算法随机性置信支持向量机及其签名认证

根据 Kolmogorov算法随机性理论 ,描述定义了具有置信判别能力的置信学习机器 .利用普通支持向量学习机器中的 L agrangian系数 ,从系数基本的物理内涵出发 ,近似实现了 Kolmogorov算法随机性理论定义的普适不可计算的随机性描述函数 .并由此定义了学习的置信度 ,使得支持向量学习机在学习判断对象类别的同时能够给出该次判断的可信程度 ,丰富了学习机器的输出信息 .将置信支持向量机用于认证手写签名的特征向量 ,提高了在线手写签名认证应用系统的可靠性和灵活性     

基于灰色支持向量机的城市用水量预测研究

研究城市用水量预测问题,城市需水量具有非线性和随机波动性,城市供水系统是复杂系统,传统灰色模型或支持向量机均无法进行准确预测。为更准确预测城市用水量,建立灰色支持向量机的城市用水量预测模型,以提高预测精度。首先采用灰色模型和支持向量机对城市用水量预测,然后采用多元线性回归确定模型权重系数,最后得到了灰色支持向量机的城市用水量预测结果。仿真结果表明,灰色支持向量机提高了城市用水量的预测精度,预测误差小于单一灰色模型和支持向量机。灰色支持向量机更好地反映出城市用水量变化的总体趋势,可为城市供水系统预测提供参考。     

基于支持向量机的船舶结构可靠性分析

在双参数Weibull分布模型的参数预测中应用支持向量机技术,提出了基于支持向量机的船舶结构可靠性分析方法。将标准化预处理后的小子样学习样本输入以径向基函数为核函数的支持向量机中,建立预测参数与预测结果之间的映射关系,从而提高船舶结构可靠性分析精度。该方法计算效率高,对含有大量随机变量的船舶结构可靠性分析实用可靠,具有较高的工程实用价值和广泛的应用前景。     

基于启发式算法的混沌支持向量机流量预测

针对现有混沌支持向量机回归模型存在流量预测效率低下的问题,利用差分进化(DE)算法、遗传算法和粒子群优化算法确定模型的径向基核函数系数、惩罚系数、不敏感系数等参数,在此基础上建立改进的混沌支持向量机回归模型进行流量预测。实例表明,相比其他启发式算法,DE算法能以较高的效率搜索到混沌支持向量机回归模型的最优参数,并且该模型具有较高的预测精度。     

一类基于支持向量机的软件故障预测方法

针对基于神经网络的计算机软件故障预测方法中存在的过学习和泛化能力差的问题,提出一种基于支持向量机(SVM)的软件故障预测方法.该方法应用具有强大非线性逼近能力与优秀泛化能力的支持向量机对软件故障因子与软件隐藏故障数之间的非线性关系进行拟合.采用经典粒子群优化算法(CPSO),在测试样本集均方根误差(RMSE)与平均绝对百分比误差(MAPE)同时最小时,选择和优化支持向量机的参数向量.计算机测控软件故障预测实验验证了该方法的可行性和可靠性.     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

基于加权系数寻优的回归型加权支持向量机

在加权回归型支持向量机中，由于考虑到不同数据对预测函数贡献程度的差异性，其预测效果往往优于标准的回归型支持向量机，该文针对现有回归型加权支持向量机使用中直接选择加权系数法存在的不足，提出了一种对加权系数进行优化的新方法。该方法通过选取曲率变化大、形式简单的幂函数作为候选加权函数，并采用格子搜索法寻找最优参数，从而可以确定出最优加权系数。仿真实验表明：在利用加权支持向量机训练时间序列数据集时，采用该方法确定最优加权系数，比目前常用选择加权系数的方法效果好。     

基于支持向量机的分类预测算法研究

分类预测是数据挖掘、机器学习和模式识别等很多领域共同关注的问题,已经存在了许多有效的分类算法,但这些算法还不能解决所有的问题。支持向量机作为一种新的分类预测工具,能根据有限样本信息在模型的复杂性和学习能力间取得平衡,并能获得更好的泛化能力。SMO算法是支持向量机中使用最多的算法,它体现了支持向量机的优点,同时也能处理大规模训练集。     

局部支持向量机的研究进展

支持向量机是一种用途广泛的分类器,标准的支持向量机在预测每个样本点的类别时使用了训练集中所有的样本信息(即全局信息),然而这种全局化的方法并不蕴含一致性。局部支持向量机的提出符合"一致性蕴含局部性"的思路。首先回顾局部支持向量机的主要思想,然后阐述各种关于局部支持向量机的改进,并提出基于协同聚类的局部支持向量机用于大规模数据集,最后对局部支持向量机进行总结。     

基于Renyi熵的LS-SVM财务困境预测模型

为了提高企业财务困境预测的正确率,减少训练模型的样本数和训练时间,在传统支持向量机预测模型的基础上,将Renyi熵和最小二乘支持向量机算法应用于财务困境预测,提出了一种基于Renyi熵的最小二乘支持向量机预测模型.独立推导出了适合财务困境预测这一离散序列的熵以及支持向量机核函数的表达式,同时,给出了这一改进算法的实现步骤.实验结果表明,该算法无论是训练样本的数量还是训练时间,都显著优于传统的最小二乘支持向量机以及标准支持向量机预测模型.     

