基于支持向量机的供应商评价模型

提出了利用支持向量机建立供应商评价系统的方法．给出了供应商评价指标体系及具体量化方法，采用支持向量机的1-v-1分类策略建立了供应商的评价模型．最后通过仿真实验证明了基于支持向量机的供应商评估系统的可行性和实用性．仿真表明，支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力．     

基于海量样本的模糊分类系统的设计

使用支持向量机理论直接求海量数据的模糊分类系统是比较困难的。为了解决这个问题，该文提出了基于邻域原理计算支持向量，利用支持向量求出分类超平面，再设计模糊分类系统的方法。实验结果表明，该方法可以有效地解决对海量数据的模糊分类系统的设计 问题。     

基于Rough集和支持向量机的作战飞机效能评估

简述了效能评估的各种方法，建立参数效能模型时，首先要挑选特征参数，采用知识约简方法选择武器的特征参数。利用支持向量机建立了参数效能模型，通过实例与指数法和神经网络法的结果进行了比较，结果表明支持向量机比较精确和简单。     

模糊分类系统的邻域原理设计算法

使用支持向量机算法直接求海量数据的模糊分类系统是相当困难的.为了解决这个问题,提出了基于邻域原理设计模糊分类系统的方法.将支持向量机的理论建立在距离空间上,设计出了计算支持向量的邻域算法;利用所求的支持向量,基于平分最近点方法设计出了求分类超平面的算法,求出模糊分类系统,该算法优于基于支持向量机直接求模糊分类系统的方法.实验结果说明,该方法可有效地解决对海量数据的模糊分类系统的设计问题.     

支持向量机和正交设计方法的比较和应用研究

论文对支持向量机(SVM)和正交设计方法进行了比较。支持向量机在分类和回归方面广为应用，而正交设计方法在实验设计方面是非常有效的，并且在化学工业中应用广泛。本文使用了两因素、七维正交实验(干燥实验)作为例子来把支持向量机方法应用到实验设计中去。正交表是用来研究实验的最优化条件和显著因素，本文给出了支持向量机和正交实验设计的计算结果。通过两者的比较，可以看到支持向量在实验预测方面比正交设计方法效果更好。从而可知支持向量机在实验设计方面的前景广阔。     

基于代价敏感支持向量机的推荐系统托攻击检测方法

基于标准支持向量机的托攻击检测方法不能体现由于用户误分代价不同对分类效果带来的影响,提出了一种基于代价敏感支持向量机的托攻击检测新方法,该方法在代价敏感性学习机制下引入支持向量机作为分类工具,对支持向量机输出进行后验概率建模,建立了基于类别隶属度的动态代价函数,更准确地反映不同样本的分类代价,在此基础上设计了代价敏感支持向量机分类器。将该分类器应用在推荐系统托攻击检测中,并与标准的支持向量机方法、代价敏感支持向量机方法进行比较,实验结果表明,本方法可以更精确地控制代价敏感性,进一步提高对攻击用户的检测精度,降低总体的误分类代价。     

支持向量机和最小二乘支持向量机的比较及应用研究

介绍和比较了支持向量机分类器和量小二乘支持向量机分类器的算法。并将支持向量机分类器和量小二乘支持向量机分类器应用于心脏病诊断，取得了较高的准确率。所用数据来自UCI bench—mark数据集。实验结果表明，支持向量机和量小二乘支持向量机在医疗诊断中有很大的应用潜力。     

基于均匀设计的支持向量机参数优化方法

在实际应用中,支持向量机的性能依赖于参数的选择。针对支持向量机的参数选择问题进行了研究和分析,提出了基于均匀设计的支持向量机参数优化方法。与基于网格搜索、粒子群算法、遗传算法等支持向量机参数优化方法进行了比较与分析,采用多个不同规模的标准的分类数据集进行测试,比较了四种方法的分类正确率和运行时间。仿真实验表明,四种方法都能找到最优参数,使支持向量机的分类正确率接近或超过分类数据集的理论精度,本文方法具有寻参时间短的特点。     

试验设计、支持向量机方法在新药试生产中的应用

传统的新药试生产过程中,试验方案设计、数据分析大多是人为控制的,主观性太强。针对这些情况,建立了一套采用试验设计、支持向量机方法进行新药试生产的系统。首先采用试验设计方法科学合理地生成试验方案,并进行试验。对于试验数据,采用适合小样本数据进行分析建模的支持向量机(SVM)方法来建立回归模型,并用模型进行试验结果预测和方案优化。同时简单介绍了基于贪婪搜索的交互式优化方法等。最后以一个实例验证了该套方法的科学有效性。     

