基于SVM的WSN运动目标位置跟踪预测方法研究

针对无线传感器网络中运动目标位置跟踪预测方法的研究,提出了一种基于支持向量回归机(SVM)的目标位置预测方法。利用节点位置信息和网络连通信息作为训练样本,建立支持向量回归技术到节点位置的映射函数,从而完成运动目标已知时刻位置估计。最后,利用支持向量回归预测模型对运动目标节点进行位置预测。仿真结果表明,该方法有效地提高了目标节点位置预测准确率。     

一种基于支持向量基的MANET簇化方法

文章利用支持向量机对无线移动网络中的移动节点进行分类训练,将移动节点分为簇头节点和一般节点两类,并利用训练好的支持向量机对移动节点进行识别。实验证明该方法有助于简化移动Ad-hoc网络(MANET)簇化过程,节省簇化时间。     

无线传感器网络关键技术研究综述

以模糊规则、人工神经网络和支持向量机三类科学方法在无线传感器网络中的应用、研究为线索,来总结和分析无线传感器网络中关键技术的研究情况;并进一步,结合无线传感器网络的应用条件及各类算法自身的特性,分析各类算法应用于无线传感器网络中的适应性,给出研究思路及其发展趋势。     

基于小波分析和PSO-LSSVM的无线传感器网络数据预测

由于能量缺失和故障等原因导致无线传感器网络节点无法收集后续数据,为保证数据传输的完整性,应进行后续节点数据预测。目前缺少有效方法实现节点数据预测,针对这一问题提出一种基于小波分析和粒子群优化最小二乘支持向量机(PSO-LSSVM)相结合的数据预测方法。方法中利用小波分解技术将所选的样本集数据进行分解,然后将分解量分别送入最小二乘支持向量机(LS-SVM)模型进行预测,其中LS-SVM预测模型的参数由PSO算法得到,最后,将各个LS-SVM模型得到的预测结果进行小波重构得到完整的预测结果。仿真结果表明:基于小波分析和PSO-LSSVM相结合的无线传感器网络节点数据预测方法能够准确跟踪实际数据趋势,该方法具有较高的预测精度。     

无线传感网中一种基于支持向量机的异常事件检测方案

异常事件检测问题是无线传感器网络中的研究热点之一。针对现有检测方案的不足,设计一种新的时间-空间-属性单类超球面支持向量机来建模异常事件检测问题,然后提出无线传感器网络在线和部分在线离群点检测算法。该算法根据节点间的时间-空间和属性关联度确定超球面的半径,最后以在线方式鉴别到达节点的每一个新的测量值是正常数据还是异常数据。仿真实验结果表明,与基于时空关联度的超球面支持向量机相比,新算法的检测率大大上升,虚警率明显下降。同时,部分在线算法与在线算法的效率相当,大大降低了计算和通信复杂度。     

铁路货车轴承在线故障诊断智能系统研究

为满足铁路重载货运车辆对运行设备故障预测的需求,本文设计了一种基于轴承状态监控的智能在线监测系统。为有利于检测轴承的早期故障,选用抗干扰和灵敏度都较强的声发射(AE)信号,用ARM微处理器对信号进行处理,利用基于无线传感器网络的无线信息传输网络体系进行数据传输,用小波包分解与支持向量机算法实现故障诊断与预测。文章针对铁路货车滚动轴承故障的实际情况,将支持向量机(SVM)方法引入货车轴承的智能故障诊断中,实现了轴承的在线智能诊断。     

人工鱼群算法优化支持向量机的无线传感器网络节点定位

为了提高无线传感器的定位精度,针对支持向量机(SVM)参数优化问题,提出一种人工鱼群算法(AFSA)优化SVM的传感器节点定位方法(AFSA-SVM)。首先构建无线传感器定位模型的学习样本,然后采用SVM构建节点定位模型,并采用AFSA模拟鱼群的觅食、聚群及追尾行为找到最优SVM参数,最后采用仿真实验测试节点的定位性能。结果表明,相对于其他定位方法,AFSASVM提高了传感器节点的定位精度,具有一定的实际应用价值。     

基于支持向量机的往复压缩机气阀故障诊断

提出了一种基于支持向量机的往复压缩机气阀故障诊断方法。把往复压缩机气阀的振动信号作为识别故障的特征向量,运用支持向量机方法,训练后得到用于往复压缩机气阀故障诊断的支持向量机网络。由对测试样本的分类结果可知,支持向量机网络的分类结果和实际故障情况一致。     

无线传感器网络的三维定位算法研究

在分析无线传感器网络的结构模型的基础上,提出了一种基于支持向量机(SVM)的新型传感器三维定位算法.利用SVM算法能够在高维空间对非线性样本进行分类的优点,通过各传感器节点估测其与锚节点间的距离作为特征向量,最终对未知节点所属立方体空间进行分类来实现定位未知节点.实验结果表明:该算法达到了88％的平均定位准确率,而且对锚节点密度和距离误差具有较低的依赖性,验证了算法具有实用性.     

