球形映照方法用于三唑类抗真菌药物活性类别的预报

在进行分子力学和量子化学计算的基础上，采用球形映照（SLM）方法对三唑类衍生物进行了构效关系的研究，建立了三唑类衍生物抗真菌活性类别预报的数学模型，其留一法交叉检验（LOOCV）的预报正确率为88．2％。将该结果与主成分分析（PCA），Fisher，最近邻（KNN）的预报结果进行比较，所得SLM的预报正确率高于PCA，Fisher，KNN的结果。因此，SLM方法有望成为研究药物构效关系的有用工具。     

支持向量机用于胍类化合物Na/H交换抑制活性的模式识别

将Vapnik提出的支持向量机（support vector machine,简称SVM)算法用于化合物活性的模式识别研究。SVM算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法，将其用于N－（3－氧－3，4－双氢－2氢－苯并[1,4]恶嗪－6－羟基）胍类化合物的Na/H交换抑制活性类别的识别研究，用留一法考察了SVM模型的预报能力，并与Fisher判别矢量法和最近邻（KNN）法的分类预报结果进行比较，结果表明：SVM算法的预报结果优于Fisher法和KNN法的结果，因此，SVM算法可望应用于药物的构效关系研究领域。     

支持向量机算法研究头发微量元素与高血压的相关性

将Vapnik提出的支持向量机(Support Vector Machine，SVM)算法用于总结头发中多种微量元素含量与高血压的对应关系的结果。通过对26个高血压患者和27个健康人的头发样品的多种微量元素的定量分析，用支持向量机研究头发徽量元素与高血压的相关性，结果表明：若以头发中Al，Cu，Zn，Ca，Mg含量以及Zn／Cu比作为特征量集合作数据挖掘，所建数学模型对高血压患者与健康人的正确分类率可达96．2％，留一法预报正确率则可达86．7％。计算表明：支持向量机算法建模的正确分类率和留一法预报正确率均较Fisher法和KNN法等传统的模式识别算法高。因此，SVM算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的新算法，并可望在化学计量学领域得到进一步的应用。     

机动车综合排气性能的支持向量分类和预报方法

支持向量机（SVM）算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法。由于它根据严格的数学理论，同时考虑了拟合精度和对过拟合的抑制，故能基于小样本集作较可靠的计算机预报，本工作用这一算法研究了11类排量为125cc的四冲程摩托车的综合排气性能的分类和预报方法，并用留一法比较了SVM算法与Fisher法和KNN法的预报准确率。结果表明：SVM算法所建立的数学模型的预报正确率比Fisher法和KNN法高，因此，SVM算法可望应用于环保领域。     

几种QSAR建模方法在化学中的应用与研究进展

定量构效关系(quantitative structure activity relationship,QSAR)是对化合物结构与其活性之间关系的定量描述研究,它是目前国际上1个比较活跃的研究领域。定量构效关系研究最初应用在生物领域,是定量药物设计的1个研究分支领域,为了适应合理设计生物活性分子的需要而发展起来的。由于计算机技术的发展和应用,QSAR的研究提高到了1个新的水平,日益成熟。QSAg的研究对象包括化合物的各种生物活性、毒性、药物的各种药代动力学参数和生物利用度以及分子的各种物理化学性质和环境行为等,研究领域涉及化学、药物以及环境等诸多学科。本文简单介绍了几种2D-QSAR和3D-QSAR建模方法:多元线性回归(MLR)、主成分分析(PCA)、偏最小二乘法(PLS)、人工神经网络(ANN)、支持向量机(SVM)、比较分子力场分析方法(CoMFA)和比较分子相似性指数(CoMSLA),并对这几种不同的建模方法在实际中的应用进行举例。综述了定量构效关系在环境化学、农业化学、药物化学中的应用,并对定量构效关系研究的发展趋势进行了展望。     

基于混合贝叶斯SVM的电价分类与预测

电价的分类与预测是电力市场电价理论研究中的重要内容。该文提出了混合贝叶斯支持向量机方法(BE-SVM)，通过贝叶斯统计方法对电价进行分类，挖掘有效的数据信息，并结合支持向量机(SVM)技术预测现货电价数据，贝叶斯前验分布和后验分布用来估计SVM中的参数。通过比较模型BE-SVM、SVM 和神经网络(ANN)的预测结果，表明该文提出的BE-SVM方法提高了电价的预测精度，是一种有效的方法。     

基于混合分类器的表情识别方法

根据隐马尔可夫模型(HMM)适用于处理连续动态序列信号、支持向量机(SVM)与K近邻分类器(KNN)擅长模式分类的特点,设计一种(HMM+KNN)+SVM的混合分类器。利用HMM与KNN对测试样本进行判决。当判决结果相同时,直接输出判决结果,否则引入SVM对测试样本进行再判决。实验结果表明,该方法所确定的分类器优于单一的分类器判决,能有效实现表情识别。     

基于支持向量机和k-近邻分类器的多特征融合方法

针对传统分类方法只采用一种分类器而存在的片面性,分类精度不高,以及支持向量机分类超平面附近点易错分的问题,提出了基于支持向量机（SVM）和k 近邻(KNN)的多特征融合方法。在该算法中,设样本集特征可分为L组,先用SVM算法根据训练集中每组特征数据构造分类超平面,共构造L个;其次用SVM KNN方法对测试集进行测试,得到由L组后验概率构成的决策轮廓矩阵;最后将其进行多特征融合,输出最终的分类结果。用鸢尾属植物数据进行了数值实验,实验结果表明：采用基于SVM KNN的多特征融合方法比单独使用一种SVM或SVM KNN方法的平均预测精度分别提高了28.7%和1.9%。     

