一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

基于遗传算法和支持向量机模型的高考成绩预测

为了提高支持向量机算法(SVM)预测的精度,使用遗传算法(GA)优化SVM模型参数,建立GA-SVM高考成绩预测模型。使用贵州省某高中高三理科学生4次模考成绩和高考成绩数据进行验证,与BP神经网络算法、多元线性回归、SVM模型比较,GA-SVM模型预测高考成绩的精度有明显提高,可为高考复习方向提供参考。     

基于GA优化SVM的干制红枣品种分类方法

基于遗传算法(GA)优化支持向量机(SVM)分类模型能够显著改善传统SVM的分类精度。以山东大枣、新疆灰枣、新郑大枣以及稷山板枣4类品种的干制红枣为研究对象,首先采用简单线性迭代聚类算法(SLIC)对预处理后的红枣图像进行分割处理;接着针对每类红枣,提取了其6个颜色特征和20个不同角度的纹理特征等26个参数;最后将以上参数输入基于GA优化的SVM分类模型(GA-SVM)。实验结果表明:与传统SVM算法相比,GA-SVM算法对红枣的分类准确率提升了20. 00%。     

基于L_1范数线性回归的NIR光谱产地鉴别算法

为了建立更准确、高效的柑橘产地鉴别模型,提出了基于L_1范数线性回归(L_1-LRC)的产地鉴别算法。该方法利用L_1正则化的学习方法进行最小误差重构分类,从而将特征选择和分类器学习过程进行有机的融合,并能够更有效地反应光谱信息中的结构特征。实验结果表明,基于L_1-LRC的NIR分析方法仅利用少量的样本就能够达到较高的识别精度,且获得了明显优于其他对比模型的结果,从而为快速高效的NIR产地分析提供了一个新的思路。     

改进粒子群算法优化的支持向量机及其应用

传统粒子群优化(particle swarm optimization,PSO)算法主要包含两方面问题,即易陷入局部极小和后期震荡严重,为此引入混沌序列来初始化粒子群的位置,并在简化的粒子群数学模型上从两个方面对其进行了改进。本文利用改进的PSO算法对支持向量机(support vector machine,SVM)的参数进行优化,仿真实验结果表明:与SVM、PSO-SVM以及遗传算法(genetic algorithm,GA)优化的SVM(GA-SVM)相比,改进PSO优化的SVM(IPSOSVM)算法具有较高的分类准确率,并且与PSO-SVM算法相比,准确率提高了3%~5%,与PSO-SVM算法以及GASVM算法相比,IPSO-SVM的训练和泛化速度都明显提高。本文将IPSO-SVM算法应用到遥感影像的分类中,分类结果表明,与PSO-SVM算法相比,IPSO-SVM算法具有更好的分类结果。     

基于模糊组合权重的BA-SVM短期负荷预测

针对支持向量机(SVM)内部参数优化和输入量大、时间长效率低和相似日选取的问题,提出一种模糊组合权重下相似日选取的蝙蝠算法(BA)优化的支持向量机(SVM)短期负荷预测模型。相似日的选取上主要利用熵权法和加权欧氏距离的k-均值算法对影响负荷变化的因素、负荷各时刻的变化特性进行区别对待,求取二者在相似日下集合的交集,从而得到与待预测日相似度高的相似日。同时,利用BA优化后的SVM进行负荷预测,提高内部参数的选取精度和效率。将该模型与常用的PSO-SVM、GA-SVM进行比较,证明了该模型能有效提高预测精度和计算效率。 更多还原     

基于集成学习的人类LncRNA大数据基因预测

长非编码RNA(LncRNA)在表观遗传调控、转录后调控和人类疾病中发挥着重要作用,利用机器学习方法从海量的RNA数据中识别出LncRNA十分必要。本研究提出一种基于集成学习的LncRNA大数据基因预测新方法。首先提取序列碱基出现频率的86个特征作为原始特征集合,其次,基于GA-SVM选取出最优特征,以SVM五折交叉验证的准确率作为适应度,最后构建AdaBoost算法与SVM相结合的基因预测模型(AdaBoost-SVM)。实验结果表明:AdaBoost-SVM模型对测试集LncRNA的预测准确率为89.26%,优于RF、SVM和DWT-SVM3种预测模型的结果。     

