不确定模糊ID3算法及其在滑坡危险性评价中应用研究

针对传统的决策树区域滑坡预测模型难以刻画诱发因子雨量值的问题,提出了不确定模糊ID3决策树模型.首先设计了面积积分法,结合复合型隶属度函数将不确定属性模糊化以刻画雨量值,并结合ID3决策树算法,构造区域滑坡危险性预测模型,对延安市宝塔区进行滑坡危险性预测.实验数据结果证明,该模型的预测精度达到了可信要求,高于模糊ID3决策树预测模型;与不确定决策树算法和不确定多分类支持向量机算法相比,不确定模糊ID3算法具有预测精度收敛快和受样本数量影响较小等优势,具备较强的实践意义.     

基于不确定贝叶斯分类技术的滑坡危险性评价

由于引起滑坡的诱发因素(降雨)值无法准确获取,应用概率统计思想,刻画雨量值;依据延安黄土滑坡成灾机理研究,确定坡高、坡度、坡向、坡型、岩土体结构和植被覆盖为滑坡成灾基本因素;提出了不确定贝叶斯分类挖掘技术构建区域滑坡危险性评价模型方法,达到提高区域滑坡危险性预测精度的目的.以延安市宝塔区为例,验证了运用该方法进行区域滑坡危险评价的可行性.结果表明:采用不确定贝叶斯分类模型对研究区进行危险性划分,评价结果和实际滑坡发育情况吻合,合理地反映区内滑坡灾害发育的总体特征;不确定贝叶斯分类方法的零阶矩曲线下面积值比朴素贝叶斯方法有所提高,证明该方法科学合理.     

基于相空间重构和最小二乘支持向量机的滑坡预测

针对滑坡位移时间序列的非线性特性,引入基于相空间重构和最小二乘支持向量机（LSSVM）的预测法.利用Cao氏方法确定嵌入维数,根据互信息法计算最佳延迟时间;然后在相空间中,利用最小二乘支持向量机（LSSVM）建立预测模型.试验结果表明,模型具有较高的精度,是科学可行的.     

支持向量机与哈夫曼树实现多分类的研究

基于支持向量机和决策树的多分类方法存在错误累积问题,累积的错误往往使分类准确率下降,分类效果变差.在仔细分析了其产生错误累积原因的基础上,提出了基于哈夫曼树的支持向量机多分类方法.该方法首先将一个多分类问题分解为多个二分类问题,针对每个二分类问题使用支持向量机二分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较.实验结果表明,新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越.     

基于遗传支持向量机的多维灰色变形预测模型研究

多维灰色模型适合对多因素影响下的贫信息系统问题进行建模,但对多因素影响下的非线性变形系统建模和预测精不高,针对该问题进行分析研究.利用支持向量机算法建立多维灰色变形预测模型的残差与变形影响因素之间的非线性关系,对多维灰色变形预测模型的残差进行预测,并与多维灰色变形预测模型相加,对多维灰色变形预测模型进行修正,构建基于支持向量机的多维灰色变形预测模型.利用遗传算法优化支持向量机模型参数,提高支持向量机建模精度.该方法较好地解决了多维灰色变形预测模型精度不高的问题.把该模型应用于大坝变形预测,并与多种传统变形预测方法进行对比,结果证实该方法有效提高多维灰色变形预测模型的精度,且新模型精度远优于传统方法,是一种新的有效的变形预测模型.     

用于不平衡数据的去噪模糊支持向量机

为了降低支持向量机对不平衡数据的倾向性影响,以及减弱其对噪声点或野值点的敏感,提出了一种新的模糊支持向量机隶属度函数设计方法.该方法分析产生倾向性的原因,有效地区分样本对分类面的贡献,合理地设计隶属度函数.最后通过对含噪声的非均衡数据实验表明,该方法平衡了倾向性,提高了预测分类精度,从而增强了支持向量机在入侵检测和故障诊断等方面的应用.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

不确定数据的一个支持向量机分类方法

给出了输入数据含有不确定信息的一个支持向量机分类方法.通过未确知数理论,得到支持向量机分类的一个概率约束模型,然后通过一定方法将概率约束转化为一般约束,由此将给出的概率约束优化模型转化为一个确定性支持向量机分类模型,从而有效解决了含有不确定数据的分类计算问题.     

遗传最小二乘支持向量机法预测时用水量

为解决传统最小二乘支持向量机采用交叉验证确定参数耗时较长的问题,提出基于遗传算法和最小二乘支持向量机的城市时用水量预测方法.根据城市时用水量序列具有较强相关性的特点,利用自相关系数法分析时用水量序列的变化规律,并引入二进制编码的自适应遗传算法优化最小二乘支持向量机的超参数,采用交叉验证法确定遗传算法个体的适应值,建立了时用水量预测模型.实例分析表明：与基于传统最小二乘支持向量机的时用水量预测方法相比,基于遗传算法和最小二乘支持向量机的时用水量预测方法计算速度更快,预测精度更高.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

基于NGA-LSSVM的白水浓度软测量

提出了一种基于小生境遗传算法—最小二乘支持向量机(NGA-LSSVM)的软测量建模方法.充分利用遗传算法强大的全局搜索能力,引入小生境遗传算法对最小二乘支持向量机各个参数(损失函数参数、惩罚因子、核函数及其参数)进行优化选择,将支持向量机参数由人工选取变为自动确定,为解决支持向量机参数自动优化问题提供了一条有效的途径.将所提出的建模方法应用于制浆造纸生产过程白水浓度软测量研究中,研究结果表明:与普通最小二乘支持向量机相比,该建模方法具有更佳的预测精度,能满足造纸生产过程的实际需要.     