基于算法随机性理论和奇异描述的置信学习机器

摘要根据Kolmogorov算法随机性理论，为学习机器建立了一种置信机制，描述了置信学习机器的算法．论证了通过样本奇异描述函数定义的可计算的样本序列随机性描述函数与Kolmogorov算法随机性理论中定义的，不可计算的序列随机性描述函数具有相同的意义．分别从样本空间距离、样本对分类边界的支持力度和样本应变大小3个不同的角度设计了样本奇异描述函数，利用它们实现了置信学习机器算法．该置信学习机器在Cleveland心脏病理数据识别和签名认证实验中都取得了比较满意的结果．     

基于Stacking的高炉铁水质量区间预测

高炉炼铁多元铁水质量的实时准确预报是高炉内部状态进行实时监测和有效控制的重要手段,但预报结果存在准确度不高和缺乏可信度表征的问题,特别是在炉况不稳定和高炉数据波动大的情况下,多元铁水质量的预报结果存在较大偏差和较低可信度,不能为高炉日常操作和调节提供指导.针对这一工程难题,提出一种基于Stacking的高炉铁水质量区间预测建模算法,用于建立铁水质量区间预报模型.首先,为了提高建模的准确度,建立基于Stacking的铁水质量模型;然后,为了表征预测结果的可信度,引入区间预测的方法,用于多元铁水质量值和预测区间的同时预报;最后,通过工业实验表明,所提出算法能够实现对高炉多元铁水质量的准确预报,并且预测区间拥有较高的可信度,对实际生产操作具有较好的指导意义.     

航空装备测试性试验样本量确定方法

目前航空装备测试性试验存在试验样本量的确定缺少理论依据、故障检测率(FDR)单侧置信下限评估结果不稳定的问题,影响试验结果的可信度.为了使评估结果以较大的概率分布在较小的范围内,通过结合正态分布特性和单侧置信下限估计算法进行推导和计算,得到影响单侧置信下限评估的因素是试验样本量和被测产品的故障检测水平,给出了不同故障检测水平和评估结果偏差要求下试验样本量的最低取值.通过仿真分析,验证了给出的最低取值是保证评估结果稳定性的充分条件.在此基础上提出一种可以得到稳定评估结果的测试性试验方案确定方法,并通过实际案例对该方法进行验证.     

航段油耗深度学习高质量区间预测算法

为提高给定置信水平下航段油耗区间预测结果的可靠性和稳定性,提出航段油耗深度学习高质量区间预测算法。通过对初级数据源进行按航段分类、无量纲化等预处理,提高预测结果的可靠性和算法的普适性;通过自适应相关参数、柔和化处理优化损失函数,进一步提高算法的可靠性、稳定性和普适性。训练得到的预测区间覆盖率在设定的置信水平周围,多次训练结果与置信水平的误差不超过1个数据点引起的覆盖率变化;对样本数大于10的、任意分布的航段均能实现区间预测。算法性能分析比较实验结果表明了该算法的有效性,其性能优于其它算法。     

一种基于测试数据和D-S证据理论的可信性度量模型

针对软件可信性评估模型客观性不强的问题,提出了基于测试过程数据的软件可信性度量模型。该模型根据软件测试过程和能力成熟度模型CMM模型选取软件测试过程中的关键可信属性,利用软件测试中的过程数据作为可信证据,通过测试过程数据进行可信属性的定量度量,最后,将这些分散的可信指标通过D-S证据理论进行融合得到软件的可信性。实例表明,该度量模型在软件可信性评估中是有效的。     

基于动态概率抽样的标签噪声过滤方法

在机器学习问题中,数据质量对系统预测的准确性产生了深远的影响。由于信息获取的难度大,人类的认知主观且有限,导致了专家无法准确标记所有样本。而近年来出现的一些概率抽样方法无法避免样本人为划分不合理且主观性较强的问题。针对这一问题,提出一种基于动态概率抽样（DPS）的标签噪声过滤方法,充分考虑各个数据集样本间的差异性,通过统计各个区间内置信度分布频率,分析各个区间内置信度分布信息熵的走势,确定合理阈值。在UCI经典数据集中选取了14个数据集,将所提方法与随机森林（RF）、HARF、MVF、局部概率抽样（LPS）等方法进行了对比实验。实验结果表明,所提出的方法在标签噪声识别和分类泛化上均展示出了较高的能力。     

Criterion of calibration for transductive confidence machine with limited feedback

This paper is concerned with the problem of on-line prediction in the situation where some data are unlabelled and can never be used for prediction, and even when the data are labelled, the labels may arrive with a delay. We construct a modification of randomised transductive confidence machine for this case and prove a necessary and sufficient condition for its predictions being calibrated, in the sense that in the long run they are wrong with a prespecified probability under the assumption that the data are generated independently by the same distribution. The condition for calibration turns out to be very weak: feedback should be given on more than a logarithmic fraction of steps.     

新型ε-不敏感损失函数支持向量诱导回归算法及售后服务数据模型预测系统

对含有噪声的数据序列根据预测置信度进行去噪处理,将训练集和测试集及预测数据共同作为训练向量集,以此建立新型支持向量诱导回归算法。本文利用该算法对实时售后服务的“千车故障数”进行了时间序列分析,并建立了新型的ε-不敏感损失函数小样本模型预测系统。预测显示误差小于5．3％的值占了总体的98．1％,其预测置信度达到0．983,与二次和Huber损失函数相比其MAPE值只有2．3％。用计算机模拟仿真单批次预测显,当时间参量t→＋∞,“千车故障数”将收敛于定值74．0601,这和实际相当吻合,表明所建预测模型的有效性。文章最后还和传统神经网络模型作了比较,说明新型SVM机比神经网络处理小样本能力更强。     

一种改进型近邻置信向量机技术分析

由于置信向量机运算大、分类速度慢导致其应用价值有限,需要对其进行改进。详细分析了近邻置信向量机所使用的基本技术,论述了近邻置信向量机使用的奇异检测函数和分类方法,并将其与基本置信向量机进行了对比。给出了近邻置信向量机的具体实施步骤。通过试验证明解决了置信向量机运算量大的问题,提高了分类速度。