催化裂化反再系统的故障诊断方法研究

考虑到石油化工过程系统复杂,变量繁多,非线性关系极强,故障样本数据难于获取,故利用支持向量机对炼油厂催化裂化装置反应再生子系统的故障状态进行模式识别;且支持向量机参数C、σ对分类精度有很大影响,采用了改进的遗传算法对其进行优化;并采用了决策树算法进行多类分类,根据类间分离测度,从最难分类(类间分离测度最小)的两类样本集开始训练,将其合并为一个类簇后同其他样本集一起,再从中寻找最难分类的两个样本集合并,如此逐步合并最终得到训练模型;实验结果表明,利用改进的遗传算法优化惩罚系数C和核函数参数σ后,缩短了分类时间,提高了分类准确率,基于决策树算法的支持向量机能有效地解决一对一和一对多分类算法中存在的无法辨识区域的问题,能很好地识别故障类型,对催化裂化装置的故障诊断有显著的指导作用。     

深度优先搜索的支持向量机参数优化算法

研究支持向量机参数优化问题,由于算法要求准确选择SVM参数,支持向量机在处理大样本数据集时和最优模型参数确定时,消耗的时间长、占有内存大,易获得局部最优解的难题.为了解决支持向量机存在的不足,采用深度优先搜索算法对其参数优化机机制进行改进.将向量机参数优化视成一个组合优化问题,将支持向量机模型的分类误差作为优化目标函数,采用深度优先算法对其进行求解,最后将模型应用于3个标准分类数据集.仿真结果表明,优化参数后的支持向量机加快模型的训练速度度,提高了分类的准确率,很好的解决了支持向量机参数优化难题.     

基于遗传算法优化SVM的嵌入式网络系统异常入侵检测

由于传统嵌入式网络系统入侵检测方法难以获得较高的检测精度,提出基于遗传算法优化的支持向量机(GA-SVM)的网络入侵检测技术.支持向量机分类器能够较好地解决少样本、高维、非线性分类问题.然而,支持向量机训练参数的选择对其分类精度有着很大影响,遗传算法能够同时优化支持向量机的训练参数,采用遗传算法进行支持向量机的训练参数同步优化.实验结果表明,这种遗传算法优化的支持向量机分类入侵检测模型有着很高的检测精度.     

一种基于GA和支持向量机的车牌字符识别方法

以高斯核为其核函数的支持向量机在实际应用中表现出优良的学习性能,被广泛应用于模式分类中。支持向量机的识别性能对参数的选取是敏感的,惩罚因子C和核函数参数σ对支持向量机性能会产生重要的影响。针对高斯核支持向量机在车牌字符识别问题中的应用,提出了一种基于遗传算法的参数选择方法。首先确定合适的遗传算法适应度函数,然后利用遗传算法对支持向量机的参数进行优化,最后在各个识别子网中分别采用参数优化后的支持向量机对车牌字符进行识别。实验结果表明,该方法取得了令人满意的识别率。     

遗传算法同步选择特征和支持向量机参数的网络入侵检测

针对入侵检测系统产生的高维数据和支持向量机参数优化问题,提出一种遗传算法同步选择特征和支持向量机参数的网络入侵检测模型。首先将特征子集和支持向量机参数编码成染色体,将网络入侵检测的分类准确率作为种群个体的适应度值,然后通过遗传算法的全局搜索能力,同步找到对分类算法最有影响的特征组合和支持向量机最优参数,最后采用KDD99数据集进行仿真实验。结果表明,该模型可以快速找到最优特征子集和支持向量机参数,提高了网络入侵检测正确率,是一种较好的网络入侵检测算法。     

基于支持向量机和遗传算法的人脸识别研究

采用自适应遗传算法(AGA)优化筛选改进高斯核函数支持向量机(SVM)参数模型进行人脸特征分类。支持向量机的泛化性能主要取决于核函数类型和核函数参数及惩罚系数C,本文在传统高斯核函数基础上提出改进高斯核函数作为支持向量机的非线性映射函数,并使用自适应遗传算法优化筛选核函数参数和支持向量机惩罚系数,将优化后的SVM模型用于人脸库进行实验仿真。实验结果表明,本文方法比传统高斯核函数支持向量机分类器模型有更高识别率。     