基于一类支持向量机的传感器故障诊断

提出了一种基于一类支持向量机的传感器故障诊断方法,它利用相空间重构技术将传感器本身获取的相关时序数据转化成矢量,再用一类支持向量机来训练正常行为模型,进而通过发现数据异常来进行故障诊断。通过连续输入测量数据,它还可以实现在线诊断。仿真实验表明:该方法在诊断传感器故障方面有良好的性能。     

基于支持向量机的无线传感器网络的入侵检测系统

无线传感器网络入侵检测方法是目前的研究热点。在介绍支持向量机(SVM)原理、无线传感器网络的入侵类型以及不同类型所具有的数据特性的基础上,提出了一种基于SVM的无线传感器网络的入侵检测系统,该系统把网络拓扑分为簇成员、簇头和Sink三层结构,每层均能根据SVM的训练结果进行入侵检测的判断。实验结果表明:该检测系统具有较高的检测率和较低的能量消耗。     

无线传感器网络入侵检测系统模型

为了提高无线传感器网络的安全性,针对无线传感器网络的自身特性,设计了一种入侵检测系统模型.该模型按照聚类的方法,将区域划分成簇;在每个簇中选举簇头,簇头需定期轮换;采用基于相关向量机(RVM)的入侵检测方案.实验表明:所提出的模型与其它检测模型相比具有更高的平均检测率和更低的平均误检率,且具有低能耗的特点.     

Quantum Fuzzy Support Vector Machine for Binary Classification

In the objective world, how to deal with the complexity and uncertainty of big data efficiently and accurately has become the premise and key to machine learning. Fuzzy support vector machine (FSVM) not only deals with the classification problems for training samples with fuzzy information, but also assigns a fuzzy membership degree to each training sample, allowing different training samples to contribute differently in predicting an optimal hyperplane to separate two classes with maximum margin, reducing the effect of outliers and noise, Quantum computing has super parallel computing capabilities and holds the promise of faster algorithmic processing of data. However, FSVM and quantum computing are incapable of dealing with the complexity and uncertainty of big data in an efficient and accurate manner. This paper research and propose an efficient and accurate quantum fuzzy support vector machine (QFSVM) algorithm based on the fact that quantum computing can efficiently process large amounts of data and FSVM is easy to deal with the complexity and uncertainty problems. The central idea of the proposed algorithm is to use the quantum algorithm for solving linear systems of equations (HHL algorithm) and the least-squares method to solve the quadratic programming problem in the FSVM. The proposed algorithm can determine whether a sample belongs to the positive or negative class while also achieving a good generalization performance. Furthermore, this paper applies QFSVM to handwritten character recognition and demonstrates that QFSVM can be run on quantum computers, and achieve accurate classification of handwritten characters. When compared to FSVM, QFSVM’s computational complexity decreases exponentially with the number of training samples.     

Class imbalance learning via a fuzzy total margin based support vector machine

The classification of imbalanced data is a major challenge for machine learning. In this paper, we presented a fuzzy total margin based support vector machine (FTM-SVM) method to handle the class imbalance learning (CIL) problem in the presence of outliers and noise. The proposed method incorporates total margin algorithm, different cost functions and the proper approach of fuzzification of the penalty into FTM-SVM and formulates them in nonlinear case. We considered an excellent type of fuzzy membership functions to assign fuzzy membership values and got six FTM-SVM settings. We evaluated the proposed FTM-SVM method on two artificial data sets and 16 real-world imbalanced data sets. Experimental results show that the proposed FTM-SVM method has higher G_Mean and F_Measure values than some existing CIL methods. Based on the overall results, we can conclude that the proposed FTM-SVM method is effective for CIL problem, especially in the presence of outliers and noise in data sets.     

