非球形分布数据集的去噪方法

针对传统支持向量机(SVM)对噪声点过于敏感,模糊支持向量机(FSVM)又对样本集几何形状过分依赖等问题,提出基于噪声过滤系统的粗糙支持向量机(NFS-RSVM)。该方法首先用噪声过滤系统(NFS)将极可能为噪声点的样本过滤掉;然后将数据间隐含的等价类信息作为双惩戒因子融入到支持向量机模型中,进一步区分有效样本和噪声样本。基于UCI数据集的仿真结果表明,NFS-RSVM方法能有效地将数据中的大部分噪声点去除,与传统的SVM和FSVM相比分类精度有一定程度的提高。因此,该方法在处理噪声样本较多又呈现非球形分布的数据集时,表现出较好的抗噪性、分类效果和泛化能力。     

Online SVM在实时入侵检测中的应用研究

Online支持向量机作为一种新的分类方法可以在异常入侵检测中提供良好的分类效果。根据Online算法对传统支持向量机、Robust支持向量机和One-class支持向量机进行改进，将改进后的算法与原始算法进行比较，然后使用1999 DARPA数据作为评估数据。通过实验和比较发现，改进后的支持向量机可以实现在线训练，而且使用更少的支持向量，训练时间也有效缩短，在噪声数据存在的情况下检测正确率和虚警率比未改进前有一定程度的提升。     

非均衡数据的去噪模糊支持向量机新方法

针对支持向量机对噪声的敏感,以及当两类训练样本数量差别悬殊时,造成分类结果倾向较大类等弱点,通过理论分析,合理地设计隶属度函数,提出了一种新隶属度函数的模糊支持向量机。该方法既可补偿倾向性造成的不利影响,又可增加抗噪声能力,提高预测分类精度。最后通过对含噪声的非均衡数据实验表明,该方法比传统支持向量机和简单去噪模糊支持向量机都有着较高的分类能力。     

一种基于一类支持向量机的时序异常检测算法

提出一种基于一类支持向量机的时序异常检测算法。该算法通过投影相空间重构法将时序数据转换为向量,构造数据依赖的核函数来优化SVM对多噪声非线性时序数据的处理,最后用一类支持向量机进行异常检测。     

改进的WSVM入侵检测方法

在网络入侵检测中,数据类别不均衡训练集的使用将产生分类偏差.支持向量机(SVM)是一种新型的统计学习模型,在处理小样本和学习机的推广能力上有很大的优势.将加权支持向量机(WSVM)用于网络入侵检测中,使得入侵检测在小样本的条件下仍然具有较好的推广能力,并结合同时处理KDD Cup 1999 Data中的连续数据和离散字符,计算机仿真结果与其他方法比较结果表明,改进的WSVM入侵检测方法不但检测率提高,而且训练时间也缩短了,所以此改进方法是可行而高效的.     

两种不确定支持向量机分类性能的对比研究

为了克服支持向量机方法对于噪声或孤立野值点敏感的问题,通过引入模糊理论与粗糙集方法,可以分别得到两种不确定支持向量机模型.文中通过分析和比较模糊支持向量机和粗糙支持向量机分类模型构造方法,解释了这两种不确定支持向量机模型克服噪声影响的原理.同时通过一个合成数据集和一组标准数据集对这两种不确定支持向量机的泛化性能进行了对比验证.实验结果表明,相比传统支持向量机,两种不确定支持向量机都能不同程度地提高分类精度,并且模糊支持向量机算法整体表现出了更好的泛化性能.     

基于支持向量机的入侵检测系统

目前的入侵检测系统存在着在先验知识较少的情况下推广能力差的问题.在入侵检测系统中应用支持向量机算法,使得入侵检测系统在小样本(先验知识少)的条件下仍然具有良好的推广能力.首先介绍入侵检测研究的发展概况和支持向量机的分类算法,接着提出了基于支持向量机的入侵检测模型,然后以系统调用执行迹(system call trace)这类常用的入侵检测数据为例,详细讨论了该模型的工作过程,最后将计算机仿真结果与其他检测方法进行了比较.通过实验和比较发现,基于支持向量机的入侵检测系统不但所需要的先验知识远远小于其他方法,而且当检测性能相同时,该系统的训练时间将会缩短.     