融合改进遗传和人工蜂群的SVM参数优化算法

针对遗传算法不能充分利用系统中的反馈信息,易陷入“早熟”,以及人工蜂群算法在搜索初期寻优速度慢的问题,将改进的遗传算法与人工蜂群算法融合,实现二者互补,并将由支持向量机训练得到的测试集分类准确率作为算法的适应度函数,提出遗传-人工蜂群算法（G-ABCA）,以实现对支持向量机参数的优化选择。通过仿真实验,将其在支持向量机参数寻优中的性能与改进的遗传算法、人工蜂群算法进行比较,实验结果表明：遗传-人工蜂群算法有效地提高了支持向量机的分类准确率,而且算法是逐步收敛的,其表现优于其他算法。     

一种改进的结合K近邻法的SVM分类算法

在对支持向量机在超平面附近容易对测试样本造成错分进行研究的基础上,改进了将支持向量机分类和k近邻分类相结合的方法,形成了一种新的分类器.在分类阶段计算待识别样本和最优分类超平面的距离,如果距离差大于给定阈值可直接应用支持向量机分类,否则用最佳距离k近邻分类.数值实验表明,使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率.     

基于免疫遗传算法的支持向量机参数优化及其应用

支持向量机是在统计学习理论基础上发展起来的一种性能优良的新型机器学习方法,它具有坚实的理论基础,巧妙的算法实现。支持向量机的卓越性能依赖于它的参数的正确选择。本文采用改进的免疫遗传算法对支持向量机的参数进行优化。实验证明对于低维数据分类时,本文的优化算法比传统的网格法可以较大减少参数优化时间和提升分类的准确率。对高维的文本数据分类时,在保证分类准确率的前提下,仍然可以较大减少优化的时间。     

一种滚动轴承故障诊断方法

针对基于支持向量机的滚动轴承故障诊断方法中支持向量机的参数优化问题,提出一种改进的果蝇优化算法,即以模式分类准确率作为果蝇味道浓度函数,并采用该算法来优化支持向量机模型的惩罚因子和核函数参数;基于改进果蝇优化算法和支持向量机对滚动轴承的故障模式进行分类诊断,结果表明改进的果蝇优化算法具有较高的收敛速度和寻优效率,基于该算法和支持向量机的滚动轴承故障诊断方法具有较高的分类准确率。     

一种基于聚类核的半监督支持向量机分类方法

为了在标记样本数目有限时尽可能地提高支持向量机的分类精度,提出了一种基于聚类核的半监督支持向量机分类方法。该算法依据聚类假设,即属于同一类的样本点在聚类中被分为同一类的可能性较大的原则去对核函数进行构造。采用K-均值聚类算法对已有的标记样本和所有的无标记样本进行多次聚类,根据最终的聚类结果去构造聚类核函数,从而更好地反映样本间的相似程度,然后将其用于支持向量机的训练和分类。理论分析和计算机仿真结果表明,该方法充分利用了无标记样本信息,提高了支持向量机的分类精度。     

基于熵的二叉树多类支持向量机的漏洞分类

为了有效提高漏洞分类的准确性,针对基于二叉树多类支持向量机分类算法的分类复杂性和分类结果依赖二叉树的结构等缺点,提出了一种基于熵的二叉树多类支持向量机的漏洞分类算法。根据定义最小超球体进行漏洞样本空间的分类,有效地通过熵的计算来描述漏洞之间的混杂程度,使得漏洞分类的计算过程被简化且能够有效减少分类结果对二叉树结构的依赖。采用公共漏洞枚举(CWE)漏洞分类体系在收集到的3000个漏洞样本上进行大量仿真实验,漏洞分类的平均准确率和平均召回率达93.3%和93.25%,高于基于二叉树多类支持向量机分类算法和K-近邻(KNN)分类算法得到的平均值。实验结果表明所提算法有效可行,能精确地实现漏洞的分类。     