支持向量机算法用于夜光藻密度建模

支持向量机（SVM）算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于环境保护领域。用支持向量回归算法总结了石城岛，王家岛附近赤潮发生与海水温度，溶解氧，盐度，总氮量，无机磷，浮游植物密度的对应关系。用支持向量回归算法求得赤潮爆发的数学模型。留一法结果表明，支持向量回归的预报误差比人工神经网络小。支持向量机方法可以成为研究赤潮发生机理，探索赤潮预报途径的一种工具。     

基于EMD和PCA的P300分类算法

提出一种基于经验模态分解(EMD)及主分量分析(PCA)的分类算法,采用支持向量机(SVM)对P300脑电信号字符拼写实验进行分类,通过EMD变换对P300脑电信号分解,从而达到去噪增强特征的效果,使用PCA方法对原始P300信号进行特征提取和集中,并送入SVM中实现分类。实验结果表明,该算法能获得高达96%的分类正确率。     

基于可拒识-双层支持向量分类器的微钙化点检测

为克服医学图像微钙化点检测中假阳性高的缺点,构造了一种带拒识能力的双层支持向量模型分类器,用于钙化点检测.检测时,首先利用基于最大间隔超平面的支持向量分类器（SVC）对输入模式进行分类判决;然后通过求取真实钙化点样本特征空间最小的包含球形边界来得到钙化点样本的球形支持向量域表示（SVDD）;接着利用钙化点的支持向量域表示对输入模式进行拒识或接受处理;最后利用SVC与SVDD两个分类器的结果来进行综合判决.仿真实验结果表明,该算法在不影响微钙化点的检出率的情况下,可部分解决假阳性高的问题.     

基于支持向量聚类的多聚焦图像融合算法

从无监督机器学习角度提出了一种基于SVC(support vector clustering)的图像融合规则,解决了基于SVM(support vector machine)的融合规则在处理多聚焦图像融合问题时所引起的区域混叠与非平滑过渡问题,进一步提高了融合图像的质量.使用非降采样离散小波变换对源图像进行多分辨率分解,基于网格提取源图像的特征.图像特征集合作为SVC的输入数据集,聚类结果最终由区域鉴别算法分配到两个区域:互补信息区域和冗余信息区域,并分别采用选择法和加权平均法生成融合图像的多分辨率表示,通过对这一多分辨率表示进行小波逆变换重构融合图像.详细研究了SVC的参数q与融合效果的评价参数RMSE之间的关系.理论分析及实验结果均表明,SVC用于图像融合问题是合适的,而且比较实验显示,基于SVC的融合规则优于基于SVM的融合规则.     

支持向量学习的多参数同时调节

模型选择是支持向量学习的关键问题.已有模型选择方法采用嵌套的双层优化框架,内层执行支持向量学习,外层通过最小化泛化误差的估计进行模型选择.该框架过程复杂,计算效率低.简化传统的双层优化框架,提出一个支持向量学习的多参数同时调节方法,在同一优化过程中实现模型选择和学习器训练.首先,将支持向量学习中的参数和超参数合并为一个参数向量,利用序贯无约束极小化技术(sequential unconstrained minimization technique,简称SUMT)分别改写支持向量分类和回归的有约束优化问题,得到多参数同时调节模型的多元无约束形式定义;然后,证明多参数同时调节模型目标函数的局部Lipschitz连续性及水平集有界性.在此基础上,应用变尺度方法(variable metric method,简称VMM)设计并实现了多参数同时调节算法.进一步地,基于多参数同时调节模型的性质,证明了算法收敛性,对比分析了算法复杂性.最后,实验验证同时调节算法的收敛性,并实验对比同时调节算法的有效性.理论证明和实验分析表明,同时调节方法是一种坚实、高效的支持向量模型选择方法.     

改进支持向量聚类算法的研究

支持向量聚类，是在支持向量机理论的基础上发展出来的一种新颖的聚类方法，相比传统的各种聚类算法具有更好的表现。它通过二次规划问题求解，能得到全域最优解；能处理任意形状的聚类，对噪声能有效处理；无须事先指定聚类数目，而且参数少；容易处理高维数据。因此适合于希望提高准确度，而又可以离线实现的场合。     

基于支持向量机的污水处理软测量算法的研究

针对污水处理过程中生化需氧量BOD难以实时在线测量的问题,建立了用于预估BOD的支持向量机（SVM）的软测量模型。考虑到该支持向量机模型的测量精度取决于其两个参数C、σ能否获得最优值,采用遗传算法和粒子群优化算法,实现对这两个参数的寻优。仿真结果表明：该软测量模型的测量精度较高,可用于污水处理厂对BOD进行在线测量。     

基于支持向量机的白细胞自动识别

考虑到支持向量机(SVM)在训练样本有限的情况下处理高维数据上的优势,鉴于白细胞多光谱图像数据维数高的特点,为提高白细胞识别的速度和精度,采用支持向量机对白细胞的多值分类问题进行了研究,设计并实现了核函数为二值径向函数(RBF)的分类器,实验结果表明,该分类器有效地解决了白细胞的识别速度和精度问题,识别率达到了89.02%.     

一种基于GA和支持向量机的车牌字符识别方法

以高斯核为其核函数的支持向量机在实际应用中表现出优良的学习性能,被广泛应用于模式分类中。支持向量机的识别性能对参数的选取是敏感的,惩罚因子C和核函数参数σ对支持向量机性能会产生重要的影响。针对高斯核支持向量机在车牌字符识别问题中的应用,提出了一种基于遗传算法的参数选择方法。首先确定合适的遗传算法适应度函数,然后利用遗传算法对支持向量机的参数进行优化,最后在各个识别子网中分别采用参数优化后的支持向量机对车牌字符进行识别。实验结果表明,该方法取得了令人满意的识别率。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。