空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

基于核的单类分类器研究

以统计学习理论为背景,以核方法为基础的两类典型单类分类算法：单类支持向量机（OCSVM）和支持向量数据域描述（SVDD）,均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现.本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.     

一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD．由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练．人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间．     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

基于支持向量数据描述的P2P流量识别

借鉴聚类思想引入基于支持向量数据描述(SVDD)的原理,建立P2P流量识别模型。该模型首先用主成分分析法(PCA)对训练集降维,然后用SVDD方法寻找包含大部分样本最小超球,保留各自支持向量样本点作为识别模型;然后计算测试样本距各球心距离,距离近者为其所属类别。该模型简单,适合P2P流量识别环境,克服了现有基于机器学习的流量识别方法在多类分类中模型复杂、数据不平衡等缺点。实验结果表明,该模型具有较高的分类精度和可靠性。     

基于二叉树和SVM的指纹分类

为解决支持向量机（Support Vector Machine，SVM）进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97．9％．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．     

基于二叉树和SVM的指纹分类

为解决支持向量机(Support Vector Machine, SVM)进行指纹多类分类存在困难的问题，在应用二叉树理论的基础上，提出了一种新型的指纹分类方法．该算法首先使用二叉树进行多类决策，将原始分类数据分解成3个二类分类问题，然后利用SVM进行二类分类，使3个分类超平面得到优化．两者的有机结合，充分发挥了SVM在二类分类问题方面相对于其它方法的优势，从而使算法的推广能力有较大提高，总的分类正确率可达97.9%．实验结果证明，二叉树构造多类框架将指纹多类分类问题分解成3个二类分类器系统，不仅可以有效的提高指纹分类的效率，还充分发挥了SVM分类器解决二类分类问题的优势．     

信息安全风险评估模型SVRAMIS

针对信息安全风险评估存在风险等级划分不准确和评估时间较长的问题,提出了一种基于支持向量域描述的信息安全风险评估模型.首先,运用支持向量域描述求得各类信息安全样本的最小包围超球,并通过描述边界对样本进行划分;其次,根据超球球心、半径与样本提供的信息,判断待测样本的空间位置,并实现相应的判别准则.信息安全数据上的数值试验表明,对不同的核函数,该模型均能具有较高的训练、较高的测试精度以及较短的训练时间.     

基于离散度的SVDD支持向量预选取方法

为了提高SVDD训练效率、降低存储空间需求,提出了样本的离散度概念,从理论上证明了样本的离散度和支持向量可能性大小之间的关系,并以此为依据来预选取支持向量.仿真实验表明该方法能够在保证SVDD分类精度的前提下,大幅减少训练样本数,而且比现有的其它方法精度更高,证明了该方法的有效性和优越性.     

旋转设备声学故障特征提取与优化方法

针对旋转设备原始故障特征空间中存在的冗余特征问题,提出一种基于支持向量数据描述（SVDD）和遗传算法的故障特征优化方法. 通过理论和实验分析构造了相对完备的设备声学故障特征空间;依据特征可分离性评价准则和SVDD识别率从原始故障样本数据集中提取出先验知识,指导种群的初始化;以类〖JP9〗内-〖JP〗类间距离判据和故障分类器的识别率评价种群中个体的适应度,在此基础上建立改进的遗传算法搜索最优故障特征子集.基于转子振动台所模拟的不平衡故障实验样本数据集,验证了该方法的有效性.     

基于MTC结构的支持向量机并行训练算法

为加快支持向量机的训练速度,提出一种新型的"多重三叉级联(MTC)"学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

Improved Approach Based on SVM for License Plate Character Recognition

An improved approach based on support vector machine （SVM） called the center distance ratio method is presented for license plate character recognition. First the support vectors are pre-extraeted. A minimal set called the margin vector set, which contains all support vectors, is extracted. These margin vectors compose new training data and construct the classifier by using the general SVM optimized. The experimental resuhs show that the improved SVM method does well at correct rate and training speed.     

基于支持向量机的矿区土地覆盖变化检测

利用支持向量机(SVM)对两类问题良好的分离性能,将其应用于矿区土地覆盖变化检测,实现了基于SVM的变化检测算法.该算法计算了多时相遥感数据的差值影像,利用SVM将全部像素分类标记为变化和不变化两个类别,在不变区域中选择训练样本,对变化区域进行分类,获得前后时相地物类别信息,构建变化转移矩阵,描述详细变化信息.应用多时相先进对地观测卫星(ALOS)遥感数据对矿区土地覆盖变化进行试验,并与变化矢量分析、差值阈值法进行对比,结果表明:基于SVM的变化检测方法具有更好的检测效果,能够提供全面的变化类别和方向信息,可以有效应用于矿区土地覆盖动态监测.