基于支持向量机的角点检测方法研究

支持向量机是一种基于VC维理论和结构风险最小化原则的统计学习方法,具有小样本学习、推广能力强、解为全局最优等优点.基于支持向量机的角点检测方法,不需要梯度信息,只需对角点样本进行学习,找出角点的特征信息,便可实现对角点的正确检测.通过恰当选取核函数、参数值以及训练样本集,实现了对摄像机标定模板角点的正确检测,并且对畸变角点和含噪声角点也有很好的检测效果.与传统方法相比,所提出的方法具有更强的角点检测能力.     

基于模糊双支持向量机的遥感图像分类研究

遥感图像的分类是研究土地利用变化的基础。传统的遥感图像分类方法存在运算速度慢、精度比较低和难以收敛等问题。提出了一种基于模糊双支持向量机的多类分类方法,将模糊技术引入到双支持向量机中,赋予不同样本以不同的模糊隶属度,然后将模糊双支持向量机推广到多类分类中,最后将新方法应用到遥感图像分类中。实验表明,新方法比传统的支持向量机多类分类方法有较高的分类精度,并且有较强的抗噪声能力,在运行时间上也是可行的。模糊双支持向量机是一种有效的遥感图像分类方法。     

基于支持向量上采样的不平衡数据分类方法

传统的支持向量机在处理不平衡数据时效果不佳。为了提高少类样本的识别精度,提出了一种基于支持向量的上采样方法。首先根据K近邻的思想清除原始数据集中的噪声;然后用支持向量机对训练集进行学习以获得支持向量,进一步对少类样本的每一个支持向量添加服从一定规律的噪声,增加少数类样本的数目以获得相对平衡的数据集;最后将获得的新数据集用支持向量机学习。实验结果显示,该方法在人工数据集和UCI标准数据集上均是有效的。     

结合概率和等价类的双系数支持向量机

支持向量机(SVM)的有效性依赖于对数据信息获取的准确性。针对传统SVM模型获取数据信息单一导致分类精度不高、泛化能力不强的问题,结合概率分布特性和等价类关系,提出了一种双系数控制分类的新模型。该模型优化了SVM,以双系数方式改进传统参数,为每一个样本同时赋予概率值和等价类系数,充分挖掘数据信息内在规律和联系。实验结果证明：该模型能有效利用数据信息,与SVM、FSVM和RSVM相比有较高的测试精度,能有效提高分类能力,具有较高鲁棒性。     

支持向量机在入侵检测中的应用

为实现海量网络数据的入侵检测,将支持向量机应用于入侵检测中。在入侵检测实验中,通过数据筛选策略,减少建立检测模型所需要的样本数,根据每个特征属性的重要性赋予不同权重,设计有特征加权的支持向量机算法。实验结果表明,该算法能缩短检测模型的建立时间,提高检测精度,降低漏报率。     

基于RST修正核单类SVM的程序行为控制系统

程序行为控制系统对程序行为进行建模、检测和响应。单类支持向量机(SVM)在有限样本的情况下用于异常检测,具有较好的分类精度和泛化能力。针对以前利用单类支持向量机进行异常检测的研究中没有考虑属性权重的问题,该文提出利用粗糙集理论(RST),引入反映属性重要性程度的权重值。给出通过找出决策系统中所有约简的集合确定属性权重的方法,并利用属性权重修正单类SVM的核函数。实验表明基于RST修正核的单类SVM具有更好的检测能力。     

