首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 218 毫秒

1.  支持向量机理论与算法研究综述  
   丁世飞  齐丙娟  谭红艳《Canadian Metallurgical Quarterly》,2011年第40卷第1期
   统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.支持向量机(support vector maehinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景.    

2.  支持向量机理论与算法研究综述  被引次数:5
   丁世飞  齐丙娟  谭红艳《电子科技大学学报(自然科学版)》,2011年第40卷第1期
   统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.支持向量机(support vector maehinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景.    

3.  电机故障诊断支持向量机  被引次数:8
   曹志彤  陈宏平  何国光《仪器仪表学报》,2004年第25卷第6期
   基于数据的机器学习是现代智能技术中的重要方面。统计学习理论(Statistical learnmgtheory SLT)是研究小样本情况下机器学习规律的新理论。支持向量机(Support vector machine SVM)是在这一理论体系基础上发展起来的一种通用学习方法。SLT和SVM正成为继神经网络研究之后新的研究热点。通过对鼠笼式异步电动机转子断条故障进行实验模拟,对实验获取的采样电流信号经FFT分析,构造以低频到高频的频谱特性为分量的学习样本向量,通过支持向量机SVM对故障电流样本的训练,使SVM具有分类功能。最后,采用SVM对电动机各种转子断条故障进行诊断分类,取得较满意的结果,说明支持向量机SVM是进行故障诊断的一种新方法。    

4.  统计学习和支持向量机的理论与应用  
   赵海霞  吴胜昔  刘兴刚《机械设计》,2004年第21卷第Z1期
   统计学习理论是由Vapnik等人提出的一种专门研究小样本情况下机器学习规律的基本理论和数学构架,是对小样本数据进行统计估计和预测学习的最佳理论,同时也发展了一种新的通用学习算法--支持向量机(SVM),能够较好的解决小样本学习问题.本文介绍了统计学习学习和支持向量机的基本理论,并就其应用现状及发展前景进行了讨论.    

5.  基于支持向量机的旋转机械非线性故障诊断研究  被引次数:2
   王秉仁  刘兆阳  张家伟  田丽洁《煤矿机械》,2005年第2期
   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。介绍了支持向量机分类算法。探讨了该算法在故障诊断领域中的应用。并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明。SVM方法在小样本情况下的分类效果优于BP神经网络。    

6.  基于支持向量分类的水质分析应用研究  被引次数:1
   郑一华  徐立中  黄凤辰《仪器仪表学报》,2006年第27卷第Z3期
   支持向量机(SVM)是由V.Vapnik在统计学习理论(SLT)的基础上发展起来的一种新兴的用以解决小样本的机器学习方法.SVM能更好的代替传统分类器,特别是在高维数据空间具有较好的泛化能力.本文采用支持向量分类(SVC)方法研究了这一理论在工程领域的应用-济南地下水水质的分析.实验获得了较好的分类结果.SVC在小样本下的地下水水质分析中展示了良好的模式识别性能.    

7.  支持向量机的算法及应用  
   张娜  张永平《福建电脑》,2011年第27卷第2期
   统计学习理论是由Vapnik建立的一种专门研究小样本情况下机器学习规律的理论,支持向量机(SVM)是在这一理论基础上发展而来的一种新的通用学习方法。目前SVM已成为国际上机器学习领域新的研究热点,本文是一篇综述,旨在介绍SVM的一般理论、算法及应用,以引起国内学者的进一步关注。    

8.  支持向量机及其在机械故障诊断中的应用  被引次数:9
   袁胜发  褚福磊《振动与冲击》,2007年第26卷第11期
   支持向量机(SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性。对近年来支持向量机的研究进展及其在故障诊断中的应用做了简要介绍,讨论了支持向量机的特点和存在的问题,展望了其在机械故障诊断的研究前景。    

9.  基于支持向量机的网络风险评估方法的研究  
   赵小萌  张斌  程晓荣《硅谷》,2012年第1期
   统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。    

10.  基于支持向量机的曲线重建方法  被引次数:5
   王国锋  刘岩  李言俊《西北工业大学学报》,2004年第22卷第1期
   基于统计学习理论(SLT)的支持向量机(SVM)在高维空间中表示复杂函数是一种有效的通用方法,也是一种新的、很有发展前景的机器学习算法。文中简要介绍了基于支持向量机的理论,并在此基础上提出了一种基于支持向量机(SVM)的曲线重建算法,最后给出了实验,证明了该方法的有效性。    

11.  兰州站径流支持向量机预测  
   畅明琦  刘俊萍《水力发电学报》,2010年第29卷第4期
   统计学习理论是研究有限样本情况下机器学习规律的理论.支持向量机是基于统计学习理论的一种新型的机器学习方法,可以解决样本空间中的高度非线性分类和回归等问题.建立了两种模型,模型Ⅰ将黄河干流兰州站的径流时间序列作为输入,模型Ⅱ将径流时间序列和太阳黑子作为输入,两种模型都应用支持向量机对次年的年径流进行预测.结果表明,SVM模型泛化能力强,具有较满意的预测效果.它较好地解决了小样本、过学习、高维数、局部最小等问题,同时模型Ⅱ的预测效果优于模型Ⅰ的,说明径流除了与径流时间序列本身有关外,与太阳黑子活动等有较密切的关系.虽然两者间的物理关系尚需进一步研究,但是支持向量机反映出两者间的非线性关系.    

