支持向量机在DSP中的实现方法研究

支持向量机是在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性和高维模式识别问题中表现出了许多独特优势;为实现支持向量机的实时应用,提出了基于TMS320C6711DSP芯片的支持向量机的设计和实时实现方案,给出了支持向量机在模式识别中的实时应用模型和具体的硬件电路框图,对具体的硬件接口和软件编写进行了阐述;经系统仿真,该实现方法具有较好的可靠性和快速性,可以满足支持向量机的实时实现要求.     

基于支持向量机的工程项目风险预测研究

风险预测是工程项目风险管理的重要基础,本文在介绍支持向量机(SVM)基本原理的基础上,探讨了基于支持向量机的项目风险预测算法,根据以往同类工程项目的数据作为学习样本,来识别待研究项目的风险类别,从而做出项目风险水平的预测。本文同时也说明了Libsvm软件在项目风险预测方面的应用。     

复杂背景下蚜虫目标识别方法研究

为提高蚜虫种间识别的准确率,提出了一种基于双树复小波变换（DT-CWT）和支持向量机（Libsvm）的蚜虫图像种间识别方法。该方法首先对图像进行预处理;其次应用DT-CWT对选定的三种农作物蚜虫图像样本进行特征提取,以确定Libsvm训练模型中的训练参数;最后用Libsvm分类器对蚜虫图像进行种间识别。实验对比了Gabor小波变换和传统上基于灰度共生矩阵的特征提取算法,结果表明该方法具有更高的准确率和较低的时间复杂度,为蚜虫的种内识别提供条件。     

基于支撑向量机的产品质量监控研究应用

采用了一种新的机器学习方法——支持向量机，对流程企业中的历史数据进行分类分析，阐述了支持向量机的基本内容，对影响产品质量因素的样本集进行了标准化处理和主因素分析(PCA)，采用Libsvm训练了数据集，并与贝叶斯理论、BP神经网络和决策树ID3的分类结果比较，证明了算法的优越性，为产品的质量监控提供了有效依据。     

支持向量机在压缩机气阀故障诊断中的应用

由于结构复杂且缺乏故障样本等原因,往复式压缩机的故障样本及诊断结果存在很强的不确定性。针对典型压缩机气阀振动信号的特点及不同故障机理,研究气阀振动信号的特征参数提取方法。提取工作循环有效值RMS1、气阀关闭段有效值RMS2,以及经两层小波包分解得到的各频带能量比系数E1、E2、E3、E4,组成6维特征向量,并将其作为支持向量机的输入。利用支持向量机适合处理高维数据且在有限样本下具有最优泛化能力的特点,对3种不同气阀状态下的振动信号经时域波形分析和小波包分解后提取的特征参数进行支持向量机学习;建立气阀故障诊断的支持向量机分类模型;利用Libsvm软件包对故障样本进行随机分类测试,并与其他智能诊断方法进行对比。对比结果表明,将支持向量机方法应用于往复式压缩机的气阀故障诊断中具有可行性;在小样本条件下,支持向量机较其他智能诊断方法具有更大的优势。     

支持向量机在入侵检测中的应用

入侵检测是网络安全的重要领域.安全问题的日益严峻对于检测方法提出更高的要求.支持向量机是一种基于小样本学习的有效工具.继它在字体识别,人脸识别中得到成功应用后,它被成功地应用到入侵检测领域中.介绍了支持向量机的多种算法,例如二分类的支持向量机,一分类的支持向量机,多分类的支持向量机和针对大量训练样本的支持向量机在入侵检测中的应用.通过比较发现,用支持向量机进行检测入侵大大提高了入侵检测系统的性能.     

基于多类最小二乘支持向量机的神经元信号识别

针对大脑运动皮层群体神经元信号与运动行为关系的分析,提出一种基于二叉树的最小二乘支持向量机多类分类算法.在对猴子进行三维空间中8个方向手臂运动实验记录的多通道神经元信号的分析中,通过与标准支持向量机和学习矢量量化神经网络的比较,说明该方法不仅与标准支持向量机同样具有比学习矢量量化方法更强的学习能力和预测能力,而且运算时间比标准支持向量机更短.比较结果表明最小二乘支持向量机对于神经元信号分析的有效性和优越性,进而有利于实现性能更高的用于神经康复的脑机接口系统.     

基于粗集支持向量机的区域经济走势预测方法

针对区域经济预测中多属性而支持向量机方法无法有效选择的问题,提出了一个基于粗集理论和支持向量机的区域经济走势预测方法.方法利用粗集理论在处理多属性数据方面的优势对区域经济走势预测的条件属性进行约简,约简后的数据进入支持向量机的预测系统,从而减少了支持向量机的训练数据,在一定程度上克服了支持向量机方法处理速度慢的缺点.将方法应用于某区域经济走势预测中,获得了较好的预测结果.实证结果表明,方法具有较好的预测能力,与标准支持向量机方法相比,方法具有明显的优势.     

