提高雷达HRRP目标识别和拒判性能的核学习算法

雷达高分辨距离像(HRRP)数据具有明显的多模分布特性．在雷达HRRP识别和拒判中,采用单个高斯核很难准确地描述HRRP数据的多模分布．针对该问题,将单个高斯核扩展到多个高斯核线性组合的形式,并将该组合形式应用到支持向量域描述(SVDD)中来处理识别和拒判问题．根据对组合系数自由度的不同限制,扩展后的多核支持向量域描述(Multi-kernel SVDD)方法可以分别表述为不同的凸优化形式:二阶锥规划(SOCP)和半正定规划(SDP),它们都可以收敛到全局最优解．新方法采用了更加复杂的核函数形式,能够更加灵活地描述HRRP数据在高维特征空间的多模分布,从而提高雷达HRRP的识别和拒判性能．仿真实验结果显示该方法的损失值仅为单核SVDD的88.6％~93.2％．     

基于多核SVM-GMM的短语音说话人识别

运用多个核函数的线性组合构造多核空间,在多核空间上设计了基于支持向量机的说话人分类器,实现短语音说话人识别。多核映射能够解决单核映射核函数及其参数选择的难题,增加说话人的可区分性,提高分类器的性能。算法中结合了高斯混合模型(GMM),并以GMM超向量作为说话人的最终特征参数进行仿真实验。实验表明,在短语音和两种噪声环境中,基于多核SVM-GMM的短语音说话人识别算法较SVM-GMM算法能得到更好的识别性能和鲁棒性。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别．利用模糊域分布可以很好地刻画信号的时频局部化特征，与时一频平面特征提取相比，又可大大降低数据维数．对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果．     

多支持向量机的乳腺肿瘤识别

针对乳腺肿块具有大小不固定和个体差异等特性,提出了一种多支持向量机对乳腺肿块的识别方法.选择八个方向上的支持向量生成分类器,选取高斯核函数作为核函数,其中取σ=30时分割正确率达到97.3%.表明多支持向量机应用于乳腺肿块识别可以获得较好的识别效果,为进一步的医学诊断提供可靠的依据.     

基于多核学习算法的钢铁生产轧钢过程故障检测

针对轧钢生产过程中在线故障检测和故障诊断的问题,提出一种基于多核学习算法的钢铁生产轧钢过程在线故障检测模型.首先针对学习样本建立核主成分分析与支持向量数据域描述模型,然后基于T2、Q统计量,以及数据域描述包络情况对轧钢过程进行初步识别,最后构建基于多分类多核最小二乘支持向量机预测模型,对初识结果进行细分类,识别故障级别.利用上述模型对轧钢加热炉故障和机组故障进行了试验.结果表明,该方法能有效检测钢铁生产轧钢过程的故障.     

混响背景中信号检测的特征核支持向量机

针对支持向量机的核函数对检测性能的影响,分析了核函数在特征空间中的作用.利用混响和目标回波的非高斯特性上的差异设计了特征核函数,即将核函数改进为任意2个样本高阶统计量的几何均值与原核函数乘积的形式,使其自适应调整核函数值,从而提高分类性能.实验证明了采用特征核函数后扩大了2类样本间的距离,并且仍然满足Mercer定理.将特征核支持向量机应用于高斯或非高斯分布混响背景中的信号检测,结合实际应用给出了训练和检测算法.实验及仿真研究表明,当选取2类样本差异较大的高阶统计量作为特征量时,混响背景为非高斯分布时,其检测性能优于匹配滤波器以及基于传统核函数的支持向量机.     

