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。     

支持向量机算法在熔盐相图数据库智能化中的若干应用

支持向量机（SVM）方法可被用于熔盐系未知相图的计算机预报，将已知的二元卤化物系相图数据作为训练集，体系组成的离子半径和电负性作为特征量，用SVM方法可预报中间化合物的形成与否，熔化类型（同分熔化还是异分熔化）和估计中间化合物的熔点。本文报道了M2M′F4型的中间化合物的形成判据，M3M′Cl6型化合物的熔化类型的判据以及MM′X4型中间化合物熔点计算的回归方程式。用“留一法”检验所得的数学模型并将结果与传统的模式识别方法（Fisher法和KNN）进行了比较，结果表明：SVM的预报准确率比Fisher法和KNN法都高。因此，SVM方法有望成为计算机预报未知相图的有力工具。     

氧化铟半导体薄膜厚度控制的支持向量回归模型

将支持向量回归（SVR）方法用于氧化铟薄膜的厚度控制。取已有的实验数据作为模式识别训练样本，以样品中氧化铟的重量百分含量，原料的粘度，添加剂的重量百分含量以及两个处理工艺条件提拉速度和提拉次数作为特征变量，得到了用于计算薄膜厚度的回归方程式。用“留一法”检验所得数学模型的预报能力，并将结果与传统的模式识别方法（Fisher法和KNN）进行了比较，结果表明：SVR的预报准确率比Fisher和KNN方法高。因此SVR方法有望成为一种新的实验设计的手段。     

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。     

支持向量机算法用于拮抗药化合物活性的模式识别

试用新近提出的，特别适合于小样本多变量训练集的支持向量机（support vector machine,简称SVM）算法于复杂药物分子设计。对一批26个处理化疗或放疗呕吐拮抗药的候选化合物筛选数据用留一法判别SVM的预报能力。结果表明：与人工神经网络，最近邻法（KNN），Fisher法相比，SVM算法可以提供误报率更低的数学模型。     

支持向量机方法用于民航安检炸药判别研究

目前的民航安检X射线透视设备无法直接检出塑料炸药，国际上初步频研究有效的γ射线共振技术可以透射瞬时测定行李中的物件的氮，氢，氧，碳含量。为与此技术配套，本工作应用对小样本集统计预报特别有效的支持向量机（support vector mahine,简称SVM）算法根据样品的氮，氢，氧，碳含量判别常见民用品和炸药，并用留一法比较SVM，Fisher法和人工神经网络算法的预报效果。结果表明SVM算法误报最少，且对所列炸药无一漏报，据此建立了炸药判别系统软件的原型，在实验室中模拟测试结果良好。     

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。     

多环芳烃若干环化指标与分子几何参数的关系

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，本工作中应用支持向量回归算法和多环芳烃分子的环数，分子宽度，长度，体积，顶联接指数和边联接指数等几何参数作数据挖掘，总结了多环芳烃在空气－正辛醇分配比，多环芳烃在土壤中吸附参数，多环芳烃的生物浓度因子与分子几何参数关系的数学模型，用留一法证明，数学模型的预报可靠性较FLS算法建立的数学模型略优。     

改进KNN-SVM的性别识别

针对支持向量机（SVM）在超平面附近进行性别识别的不准确性,引入进行加权的K近邻（KNN）算法。提出了结合加权KNN和SVM的改进KNN-SVM算法,该算法用少量已知性别样本自动确定加权KNN与SVM的最优分类阈值,并计算待识别样本和支持向量机所确定的超平面的距离,通过距离与阈值的比较进行性别识别。基于FERET人脸库进行性别实验,实验结果表明,该算法比SVM算法和不进行加权处理的KNN-SVM算法的识别率更高。     

支持向量分类用于醚菊酯类似物构效关系的研究

将支持向量机分类方法用于醚菊酯类似物构效关系的研究，所用分子描述符为物理化学参数，包括该类化合物的两个取代基的Hammett常数σA、σB，摩尔折射MA、MB，疏水值之和П。建立了醚菊酯类似物生物活性预报的支持向量机预报模型，其留一法交叉检验的预报正确率为90．3％。将支持向量机的预报结果与主成分分析(PCA)、人工神经网络(ANN)、最近邻(KNN)的预报结果进行比较，所得SVM的预报正确率高于PCA、ANN、KNN的结果。因此，SVM方法有望成为研究药物构效关系的有力工具。     

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.     

