀疏性的新度量方式,在估算出有效源信号的个数后,提取源信号到达方向角度的特征作为训练样本,利用支持向量机理论构造分类超平面,从而实现对观测信号的最优分类。采用加权系数法获得每一类信号的聚类中心,其中对系数权重的学习是自适应的,同时避免了K-均值聚类等方法对初值的敏感性。此外,针对大规模样本点,该文还提供了在线算法。仿真效果说明了此方法的稳定性和鲁棒性。     

耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法

针对标准支持向量机（SVM）识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能.     

基于聚类和支持向量机的个人信誉评估方法

针对传统的个人信誉评估方法存在的缺陷,提出了一种基于K均值聚类和支持向量机结合的个人信誉评估方法。该方法先将测试数据集进行聚类,根据数据离聚类的数据分布来选取合适数据训练支持向量机,然后利用支持向量机进行分类。结果表明,同单一利用支持向量机分类进行比较,该方法减少了训练时间,同时具有较高的测试精度,比传统的个人信誉评估模型有更好的效果。