基于多尺度分割方法的斜坡单元划分及滑坡易发性预测

滑坡易发性预测可以有效预测潜在滑坡的空间位置,是滑坡危险性和风险性评价的基础。由于斜坡单元依据真实地形地貌划分和具有明确的地质特征意义,更多的学者尝试利用斜坡单元进行区域滑坡易发性预测。但是,如何高效准确地划分斜坡单元并考虑其内部环境因子的非均质性是制约斜坡单元应用的关键因素,也是目前研究中的难点。本文以江西省崇义县为例,首先,提取研究区域坡向和山体阴影图作为基础数据,采用多尺度分割（MSS）方法划分斜坡单元,并结合试错法和研究区域历史滑坡形态特征确定MSS方法的最优参数组合。然后,基于斜坡单元提取高程、坡度、剖面曲率等环境因子,分别导入支持向量机（SVM）和逻辑回归（LR）模型,构建Slope-SVM/LR易发性预测模型。通过变化值和标准差表征斜坡单元内部环境因子的非均质性,进而构建Variant Slope-SVM/LR易发性预测模型。最后,采用ROC曲线和频率比精度分析上述模型的预测精度。结果表明：1）当尺度、形状特征权重和紧致度权重参数分别取20、0.8和0.8时,研究区域斜坡单元的划分效果最好;2）Slope-SVM、Variant slope-SVM、Slope-LR和Variant slope-LR模型的ROC精度分别为0.812、0.876、0.818和0.839,相应的频率比精度分别为0.780、0.866、0.792和0.865, 说明Variant slope-SVM/LR模型的预测精度高于Slope-SVM/LR模型。因此,MSS方法可以实现高效准确地自动划分斜坡单元,考虑斜坡单元内部环境因子的非均质性可以提高易发性预测结果的准确性。     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.     

基于遗传支持向量机的时用水量预测模型

针对传统支持向量机采用交叉验证确定参数耗时较长的不足,提出了基于遗传支持向量机的时用水量预测模型.根据时用水量序列的相关性,确定预测模型的输入参数;利用自适应遗传算法优化支持向量机的参数,建立了时用水量预测模型.实例分析结果表明,与基于传统支持向量机的预测模型相比,基于遗传支持向量机的时用水量预测模型建模速度更快,预测精度更高.验证了所提出模型的合理性和有效性.     

基于类半径的多类分类SVM算法

分析了现有多类分类支持向量机算法的不足,在此基础上提出了基于类半径的多类分类支持向量机算法.这种算法在训练前首先对训练集进行分析,然后用one-class SVM进行分类.试验结果表明,该算法分类精度较高,训练时间短.     

基于模糊理论与支持向量机的变压器故障诊断方法

摘 要:针对变压器结构的复杂性和故障机理的多样性,提出一种基于模糊理论和支持向量机的变压器故障诊断方法.该方法首先采用模糊理论对故障样本数据进行预处理,提取故障特征,再用支持向量机方法进行故障分类,通过采用一对多(1-α-r)的方法实现多目标分类,得出诊断结果.针对支持向量机参数不易确定的问题,采用多层动态自适应算法...     

基于改进的K近邻和支持向量机客户流失预测

将K近邻分类法和支持向量机分类法结合起来,给出一种电信客户流失预测方法,即对边界样本采用加权K近邻分类,而对非边界样本采用改进的支持向量机分类。在公开不平衡数据集和电信数据集上的实验可验证所给方法有效,且能提高少数类的检测精度和总体评价指标。     

模拟电路故障的支持向量机集成诊断新方法

为了解决支持向量机应用于多类别模拟故障诊断时泛化性能较低导致诊断精度难以提高的问题,提出了一种基于支持向量机集成的模拟电路故障诊断新方法.首先,通过将本次迭代中不可分区域的样本加入训练集来构造下一次迭代的训练集,以提高基分类器间的差异性;然后选择分类精度不低于平均分类精度的基分类器进行集成,以提高整体诊断精度.实验表明,该方法应用于线性及非线性模拟电路均取得了良好的诊断效果.     

基于支持向量机的设备振动信号趋势预测

详细分析了支持向量机用于趋势预测的理论基础,通过Lorenz仿真信号的单步、多步预测证明,支持向量机由于采用了结构风险最小化准则表现出优秀的推广能力,预测区间较长且精度较高.工程应用实例也表明支持向量机在设备趋势预测中可以满足实际需要,具有很好的应用前景.