精确在线支持向量回归在股指预测中的应用

建立了基于精确在线支持向量机回归算法的股指短期预测模型，并通过和另外两种基于传统训练方式的支持向量机预测模型进行比较，验证了该方法的有效性。     

支持向量机在机械故障诊断中的应用研究

在机械故障诊断中,通常不具备有大量的故障样本,因此,制约了故障诊断技术向智能化方向发展。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。统计学习理论是专门研究少样本情况下的统计规律及学习方法的理论。SLT理论和SVM方法为故障诊断技术向智能化发展提供了新的途径。该文讨论了支持向量机在故障诊断领域中应用的分类算法。并以滚动轴承的振动信号为例进行了试验论证。试验表明:SVM方法对具有少样本的故障诊断领域具有很强的适应性。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于支持向量机的网络入侵检测

将统计学习理论引人入侵检测研究中，提出了一种基于支持向量机的入侵检测方法(SVM-Based ID)．针对入侵检测所获得的高维小样本异构数据集，将SVM算法在这种异构数据集上进行推广，构造了基于异构数据集上HVDM距离定义的RBF形核函数，并基于这种核函数将有监督的C-SVM算法和无监督One-Class SVM算法用于网络连接信息数据中的攻击检测和异常发现，通过对DARPA数据的检测试验结果表明提出的方法是可行的、高效的．     

一种改进的模糊多类支持向量机算法

支持向量机是基于统计学习理论的新一代机器学习技术;由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题;针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,以统计学习理论和支持向量机为基础,提出了一种改进的模糊多类支持向量机方法,它是在全局优化分类的基础上,引入模糊隶属函数,然后利用改进的序列最小最优化算法求解模糊多类支持向量机,实验结果显示运行时间减少了,方法是可行的和有效的.     

基于支持向量机的导航星选取算法研究*

在星敏感器导航星表的建立过程中由于恒星的数量太多, 往往要进行筛选, 通常这种选择是一种基于枚举的大量反复的提取过程, 复杂费时而结果往往并不是最优的。而基于统计学习理论( SLT) 的支持向量机( SVM) 方法正好克服了这方面的不足。SLT 理论和SVM 方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法, 构建了导航星分类器, 并以导航星的选取为例进行了试验论证。试验表明: 基于SVM 的导航星分类器对简化导航星的筛选过程优化导航星表的     

一种基于支持向量机的测井岩性预测新方法

支持向量机是基于统计学习理论的模式分类器，我们研究了一种基于SVM的测井岩性预测的新方法，通过这种方法我们完成了测井数据的分析．并预测出其对应的岩性、本文介绍了使用这种方法进行岩性预测的完整过程．并通过对实验结果的分析说明了这种方法的优点。     

采用遗传算法优化最小二乘支持向量机参数的方法

支持向量机是建立在统计学习理论上的一种学习算法,较好地解决了小样本学习问题.由不同的参数和核函数构造的支持向量机在性能上存在很大差异,而在参数和核函数的选择上目前还没有明确的理论依据.针对支持向量机的参数选择问题,提出了一种采用遗传算法优化最小二乘支持向量机参数的方法.结合LS-SVMlab工具箱,在MATLAB实验平台的仿真实验表明,该方法提高了支持向量机的参数选择效率,得到的参数对测试样本的分类结果是最优的,从而避免了人为设定参数的不足,同时缩短了优化时间.     

支持向量机及其在模式识别中的应用

Statistical learning theory(SLT)and support vector machine(SVM) are effective to solve problems of machine learning under the condition of finite samples.It is known that the performance of support vector machine is often better than that of some neural networks in pattern recognition,especially in high dimensional space,and they arewell used in many domains for recognition.This paper at first introduces the basic theory of SLT and SVM,then points out the key problems of SVM and its research situation in recent years,and at last describes some applications of SVM in the field of pattern recognition.     

SVM在阵列信号定位中的应用

函数拟合属于基于数据学习的问题。支持向量机是由Vapnik等人提出的小样本统计理论——统计学习理论发展而来的一种新的通用学习算法，特别在高维空间中表示复杂函数。该文叙述了基于支持向量机的函数拟合预测信源在水域中的位置，并仿真了在不同参数时所收到的不同结果。在小样本情况下，采用较大的惩罚值，就可以得到较高的精确率；同时测试了环境参数确定情况下，采用的样本数多也不一定能取得更佳的精确率，可见，在小样本情况下，样本数并不是主要因素。     

基于支持向量机的空调控温过程实时预测

分析了空调工作过程中温度控制的重要性与传统方法的不足,将基于统计学习理论的支持向量机方法用于控温过程中,对温度进行实时预测。采用数字实验对所提方法的可行性进行验证,结果表明该方法可以获得比传统方法更高的预测精度,实时性较高,能为空调控温系统提供更好的决策支持,具有较大的发展潜力和实用价值。