非球形分布数据集的去噪方法

针对传统支持向量机(SVM)对噪声点过于敏感,模糊支持向量机(FSVM)又对样本集几何形状过分依赖等问题,提出基于噪声过滤系统的粗糙支持向量机(NFS-RSVM)。该方法首先用噪声过滤系统(NFS)将极可能为噪声点的样本过滤掉;然后将数据间隐含的等价类信息作为双惩戒因子融入到支持向量机模型中,进一步区分有效样本和噪声样本。基于UCI数据集的仿真结果表明,NFS-RSVM方法能有效地将数据中的大部分噪声点去除,与传统的SVM和FSVM相比分类精度有一定程度的提高。因此,该方法在处理噪声样本较多又呈现非球形分布的数据集时,表现出较好的抗噪性、分类效果和泛化能力。     

基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。     

多任务学习的不平衡SVM+算法

处理不平衡数据分类时,传统支持向量机技术（SVM）对少数类样本识别率较低。鉴于SVM+技术能利用样本间隐藏信息的启发,提出了多任务学习的不平衡SVM+算法（MTL-IC-SVM+）。MTL-IC-SVM+基于SVM+将不平衡数据的分类表示为一个多任务的学习问题,并从纠正分类面的偏移出发,分别赋予多数类和少数类样本不同的错分惩罚因子,且设置少数类样本到分类面的距离大于多数类样本到分类面的距离。UCI数据集上的实验结果表明,MTL-IC-SVM+在不平衡数据分类问题上具有较高的分类精度。     

粗糙支持向量机

支持向量机(SVM)是一种重要的数据机器学习工具,其有效性依赖于对数据信息获取的准确性.以往的支持向量机模型都没有考虑到数据等价类信息.为此,基于粗糙集理论和支持向量机思想,提出了一种新的支持向量机模型--粗糙支持向量机(RSVM).采用UCI机器学习数据库中的数据做对比实验,结果表明RSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有较高的测试精度.     

基于小波和支持向量机的光纤微振动传感器模式识别

为实现对双M-Z型光纤传感器的振动信号进行识别,提出一种基于小波能熵和支持向量机(SVM)的光纤传感信号模式识别方法。该方法对小波分解得到的各频段系数求解其能量信息熵,归一化后得到特征向量。其作为SVM的输入,通过选用合适的核函数和多类的分类方法,对SVM多类分类器进行建模。在多种振动信号的条件下,用测试样本对SVM分类器模型进行测试,测试结果表明:该方法对双M-Z型光纤微振动传感器的振动信号的分类达到了较高的识别率。     

基于SVM概率输出与证据理论的多分类方法

单一技术无法有效解决多类分类问题。为此,提出一种基于一对多支持向量机(SVM)的基本概率分配输出方法,并与置信最大熵模型的D-S证据组合方法结合,给出基于SVM概率输出和证据理论的多分类模型。在3种UCI标准数据集上的仿真结果表明,该方法的分类精度优于传统的一对多和一对一硬输出方法,是一种有效的多类分类方法。     

基于超球体的二叉树SVM多分类算法的研究

针对现有的支持向量机在多类分类方法上存在的不足,提出了一种基于超球体的二叉树SVM多类分类算法。该算法利用球结构的SVM考虑了每个类的分布情况,能有效地处理不平衡样本数据,设计超球体支持向量机的树型模型,克服了差错积累问题。实验证明,与其它SVM多类分类方法相比,该方法具有较高的分类精度,提高了支持向量机在多类分类问题中的实验效果。     

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。     

粗糙集理论下的支持向量机新模型研究

支持向量机(SVM)是一种重要的分类工具,其有效性依赖于对数据信息获取的准确性。传统的支持向量机模型对于噪声点过于敏感,从而分类面的选取往往会偏离最优解。因此将粗糙集理论引入到支持向量机中,去解决由于噪声点和野点数据的存在而出现的过适应问题,同时将数据之间一个非常重要的关联信息等价类信息考虑进去,从而提出一种新的粗糙支持向量机(RSVM)模型。对比实验表明,新的RSVM比传统的支持向量机(CSVM)和模糊支持向量机(FSVM)尤其是在处理多类数据问题时,其测试精度有明显提高。     

基于压缩感知理论的RGB-D图像分类方法

三维图像分类能有效克服二维彩色图像分类易受光照变化、阴影、物体遮挡以及环境变化等因素的干扰。利用压缩感知的方法研究Kinect相机获取的带深度信息的RGB-D图像分类问题。该方法首先利用下采样和PCA的方法分别对RGB图像和深度图像进行特征提取;再将所提取的特征信息融合;然后利用压缩感知方法对融合后的特征信息进行稀疏分解并分类。最后,利用该方法对6类蔬菜、7类水果及文件夹和相机等共15类RGB-D图像进行分类实验,比较了压缩感知方法和SVM分类器的RGB-D图像分类精度,并对比分析了深度信息对图像分类精度的影响。实验表明,压缩感知方法对RGB-D图像分类精度高于SVM的精度,且加入深度信息的RGB-D图像分类精度高于RGB图像的精度。     

基于动态模型的公交车行程时间预测

准确以及实时的公交车行程时间信息能够帮助出行者更好地规划行程,减少出行者的等待时间。提出了一种基于SVM-Kalman滤波的公交车行程时间动态预测模型。模型中,经过良好训练的SVM模型从历史数据进行预测得到行程时间基准;Kalman滤波动态算法在基于SVM模型预测值和最新公交出行信息的基础上对结果进行调整。以深圳市223路常规公交线路为实例,将动态模型的预测精度结果与单一SVM模型、ANN模型结果进行对比,结果表明,基于SVM-Kalman滤波的公交车行程时间动态预测模型的预测精度更高、动态性能更好。     