基于混合模糊隶属度的模糊双支持向量机研究

双支持向量机是近年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力.但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性.为了克服这个缺点,提出了一种基于混合模糊隶属度的模糊双支持向量机.该算法设计了一种结合距离和紧密度的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类.实验证明,该模糊双支持向量机的分类性能优于传统的双支持向量机.     

脱机手写体汉字识别中SVM参数优选问题

研究了基于支持向量机的脱机手写体汉字识别中核参数和误差惩罚因子的选择问题.将遗传算法跟支持向量机相结合,提出了一种自动优选支持向量机模型参数的方法,减少了以往应用支持向量机需反复试验以确定其参数的人工工作量.采用高斯核函数的支持向量机分类器进行实验,识别率达到97.83%,验证了该方法的有效性.     

基于核函数的支持向量机分类方法

支持向量机是目前正在兴起的一种新的数据挖掘分类方法,阐述了支持向量机的理论基础及核函数,阐明了支持向量机分类的基本思想,分析了支持向量机的优缺点,对支持向量机在海量数据分类中的应用前景进行了展望。     

基于支持向量机的图书馆借阅量预测

为了准确预测图书馆借阅量,本文提出基于支持向量机的图书馆借阅量时序预测方法,支持向量机能有效解决非线性、高维、小样本等问题,并采用遗传算法选取合适的支持向量机训练参数,以此增加支持向量机的泛化能力。首先提出了支持向量机预测模型,并进行实例分析,将华北科技学院图书馆流通部1997-2007年度借阅量作为本文的实验数据。实验结果表明支持向量机的图书馆借阅量预测效果优于径向基(Radial Basis Function,RBF)神经网络。     

基于支持向量机集成的分类

支持向量机是一种基于结构风险最小化原理的分类技术，本文提出了将支持向量机分类器进行集成的分类思想。首先．在原始样本的基础上形成子支持向量机，得到待检样本的子预测；进而对子预测进行适当的组合，以确定样本最终的类别预报。模拟实验结果表明，该方法具有明显优于单一支持向量机的更高的分类准确率。     

支撑矢量预选取的自适应投影算法

支撑矢量机是一种能在训练样本数很少的情况下达到很好分类推广能力的学习算法。但其在选择支撑矢量时却进行了大量不必要的运算,对此,该文提出了一种能够预选取支撑矢量的方法———自适应投影算法,该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度。仿真实验结果也验证了该方法的有效性和可行性。     

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。     

基于支持向量机的非线性预测控制技术

探讨了利用支持向量机进行非线性系统辨识的方法,并将支持向量机模型应用到非线性预测控制,提出了基于支持向量机模型的非线性预测控制算法.对一个CSTR反应器的仿真表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力.基于支持向量机的预测控制具有很好的控制性能,为通用非线性控制提供了一种新的控制思路.􀁽     

基于支持向量机的备件需求预测研究

针对传统以统计学为基础的预测方法难以解决小样本预测精度不高的实际问题,将支持向量机回归原理应用到备件需求预测领域,构建基于支持向机备件需求预测模型,以及需求预测结果准确率的评价指标。以实际数据为例,分别运用了指数平滑法、网格搜索法优化参数的支持向量机和遗传算法优化参数的支持向量机进对重点备件的需求量进行预测,验证了遗传算法优化的支持向量机预测性能的先进性。结果证明将支持向量机理论应用到备件保障领域具有重要的实用价值。     

贪婪支持向量机的分析及应用

支持向量机推广性能的分析是机器学习中的一项重要内容。依据可通过最小化本性支持向量个数来构造支持向量机的思路,结合稀疏学习,从贪婪方法的角度出发,提出了一种新的支持向量机,称之为贪婪支持向量机。利用UCI数据库中的乳腺癌数据集来测试贪婪支持向量机算法在平衡估计精确性和解的稀疏性方面的性能。针对设计的贪婪支持向量机,利用经验过程中的方法,得到这一类型支持向量机的推广性能。     

一种改进的支持向量机及其应用

针对传统支持向量机对噪声点敏感问题,提出一种改进的支持向量机。其基本思想是根据样本对分类贡献不同赋予相应的隶属度,贡献大的分配较大的隶属度,贡献小的分配较小的隶属度。与传统支持向量机比较,减小了噪声点对分类的影响,提高了SVM的泛化能力。并将其应用到车型识别中,结果显示该方法的有效性。     

基于统计学习理论的支持向量机的分类方法

支持向量机是一种新型机器学习方法,由于其出色的学习性能,该技术已成为机器学习领域新的研究热点。介绍用于分类的支持向量机的统计学习理论基础,在此基础上提出了支持向量机的分类算法,讨论了支持向量机存在的问题,对用于分类的支持向量机的应用前景进行了展望。