一种具有统计不相关性的最优边界鉴别向量集

为了解决现有维数约简算法受样本分布影响较大、不支持小样本学习等问题,在分析线性鉴别分析(LDA)中最优鉴别向量与支持向量机(SVM)中分类超平面法向量之间关系的基础上,基于统计不相关最优鉴别向量集优于正交最优鉴别向量集的事实,提出了通过对改进的SVM的二次优化问题进行递归求解来获取具有统计不相关性的最优边界鉴别向量集的算法,并使用核方法将其推广到可以解决非线性特征抽取问题.结果表明:在采用相同参数并使用k-最近邻分类器进行训练和测试的情况下,提出的算法对实际数据集Waveform,Heart,Diabetis的分类精度均高于SVM和RSVM,不会出现当抽取超过最优维数时随着抽取维数的增加分类精度反而降低的现象,体现了本算法在抽取不相关特征向量方面的有效性.     

基于分块分割GA-SVM算法的汽车侧面轮廓提取

针对基于图片的汽车侧面轮廓难以准确提取的问题,本文提出了基于图像分块遗传算法优化支持向量机参数方法。首先对汽车侧面轮廓进行分割,以图像分块处理的方式,将图像的前景或背景直接作为输出,运用支持向量机(support vector machine,SVM)对需要分割的部分进行分割,同时为了选择SVM的最优核参数c和g,运用遗传算法进行寻优,形成了GA-SVM算法。对分割后的图像进行二值化处理,并采用滤波运算除去杂点。在车窗及车灯位置极容易产生孔洞,对图片内部存在孔洞采用区域填充算法,最终得到汽车的侧面轮廓。实验结果表明,该算法能够较准确的提取汽车的侧面轮廓,减少分割时间。该研究具有一定的实际应用价值。     

GASA—SVM改进算法及其在柴油机供油系统故障诊断中的应用

针对目前支持向量机（SVM）参数选择的盲目性,结合遗传算法GA的并行搜索和模拟退火算法sA的概率突跳特性,提出一种改进的基于遗传退火算法（GASA）混合策略优化支持向量机惩罚函数和核函数参数的GASA-SVM算法。利用柴油机供油系统油压波形的实测数据,归一化处理后作为诊断模型的特征值,建立了基于GASA-SVM的柴油机供油系统故障诊断模型。通过与BP神经网络、RBF神经网络、SVM和GA-SVM故障诊断模型比较表明：应用GASA．SVM建立的故障诊断模型在故障识别准确性上优于其它网络模型,能够有效进行柴油机供油系统的故障诊断。     

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GA-SVM方法的结肠癌基因表达谱数据分析

对结肠癌的基因表达谱数据进行分析,提出选取其特征基因的新方法。首先考虑到基因表达谱数据高维数、小样本的特点,采用Bhattacharyya距离对数据进行降维,运用遗传算法生成特征基因子集,以支持向量机作为分类器,建立了基于GA-SVM的结肠癌两类别分类模型。实验结果表明,仅需提取10个特征基因就可获得95.62%分类准确率。     

Cubic meter compressive strength prediction of concrete

In order to improve the prediction accuracy of compressive strength of concrete,103 groups of concrete data were collected as the samples.We selected seven kinds of ingredients from the concrete samples, using Grid-SVM, PSO-SVM, and GA-SVM models to establish the prediction model of cubic meter compressive strength of concrete.The experimental results show that SVM model based on Grid optimization algorithm,SVM model based on Particle swarm optimization algorithm,SVM model based on Genetic optimization algorithm mean square error respectively are 0.001, 0.489 8, and 0.304 2, correlation coefficients are 0.994 8, 0.994 6, and 0.993 0. It is shown that cubic meter compressive strength prediction method based on Grid-SVM model is the best optimization algorithm.     