基于最小二乘支持向量机的复杂装备故障预测模型研究

针对复杂装备故障信息不足、故障预测困难等问题,应用支持向量机建立了故障预测模型;在对支持向量机回归算法分析的基础上,利用最小二乘支持向量机建立故障预测模型;最小二乘支持向量机通过对相空间重构,有效地降低了模型的复杂度;最后,本文利用某导弹发射装置液压泵的故障数据进行了验证,通过选取合适的参数,该模型能够较好地对故障数据进行预测,预测精度较高;事实证明,基于最小二乘支持向量机建立故障预测模型能够较好地对复杂装备故障的趋势进行预测。     

支持向量机在商场客流预测中的应用

支持向量机是数据挖掘中的一个新兴技术,它对非线性的决策边界间的建模能力是高度准确的.本文通过分析支持向量机的原理和算法,并给出基于支持向量机的客流量预测模型,最后通过试验结果说明了支持向量机在预测中的有效性.     

基于健康度分析与和声蚁群算法-支持向量机的故障预测模型

针对现有的故障预测技术无法从整体上反映系统性能下降趋势等问题,提出一种基于健康度分析的故障预测方法.首先,在支持向量机回归算法基础上构造多输出支持向量机,以实现健康度的多步预测,并提出一种和声蚁群算法优化支持向量机参数,解决了蚁群算法易陷入局部最优的问题; 然后, 根据最优参数建立拟合监测数据和未来健康度下降过程非线性映射关系的和声蚁群算法-支持向量机(HSACA-SVM)故障预测模型; 最后,通过某装备电源系统监测数据验证了该模型的有效性.实例验证表明该模型能够较好地实现对健康度下降趋势的预测,预测准确率达到97%,进而实现故障预测.     

改进鲸鱼优化支持向量机的交通流量模糊粒化预测

针对支持向量机（SVM）在交通流量预测中存在波动性且预测精度低的问题,提出了采用模糊信息粒化（FIG）和改进鲸鱼优化算法（IWOA）的SVM模型来预测交通流量的变化趋势和动态区间。首先,对数据处理采用FIG方法进行处理,从而得到交通流量变化区间的上界（Up）、下界（Low）和趋势值（R）;其次,在鲸鱼优化算法（WOA）的种群初始化中采用动态对立学习来增加种群多样性,并引入了非线性收敛因子和自适应权重来增强算法的全局搜索及局部寻优能力,然后建立了IWOA模型,并分析了IWOA的复杂度;最后,以预测交通流量的均方误差（MSE）为目标函数,在IWOA迭代过程中不断优化SVM的超参数,建立了基于FIG-IWOA-SVM的交通流量区间预测模型。在国内和国外交通流量数据集上进行测试的结果表明,在国外交通流量预测上,与基于遗传算法优化的支持向量机（GA-SVM）、基于粒子群优化算法优化的支持向量机（PSO-SVM）和基于鲸鱼优化算法的支持向量机（WOA-SVM）相比,IWOA-SVM模型的平均绝对误差（MAE）分别降低了89.5%、81.5%和1.5%;而FIG-IWOA-SVM模型在交通流量动态区间和趋势预测上与FIG-GA-SVM、FIG-PSO-SVM和FIG-WOA-SVM等模型相比预测精度更高且预测范围更平稳。实验结果表明,在不增加算法复杂度的前提下,FIG-IWOA-SVM模型能够合理地预测交通流量的变化趋势和变化区间,为后续的交通规划和流量控制提供依据。     

基于近邻边缘检测的支持向量机

针对标准支持向量机方法需要存储、计算和处理核矩阵而学习效率很低,不能有效处理较大规模数据挖掘的问题,提出一种基于近邻边缘检测的支持向量机方法 (SVM Method Based on Neighbor Edge Detection, ED_SVM)。该方法将近邻边缘检测技术引入SVM的训练过程,即首先对数据进行划分,选择混合类样本,通过边缘检测技术提取其中位于近似最优分类边界附近的含有较多重要支持向量信息的样本,构成新的小规模训练集,以在压缩训练集的同时保持原始支持向量信息的分布特性;并在新构成的训练集上训练标准SVM,在提高SVM学习效率的同时得到优秀的泛化性能。实验结果表明,本文提出的ED_SVM方法能够同时获得较高的测试精度和学习效率。     

Projection Support Vector Machine Generators

Large-scale Support Vector Machine (SVM) classification is a very active research line in data mining. In recent years, several efficient SVM generation algorithms based on quadratic problems have been proposed, including: Successive OverRelaxation (SOR), Active Support Vector Machines (ASVM) and Lagrangian Support Vector Machines (LSVM). These algorithms have been used to solve classification problems with millions of points. ASVM is perhaps the fastest among them. This paper compares a new projection-based SVM algorithm with ASVM on a selection of real and synthetic data sets. The new algorithm seems competitive in terms of speed and testing accuracy.     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

基于信息浓缩的隐私保护支持向量机分类算法

支持向量机(SVM)的分类决策过程涉及到对原始训练样本的学习,容易导致数据中隐私信息的泄漏。为解决上述问题,提出一种基于信息浓缩的隐私保护分类方法IC-SVM。该算法首先根据样本的邻域信息,通过模糊C均值(FCM)聚类算法进行聚类分析;接着,使用信息浓缩准则对聚类中心进行处理,得到浓缩点组成的新样本;最后,使用新样本进行训练并得到决策函数,并用它去进行分类测试,可以较好地保护数据的隐私。在UCI真实数据和PIE人脸数据上的实验结果表明,IC-SVM方法既能保护数据信息的安全,又有较高的分类准确率。