基于简约集支持向量机的高光谱影像分类

针对高光谱影像支持向量机分类的预侧过程中需要花费大量计算时间的问题,提出了一种利用简约集算法提高高光谱影像分类预测效率的方法。采用径向基核函数,使用一对一构造多类支持向量机分类器,通过交叉验证网格搜索法对参数进行模型参数选择,并利用简约集算法来减少分类预测过程计算量。通过高光谱影像分类试验表明,保持支持向量机的泛化能力并不需要使用所有计算得到的支持向量,简约集算法能够在保持分类预测精度的同时,大大提高高光谱影像分类预测的速度。     

基于纹理提取和SVM技术的自动木材缺陷识别

要：支持向量机（SVM）是一种新的模式识别方法,有较好的泛化能力和推广能力。研究了基于纹理提取和支持向量机的自动木材表面缺陷的识别问题,借助LBP纹理特征提取技术实现对木材图像数据降维处理,并研究了木材表面不同类型缺陷的分布规律。利用支持向量机分类算法对木材表面有无缺陷进行了快速准确的自动识别,实现了木材表面缺陷的自动定位。多次交叉实验表明,SVM分类算法对木材表面缺陷具有较好的识别能力,识别率可达96％以上。     

线性逼近SVM在入侵检测中的应用

引入分段线性识别算法,提出一种线性逼近支持向量机(SVM)入侵检测模型。将特征空间剖分成若干子空间,在每个子空间中基于SVM构造5个最优分类面,将各个分类面链接起来构成5个分片最优分类面以逼近理论上的最优分类超曲面。实验结果证明,该模型的训练时间较短,在噪声数据存在的情况下识别正确率较高。     

最小二乘Littlewood-Paley小波支持向量机

基于小波分解理论和支持向量机核函数的条件，提出了一种多维允许支持向量核函数——Littlewood-Paley小波核函数．该核函数不仅具有平移正交性，而且可以以其正交性逼近二次可积空间上的任意曲线，从而提升了支持向量机的泛化性能．在Littlewood-Paley小波函数作为支持向量核函数的基础上，提出了最小二乘Littlewood-Paley小波支持向量机(LS-LPWSVM)．实验结果表明，LS-LPWSVM在同等条件下比最小二乘支持向量机的学习精度要高，因而更适用于复杂函数的学习问题．     

基于pinball损失的结构模糊多分类支持向量机算法

针对多分类支持向量机（MSVM）对噪声较强的敏感性、对重采样数据的不稳定性以及泛化性能低等缺陷,将pinball损失函数、样本模糊隶属度以及样本结构信息引入到简化的多分类支持向量机（SimMSVM）算法中,构建了基于pinball损失的结构模糊多分类支持向量机算法Pin-SFSimMSVM。在人工数据集、UCI数据集以及添加不同比例噪声的UCI数据集上的实验结果显示：所提出的Pin-SFSimMSVM算法与SimMSVM算法相比,准确率均提升了0~5.25个百分点;所提出的算法不仅具有避免多类数据存在不可分区域和计算速度快的优点,而且具有对噪声较好的不敏感性以及对重采样数据的稳定性,同时考虑了不同数据样本在分类时扮演不同角色的事实以及数据中包含的重要先验知识,从而使分类器训练更准确。     

LS—SVM在混沌时间序列预测中的应用

支持向量机是一种基于统计学习理论的新颖的机器学习方法，该方法已广泛用于解决分类和回归问题。文中将最小二乘支持向量机算法应用于混沌时间序列预测中，并同BP网络及RBF网络的预测结果进行了比较分析。仿真实验表明，该方法具有很好的泛化能力和一定的噪声容忍能力。     

一种基于快速增量SVM的入侵检测方法

针对基于支持向量机(SVM)的入侵检测方法检测率低、检测速度慢的问题,提出一种基于快速增量SVM的入侵检测方法 B-ISVM。该方法在确定邻界区后筛选其中的样本进行训练,完成分类超平面的初步构造,利用筛选因子提取支持向量,再进行基于KKT条件的增量学习,实现增量SVM分类器的构造。实验结果表明,该方法可以提高入侵检测率和检测速度,拥有更好的分类性能。