An improved cluster labeling method for support vector clustering

The support vector clustering (SVC) algorithm is a recently emerged unsupervised learning method inspired by support vector machines. One key step involved in the SVC algorithm is the cluster assignment of each data point. A new cluster labeling method for SVC is developed based on some invariant topological properties of a trained kernel radius function. Benchmark results show that the proposed method outperforms previously reported labeling techniques.     

Improved support vector clustering

Support vector clustering (SVC) is an important boundary-based clustering algorithm in multi applications. But SVC’s popularity is degraded by its pricy computation and poor labeling performance. Different from existing modifications that only resolve one of two bottlenecks, this paper presents an improved SVC, iSVC, to address two bottlenecks simultaneously. iSVC’s contributions are as follows: (1) It includes a reduction strategy that can help to develop clustering model on a qualified subset. The reduction strategy is based on the Schrödinger equation to find the crucial data towards model formulation. (2) The original objective is modified; it cooperates with the reduction strategy to produce the model with subtle loss of quality. (3) iSVC employs a new label approach to label data according to the geometric properties of feature space. The new approach labels data in a simple but effective way without suffering from the randomness originated in the old algorithm. (4) The geometric property is proofed to guarantee the new labeling approach’s validation. Theoretical analysis and empirical evidence suggest that iSVC overcomes two bottlenecks well. And when compared with some common clustering methods, it does a good job in performance and efficiency, which opens a broad way of applications for SVC.     

基于多层SVC的钢坯编号识别研究

提出了一种用支持向量分类器(SVC)实现钢坯编号文字识别的方法.首先利用PCP算法对视频图像提取关键帧,然后利用彩色图像HSI空间中S分量的特性,定位钢坯区域;再利用一系列图像处理技术,对图像中钢坯编号区域定位、分割字符,最后利用SVC进行字符识别.实验结果表明,利用SVC可有效识别钢坯编号且速度快、识别率高,具有较高的实用价值.     

Gaussian kernel width exploration and cone cluster labeling for support vector clustering

The process of clustering groups together data points so that intra-cluster similarity is maximized while inter-cluster similarity is minimized. Support vector clustering (SVC) is a clustering approach that can identify arbitrarily shaped cluster boundaries. The execution time of SVC depends heavily on several factors: choice of the width of a kernel function that determines a nonlinear transformation of the input data, solution of a quadratic program, and the way that the output of the quadratic program is used to produce clusters. This paper builds on our prior SVC research in two ways. First, we propose a method for identifying a kernel width value in a region where our experiments suggest that clustering structure is changing significantly. This can form the starting point for efficient exploration of the space of kernel width values. Second, we offer a technique, called cone cluster labeling, that uses the output of the quadratic program to build clusters in a novel way that avoids an important deficiency present in previous methods. Our experimental results use both two-dimensional and high-dimensional data sets.     

Empirical risk minimization for support vector classifiers

In this paper, we propose a general technique for solving support vector classifiers (SVCs) for an arbitrary loss function, relying on the application of an iterative reweighted least squares (IRWLS) procedure. We further show that three properties of the SVC solution can be written as conditions over the loss function. This technique allows the implementation of the empirical risk minimization (ERM) inductive principle on large margin classifiers obtaining, at the same time, very compact (in terms of number of support vectors) solutions. The improvements obtained by changing the SVC loss function are illustrated with synthetic and real data examples.