一类新样条光滑支持向量机

对光滑函数的逼近性能进行研究。为了更好地逼近支持向量机模型中的加号函数,提出两个新的三阶样条光滑函数。用新的光滑函数替代支持向量机模型中的加号函数,得到一种新的光滑支持向量机模型。由于新模型具有二阶光滑性,可用Newton—Armijo算法快速求解,数据实验表明新模型具有比较优越的分类性能。     

基于填充函数法的光滑分段半监督支持向量机

构造一个光滑分段函数,以逼近梯度直推式支持向量机模型中的不可微项,得到一种新的光滑分段半监督支持向量机模型。根据新模型的非凸特性,采用无参数填充函数法对其求解,以此避免参数调节的复杂过程,减小计算量.采用UCI数据库中不同规模的数据集,对新模型进行训练和测试,结果表明新模型可降低向量机的平均误分率,提高其分类性能。     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

一类新型的光滑支持向量分类机

为了解决支持向量机中非光滑问题,基于贝塞尔函数提出一范式的贝塞尔光滑支持向量机模型,并证明了贝塞尔函数的光滑性和收敛性,分析了其对正号函数的逼进性能。根据模型的特点,应用Armijo-Newton方法进行求解,理论分析和数值实验结果都证明贝塞尔光滑支持向量机在分类性能上优于以往提出来的光滑模型。     

基于K型核函数的支持向量机

提出了一个可行的支持向量核函数——K型核函数,由此得到了K型支持向量机.证明了K型核函数满足Mercer条件且是转移不变支持向量核函数,分析了K型核函数具有较小的计算量和计算时间代价,并且相应的K型支持向量机具有较高的精确性和较好的泛化能力,利用K型核函数得到了一种新型的K型支持向量机.最后给出了几个计算机模拟的实例,包括支持向量回归和支持向量分类,来说明K型支持向量机的优势.     

鲁棒支持向量机及其稀疏算法

基于非凸光滑损失的鲁棒支持向量机分类模型对异常点具有鲁棒性,但已有求解算法需迭代求解二次规划,计算量大且收敛速度慢,不适合训练大规模数据问题。为了克服这些缺点,首先给出收敛速度更快的方法求解鲁棒支持向量机模型;然后基于最小二乘的思想,提出了一种推广的指数鲁棒最小二乘支持向量机模型及其快速收敛的求解算法,并从理论上解释了模型的鲁棒性;最后利用核矩阵的低秩近似,提出了适于处理大规模训练问题的稀疏鲁棒支持向量机算法和稀疏指数鲁棒最小二乘支持向量机算法。实验结果表明,新算法在收敛速度、测试精度和训练时间等方面均优于相关算法。     

膨胀土等级判别的遗传支持向量机多分类方法

针对支持向量机模型中的参数难以确定的状况,提出了遗传支持向量机方法,即利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力,并将该方法应用于膨胀土胀缩等级的判别分类问题。考虑影响膨胀土判别的重要因素,选用液限、胀缩总率、塑性指数、天然含水量和自由膨胀率5个指标作为模型的判别因子,以4类膨胀土胀缩等级作为相应的输出,以膨胀土实测数据作为学习样本进行训练,建立相应分类函数对待判样本进行分类。研究结果表明：遗传支持向量机模型分类性能良好,预测精度高,是膨胀土胀缩等级分类的一种有效方法,可以在实际工程中进行推广。     

基于模糊支持向量机的医学图像分类技术

对每一个训练点都定义点模糊度,利用其隶属函数所包含的信息量来确定模糊度,在此基础上对传统的支持向量机算法进行了改进,提出了基于模糊支持向量机的医学图像分类技术。采用不同噪声图像进行的试验结果表明,模糊支持向量机方法能够较好地对MRI图像中脑组织进行分类,并且具有较高的精度。使用该方法还可以减少计算量,提高运算速度。     

一种新的自适应组合核函数

核选择是支持向量机研究中的核心问题之一,不同的核函数将产生不同的分类效果.研究了核参数和误差惩罚参数对支持向量机推广能力的影响,然后根据局部核函数与全局核函数的各自优点,提出了一种新的自适应组合核函数,并将该核函数应用于支持向量机中.最后,利用该自适应核进行不同领域数据的实验,实验结果表明由该核函数建立的支持向量机具有更好的预测能力.     

一种改进的双支持向量机

双支持向量机是近年提出的一种新的支持向量机。在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力。但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性。为了克服这个缺点,提出了一种基于模糊隶属度的双支持向量机。该算法设计了一种基于距离的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类。实验结果表明,这种改进双支持向量机的分类性能优于传统的双支持向量机。     

支持向量机的蛋白质远程同源检测方法分析

支持向量机是目前蛋白质远程同源检测应用最成功的方法。在介绍这些基于支持向量机核方法的原理之后,比较这些检测方法的不同之处;再从复杂性角度对比分析不同方法的计算效率;最后指出核方法中核函数的选取也决定支持向量机的分类能力。     