Application of GA-SVM in classification of surrounding rock based on model reliability examination

In order to improve the discrimination precision of support vector machine(SVM)in classification of surrounding rock,a Genetic Algorithm(GA)was used to optimize SVM parameters in the solution space.The idea of examination of model reliability was introduced to check the reliability of the SVM parameters,obtained by genetic algorithms.In the process of model reliability,a trend examination method is presented,which checks the reliability of the model via the influence trend of impact factors on the object of evaluation and their evaluation level.Trend examination methods are universal,showing new ideas in model reliability examination and can be used in any problems of examination of reliability of models,based on previous experience.We established a GA-SVM based reliability model of a classification the surrounding rock and applied it to a practical engineering situation.The result shows that the improved SVM has a high capability for generalization and prediction accuracy in classification of surrounding rock.     

基于机器视觉和支持向量机的脐橙品质分级检测

为实现利用机器视觉代替人工视觉对脐橙进行品质分级检测,采用数字形态学方法把脐橙从背景中分离出来,并提取脐橙的体积、果面缺陷、颜色和纹理等几个主要特征.以这些特征量为支持向量机(support vector machine,SVM)的输入特征向量进行SVM分类器训练.最后,用该分类器进行脐橙分级检测.实验结果表明:该分类器具有正确识别率高、实时性好的特点,适合于实时环境下的脐橙分级检测.     

Research on optimized GA-SVM vehicle speed prediction model based on driver-vehicle-road-traffic system

The accurate prediction of vehicle speed plays an important role in vehicle’s real-time energy management and online optimization control. However, the current forecast methods are mostly based on traffic conditions to predict the speed, while ignoring the impact of the driver-vehicle-road system on the actual speed profile. In this paper, the correlation of velocity and its effect factors under various driving conditions were firstly analyzed based on driver-vehicle-road-traffic data records for a more accurate prediction model. With the modeling time and prediction time considered separately, the effectiveness and accuracy of several typical artificial-intelligence speed prediction algorithms were analyzed. The results show that the combination of niche immunegenetic algorithm-support vector machine (NIGA-SVM) prediction algorithm on the city roads with genetic algorithm-support vector machine (GA-SVM) prediction algorithm on the suburb roads and on the freeway can sharply improve the accuracy and timeliness of vehicle speed forecasting. Afterwards, the optimized GA-SVM vehicle speed prediction model was established in accordance with the optimized GA-SVM prediction algorithm at different times. And the test results verified its validity and rationality of the prediction algorithm.     

基于数据分布信息的单类支撑向量机

单类支撑向量机(One-Class SVM)是一种重要的核方法,但是其缺少对数据分布信息的考虑,因而制约了其泛化能力的进一步提高。针对此问题,重新定义了原点到超平面的距离,进而提出了基于数据分布信息的单类支撑向量机(DD One-Class SVM)。推导构建了DD One-Class SVM算法的优化问题,详细分析和讨论了该优化问题在散度矩阵奇异情况下的求解方法以及该算法的非线情况。相对于传统One-Class SVM算法,该算法体现出了更好的泛化能力。     

基于数据分布信息的单类支撑向量机

单类支撑向量机（One—Class SVM）是一种重要的核方法,但是其缺少对数据分布信息的考虑,因而制约了其泛化能力的进一步提高。针对此问题,重新定义了原点到超平面的距离,进而提出了基于数据分布信息的单类支撑向量机（DDOne—Class SVM）。推导构建了DDOne—Class SVM算法的优化问题,详细分析和讨论了该优化问题在散度矩阵奇异情况下的求解方法以及该算法的非线情况。相对于传统One．Class SVM算法,该算法体现出了更好的泛化能力。     

GA优化的SVM在量化择时中的应用

针对量化投资过程中因交易信号判断不准确而导致的择时难问题,利用具有优良非线性可分能力的支持向量机建立基于历史价量信息(开盘价、收盘价、最高价、最低价、成交量和短长期移动平均指数)的量化择时模型. 在策略模型的具体应用中,为了确定LIBSVM ToolBox中的“-c”和“-g”参数,本文首先通过遗传算法对其寻优,然后利用MATLAB软件实现了对个股(浦发银行)自2012年1月4日至2016年6月22日的策略回测,最后以沪深300指数为基准从年化收益率、相关绩效指标和最大回撤等角度对回测结果进行了分析,得出GA-SVM可被有效运用到量化择时中去的结论.