12.  支持向量机理论研究  
   宋倩  林和平  周琪栋《信息技术》,2013年第9期
   支持向量机(support vector machines,SVM)是一种基于小样本统计理论的机器学习方法,在解决非线性及高维模式识别中表现出明显的优势,是近年来机器学习领域的研究热点.文中介绍了支持向量机的原理,对经典的训练算法和一些新型的学习模型进行了阐述,最后指出所面临的问题和研究方向.    

13.  基于支持向量机和小波包能量特征的气液两相流流型识别方法  被引次数:25
   孙斌  周云龙《中国电机工程学报》,2005年第25卷第17期
   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得到很好的分类效果,从而为流型识别技术向智能化发展提供了新的途径.该文提出了应用支持向量机和小波包能量特征的流型识别方法.将压差波动信号小波包分解后的频带能量作为支持向量机的输入特征向量,并对水平管内空气-水两相流的流型进行了识别.试验结果表明:与BP神经网络相比,采用支持向量机进行流型识别可以获得更高的识别率,表明该方法是有效、可行的.    

14.  支持向量机在地基沉降预测中的应用  被引次数:1
   管志勇  宋涛  戚蓝  石颜军《沈阳理工大学学报》,2008年第27卷第2期
   尝试把最近发展起来的支持向量机(SVM)引入地基沉降的预测中.支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.本文提出了基于支持向量机的地基沉降预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的地基沉降预测模型.以实例数据为学习样本和测试样本,讨论了基于支持向量机的地基沉降预测的方法及其可行性.研究表明,支持向量机可以很好地表达地基沉降与其影响因素之间的非线性映射关系,用支持向量机方法来预测地基沉降是可行的.它为预测地基的沉降提供了一种新的方法.    

15.  SVM模式识别技术及在机械故障诊断中的应用进展  被引次数:4
   王长林  陈鸿宝  林玮  秦启茂  宋宜梅《桂林电子科技大学学报》,2009年第29卷第3期
   支持向量机(Support Vector Machines,SVM)是一种基于统计学习理论的新型机器学习方法,对小样本决策具有较好的学习推广性.为在机械故障诊断中更好地运用该方法,从基于支持向量机理论的模式识别技术和机械故障诊断中应用两方面,综述了近年来支持向量机国内外研究应用现状,分析了技术特点、存在问题、解决方案及其在机械工程领域应用前景.    

16.  支持向量机在机械故障诊断中的应用研究  被引次数:21
   李凌均  张周锁  何正嘉《计算机工程与应用》,2002年第38卷第19期
   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。    

17.  基于支持向量机方法的压电智能结构系统辨识  
   董兴建  孟光《振动工程学报》,2004年第17卷第Z2期
   支持向量机(SVM)是一种基于统计学习理论和结构风险最小化原则的新型机器学习方法,克服了传统机器学习方法在训练中的局部极小问题,过学习和欠学习等问题,具有很好的泛化能力.本文介绍了应用于回归分析的最小二乘支持向量机(LS-SVM)的基本理论,然后以随机激励下压电智能结构的响应数据作为训练样本集,采用LS-SVM方法辨识系统,仿真结果验证了这种方法的有效性.    

18.  基于支持向量机的装备故障诊断研究  
   赵强  周林  陈维  齐立辉《战术导弹技术》,2009年第6期
   支持向量机(SVM)是统计学习理论(SLT)的一种成功实现,它建立在SLT的VC维理论和结构风险最小化原理基础之上,能够较好地克服神经网络容易出现的过学习和泛化能力低等缺陷.提出了一种基于支持向量机的装备故障诊断方法,应用该方法成功地对某型装备几种典型故障进行了正确诊断.在对检验样本施加噪声后,支持向量机构成的故障分类器仍然能够满足发动机故障诊断要求,表明提出的故障诊断算法具有良好的鲁棒性和推广性.    

19.  基于支持向量机的机械故障智能分类研究  被引次数:6
   李凌均  张周锁  何正嘉《小型微型计算机系统》,2004年第25卷第4期
   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.    

20.  基于蚁群支持向量机的短期负荷预测  
   魏俊  周步祥  林楠  邢义《继电器》,2009年第37卷第4期
   支持向量机(SVM)是一种在统计学习理论基础之上发展起来的针对小样本数据且具有优良推广性能的机器学习方法。阐述了SVM的基本原理及特性,并采用一种新的适用于连续问题的蚁群优化算法(MG-CACO)对SVM核函数的参数进行了优化。同时介绍了基于MG-CACO算法的支持向量机技术的设计思想和特点。并对一实际电网的短期负荷预测进行了实例研究,其结果验证了基于MG-CACO算法的支持向量机预测方法提高了预测精度,此方法在短期负荷预测中的可行性和有效性。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号