基于最小二乘支持向量机的岩土本构关系曲线拟合

最小二乘支持向量机（Least Square Support Vector Machine,简称LSSVM）是对支持向量机（SVM）的一种改进,是继人工神经网络（ANN）之后又一新的机器学习方法。利用LSSVM拟合了利用Duncan-Chang本构模型的E-V模式数值模拟岩土的三轴实验得到的应力-应变函数曲线。通过对比分析,验证了LSSVM用于岩土本构关系曲线拟合的可行性和精确性。     

基于后验概率加权的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点,提出了一种基于后验概率的加权模糊支持向量机.在模糊支持向量机中引入样本后验概率加权系数后,得到的样本点的隶属度在减弱噪音及孤立点对支持向量机分类的影响的同时,不影响支持向量对分类超平面的作用.实验结果证明,在抗击孤立点和噪音点的干扰方面,该法取得了很好的效果,提高了支持向量机分类的泛化能力和应用范围.     

基于支撑矢量机的TD-SCDMA系统多用户检测器

基于多用户检测的分类模型，提出了一种基于支撑矢量机的非线性多用户检测器，利用TD-SCDMA系统的Midamble来训练支撑矢量机，逼近最优检测器．与已有的其他检测器相比，支撑矢量机多用户检测器是基于结构风险最小化原理构造的，其推广能力较好且所需训练样本数较少；另外，支撑矢量机多用户检测器的非线性特性可以比线性检测器更好地逼近最优检测器．利用TD-SCDMA系统多径环境下的仿真结果验证了该检测器的可行性和有效性．     

三维动静组合加载下花岗岩能量耗散试验研究

利用改造的三维霍普金森试验系统(split Hopkinson pressure bar, SHPB),选取4个轴压水平(25, 50, 75和100 MPa)和4个围压水平(0, 5, 10和15 MPa),对应开展4种应变率(约70, 90, 110和130 s^-1)下花岗岩三维动静组合加载试验研究,分析静载轴压、静载围压和应变率对花岗岩受冲击过程中能量耗散的影响规律,并讨论其破坏模式。试验结果表明:轴压增大时,花岗岩破坏时单位体积吸收能逐渐降低;围压或应变率增大时,单位体积吸收能逐渐升高。岩石储能极限在能量耗散过程中发挥关键作用,且不同情况下具体表现不同:储能极限与初始储能的差值影响岩石受冲击时的吸能值;当岩石在静载下进入损伤阶段初期时,储能极限与初始储能的比值决定岩石受冲击时的释能值;当岩石在静载下进入损伤阶段后期甚至发生屈服时,储能极限值正比于岩石释能值。此外,岩石破坏模式与单位体积耗散能关系密切:应变率相似静载组合变化时,破碎程度与单位体积吸收能变化呈负相关;静载组合确定应变率梯度变化时,破碎程度与单位体积吸收能变化呈正相关。     

基于GA和LS-SVM的时间序列预测

支持向量机是在统计学习理论基础上提出的一种全新的机器学习方法。由于其出色的学习性能,该技术已经成为机器学习界的研究热点。研究了基于最小二乘支持向量机的建模方法,并用遗传算法自动获取最小二乘支持向量机的最优参数。在Matlab中ANFIS方法在输入维数大于5时就不予计算,而本建模方法则能够处理高维输入的非线性系统。并将其应用到十维Mackey-Glass混沌时间序列的预测中。结果表明,该方法具有自动获取最优参数、训练速度快、精度高、泛化能力强等优点。     

Estimating coal reserves using a support vector machine

The basic principles of the Support Vector Machine (SVM) are introduced in this paper. A specific process to establish an SVM prediction model is given. To improve the precision of coal reserve estimation, a support vector machine method, based on statistical learning theory, is put forward. The SVM model was trained and tested by using the existing exploration and exploitation data of Chencun mine of Yima bureau's as the input data. Then coal reserves within a particular region were calculated. These cal-culated results and the actual results of the exploration block were compared. The maximum relative error was 10.85%, within the scope of acceptable error limits. The results show that the SVM coal reserve calculation method is reliable. This method is simple, practical and valuable.     

基于蚁群和支持向量机的microRNA预测方法

由于microRNA在生物体系统中起着重要的调控功能,对microRNA进行快速有效的预测很有必要.本文通过使用蚁群算法和支持向量机相结合的思想,结合microRNA的前体pre-miRNA序列特征和结构特征,构造了一种microRNA的预测方法.通过采集Sanger和UCSE数据库中的人类阳性和部分阴性数据集进行学习和测试,同时使用J48和BP神经网络两种机器学习方法进行对比,实验结果显示,使用蚁群算法和支持向量机的方法预测pre-miRNA的识别率达97.471％,与另外两种方法相对比,识别率分别提高了8.736％和10.575％,预测的准确性有显著提高.     

支持向量机算法在电厂中的应用

支持向量机(SVM)是基于结构风险最小化原理的机器学习技术,在解决小样本、非线性和高维的机器学习问题中表现出许多特有的优势,适用于函数预测、模式识别和数据分类领域.该算法在火电厂运行优化、清洁生产、故障诊断等方面均有应用,参数预测精度能够满足工程应用,为火电厂的节能优化和故障诊断提供一个新的研究方向.