基于特征加权的多核支持向量机

提出一种改进的多核支持向量机算法。利用特征向量的信息熵,计算出特征向量关于分类标签的信息增益,用该信息增益作为数据集特征向量的权重系数,然后结合多核支持向量机的核学习能力,对特征向量非均等区别对待,使得分类更加准确。对比实验结果表明,与支持向量机、多核支持向量机相比,改进算法分类正确率得以提升。     

基于模糊域和支持向量机的故障诊断方法

将模糊域分布和支持向量机相结合，提出了一种故障诊断的新方法，该方法将模糊域分布中的局部能量作为特征输入到支持向量机的多故障分类器进行故障识别.利用模糊域分布可以很好地刻画信号的时频局部化特征，与时-频平面特征提取相比，又可大大降低数据维数.对于不同类型的核函数分布，将其诊断结果进行比较，试验结果表明，基于模糊域的支持向量机故障分类无需核函数滤波就能取得最好的分类效果.     

一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

非稀疏多核组合的支持向量回归方法

为了改善支持向量回归机的性能,本文提出了一种利用多核学习解决回归问题的算法(NS-MKR),算法对基本核函数的组合系数施加了Lp范数的约束(p>1),以得到组合系数的非稀疏解,并采用了两步优化方法,首先求解基于加权组合核的标准支持向量回归问题,用于学习拉格朗日乘子,然后采用简单的计算,求得基本核函数的组合系数,这两个步骤交替进行,直到满足事先定义的收敛准则。在人工数据集和真实数据集上的实验表明,相对于传统的单核和稀疏多核支持向量回归方法,本文提出的算法有更好的泛化性能。     

基于人工免疫核聚类的支持向量数据描述方法

为使支持向量数据描述(SVDD)能应用于无监督多分类情况,提出了一种基于人工免疫核聚类的支持向量数据描述(AIKCSVDD)方法。AIKCSVDD将人工免疫核聚类产生的记忆抗体作为目标数据点,使用SVDD方法进行多类学习。在AIKCSVDD中,一方面实现了用核聚类方法解决各类数据边界不清晰的长处与免疫网络聚类方法全局收敛、不需要先验知识的优点的有机结合;另一方面,由于用记忆抗体代替原始数据进行学习,从而更好展现了原始数据的全局分布特征。与基于K-means聚类multi-SVDD方法相比,AIKCSVDD不需要事先指定分类数;在人工数据集和UCI数据集上的实验表明,在为multi-SVDD指定分类数的情况下,AIKCSVDD仍比multi-SVDD具有更好的分类性能。     

基于特征空间降维的溶剂脱水分离过程监控

针对传统化工过程中检测变量具有的非线性和非高斯性等特点,提出将改进的核主元分析（KPCA）和支持向量数据描述（SVDD）相结合的化工过程故障诊断方法.根据Mexican hat小波在提取非线性非平稳信号细微特征方面的优势,将该小波函数引入到KPCA中以增强核函数的非线性映射和抗噪能力.在映射后的特征空间中进行均值聚类分析,选择每个聚类中展现特征中心的数据,使运算复杂度明显降低,提高了监控实时性.采用SVDD描述经过聚类降维后的特征空间分布,提出新的监控指标描述过程的非高斯特性.将该方法应用在一个实际的溶剂脱水化工精馏过程中,仿真结果验证了该方法能够及时有效地检测系统产生的故障.     

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.     

基于支持向量数据描述的高效异常数据检测算法

为了解决大规模数据中的异常检测问题,提出了基于支持向量数据描述(SVDD)的高效离群数据检测算法。该算法的核心思想为:首先利用SVDD获得包含单类数据的最小球形边界,然后通过该边界对未知样本数据进行分类,并利用最小闭包球算法对SVDD分类器进行优化求解。在UCI机器学习数据集和入侵检测数据集上将该算法与其他离群数据检测算法进行了实验比较,结果表明,该算法不仅获得了更高的检测准确率,而且具有较低的运行时间。     

基于核的k最近邻算法

将核学习的方法应用到k最近邻算法中,提出了1种基于核的k最近邻算法.该算法通过引入核函数,将原空间中的样本映射到1个高维核空间中,突出了不同类别样本之间的特征差异,使样本变得线性可分,从而提高分类性能.并利用UCI数据库中的数据分别验证了k最近邻分类和核k最近邻分类算法的有效性.     

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.