基于熵值法的网络安全态势组合预测模型

研究网络优化入侵检测问题,网络安全态势受网络攻击行为、病毒、自身漏洞、木马等多种因素影响,具有高度的非线性、时变性、突变性等复杂特点,采用传统单一预测方法只能反映部分信息,无法进行准确的预测。为提高网络安全态势预测精度,提出一个熵值学的网络安全态势组合预测模型。首先利用熵值法为单一网络安全态势预测模型分配加权系数,然后根据单一模型的预测结果进行加权运算,得到了网络安全态势的组合预测结果,最后利用具体网络安全态势数据进行仿真测试。仿真结果表明,组合预测模型提高了网络安全态势预测精度,为网络安全态势预测提供了一种新的解决途径。     

基于支持向量机的软测量技术及其应用

支持向量机(SVM)是一种基于结构风险最小化原理,具有很好推广性能的学习算法。讨论了基于最小二乘支持向量机(LS-SVM)的软测量数据建模原理和方法,并将其应用在汽车排放的氮氧化合物NOX软测量中。通过与基于神经网络的软测量方法进行比较,结果显示出SVM的明显的优势,特别是对小样本、非线性、高维数一类软测量问题的建模,提供了一种有效的途径。     

基于支持向量机的无线传感器网络节点定位算法

机器学习是利用经验来改善自身性能的一种学习方法,而支持向量机(support vector machine,SVM)作为机器学习中的一种新模式,在解决小样本、非线性及高维模式识别等方面有着其特有的优势.基于支持向量机的节点定位算法利用机器学习算法的特性,实现无线传感网络节点定位.其基本思路是将网络区域划分为若干个等分的小格,每一小格代表机器学习算法中一个确定的类别,机器学习算法在学习了已知的信标节点对应的类别后,对未知节点所处位置进行分类,从而进一步确定未知节点的位置坐标.仿真实验表明,"一对一"节点定位算法有较高的定位精度,对测距误差的容忍性较好,同时对信标节点的比例要求并不高,比较适合用于信标节点稀疏的网络环境中;而"决策树"节点定位算法受覆盖空洞的影响并不大,比较适合应用于节点分布不均匀或者存在覆盖空洞的网络环境中.     

基于相关向量机的非线性动态系统辨识

基于具有核函数不用满足Mercer条件、相关向鼍自动确定及核函数少特点的稀疏贝叶斯的相关向量机核学习方法,提出了平滑先验条件约束的相关向量机的学习方法,采用稀疏贝叶斯模型的最大边缘似然算法加快了求解相关向量机的向量,并采取交叉验证法确定其核参数提高了相关向量机辨识的泛化性.该方法避免了支持向量机的非线性系统辨识的模型结构难于确定的问题,与支持向量机辨识方法相比较,辨识的模型结构更简洁.仿真表明,该方法应用于非线性动态系统的辨识,具有良好的效果.     

New Least Squares Support Vector Machines Based on Matrix Patterns

Support vector machine (SVM), as an effective method in classification problems, tries to find the optimal hyperplane that maximizes the margin between two classes and can be obtained by solving a constrained optimization criterion using quadratic programming (QP). This QP leads to higher computational cost. Least squares support vector machine (LS-SVM), as a variant of SVM, tries to avoid the above shortcoming and obtain an analytical solution directly from solving a set of linear equations instead of QP. Both SVM and LS-SVM operate directly on patterns represented by vector, i.e., before applying SVM or LS-SVM to a pattern, any non-vector pattern such as an image has to be first vectorized into a vector pattern by some techniques like concatenation. However, some implicit structural or local contextual information may be lost in this transformation. Moreover, as the dimension d of the weight vector in SVM or LS-SVM with the linear kernel is equal to the dimension d ₁ × d ₂ of the original input pattern, as a result, the higher the dimension of a vector pattern is, the more space is needed for storing it. In this paper, inspired by the method of feature extraction directly based on matrix patterns and the advantages of LS-SVM, we propose a new classifier design method based on matrix patterns, called MatLSSVM, such that the new method can not only directly operate on original matrix patterns, but also efficiently reduce memory for the weight vector (d) from d ₁ × d ₂ to d ₁ + d ₂. However like LS-SVM, MatLSSVM inherits LS-SVM’s existence of unclassifiable regions when extended to multi-class problems. Thus with the fuzzy version of LS-SVM, a corresponding fuzzy version of MatLSSVM (MatFLSSVM) is further proposed to remove unclassifiable regions effectively for multi-class problems. Experimental results on some benchmark datasets show that the proposed method is competitive in classification performance compared to LS-SVM, fuzzy LS-SVM (FLS-SVM), more-recent MatPCA and MatFLDA. In addition, more importantly, the idea used here has a possibility of providing a novel way of constructing learning model.