遗传支持向量机模型优化在入侵检测中的应用

针对目前入侵检测检测精度低的问题,根据遗传和支持向量机算法的特点,建立了一种遗传支持向量机模型。该模型首先用遗传算法优化支持向量机参数,再用优化后的支持向量机构建入侵检测模型,使用该模型进行入侵检测。实验通过讨论了支持向量机参数的选择对检测精度的影响,选取了合适的参数(c,σ)。结果表明,把这种遗传支持向量机模型用于入侵检测提高了检测精度。     

SVM和集成学习算法的改进和实现

支持向量机(SVM)算法的主要缺点是当它处理大规模训练数据集时需要较大内存和较长的训练时间。为了加快训练速度和提高分类准确率,提出了一种融合了Bagging, SVM和Adaboost三种算法的二分类模型,并提出了一种去噪的算法。通过实验对比SVM, SVM-Adaboost以及本文提出的分类模型。随着训练数据规模不断扩大,该分类模型在提高准确率的前提下,明显提高了训练速度。     

基于粒子群算法优化支持向量机汽车故障诊断研究

汽车故障检测和诊断技术一直是国内外研究热点问题。支持向量机用于汽车故障诊断时,其多分类组合决策对分类正确率及诊断时间有很大影响,为了有效提高汽车系统故障诊断的效率和精度,提出了一种基于粒子群算法优化层次支持向量机汽车故障诊断检测方法。针对分解支持向量机具有测试时间短、结构难以确定的特点,利用粒子群算法,依据最大间隔距离原则优化层次支持向量机模型,使每个节点的支持向量机具有最大分类间隔,减少了误差积累,从而优化了多级二叉树结构的SVM,实现故障的分级诊断。仿真实验结果表明,提出的算法在所有参比模型中精度最高,能高效地对汽车系统的故障进行检测与定位,具有较强的泛化能力,同时缩短了故障诊断时间。     

支持向量机在反垃圾邮件过滤中的应用

垃圾邮件对计算机系统的安全和人们的生活造成了严重的威胁,反垃圾邮件问题已经成为的具有重要现实意义的研究课题.针对垃圾邮件过滤本质是分类问题,提出了一种基于服务器前端的反垃圾邮件过滤方法,它采用了改进的v支持向量机算法对邮件内容进行分类,过滤垃圾邮件.研究结果表明该方法与直接的支持向量机增量算法相比,提高了过滤的准确率,具有一定的应用价值.     

Label flipping attacks against Naive Bayes on spam filtering systems

Label flipping attack is a poisoning attack that flips the labels of training samples to reduce the classification performance of the model. Robustness is used to measure the applicability of machine learning algorithms to adversarial attack. Naive Bayes (NB) algorithm is a anti-noise and robust machine learning technique. It shows good robustness when dealing with issues such as document classification and spam filtering. Here we propose two novel label flipping attacks to evaluate the robustness of NB under label noise. For the three datasets of Spambase, TREC 2006c and TREC 2007 in the spam classification domain, our attack goal is to increase the false negative rate of NB under the influence of label noise without affecting normal mail classification. Our evaluation shows that at a noise level of 20%, the false negative rate of Spambase and TREC 2006c has increased by about 20%, and the test error of the TREC 2007 dataset has increased to nearly 30%. We compared the classification accuracy of five classic machine learning algorithms (random forest(RF), support vector machine(SVM), decision tree(DT), logistic regression(LR), and NB) and two deep learning models(AlexNet, LeNet) under the proposed label flipping attacks. The experimental results show that two label noises are suitable for various classification models and effectively reduce the accuracy of the models.

     

一种改进的局部支持向量机算法

局部支持向量机是一种用途广泛的分类器,无论在理论研究还是实际应用方面,局部支持向量机都受到越来越多的关注。目前,许多传统的局部支持向量机算法都存在一个问题,即模型中样本比例失衡,导致无法提高分类精度。在加权支持向量机的启发下,提出了将加权思想应用在局部支持向量机Falk-SVM中的WFalk-SVM算法,并通过实验分析验证了WFalk-SVM的可行性及其有效性,最后对WFalk-SVM算法进行分析总结。     

基于脑电信号的情感识别研究

针对如何提高脑电信号情感识别的正确率这一问题,在得到的原始脑电信号进行分频带特征提取后,一方面采用支持向量机、K近邻算法、朴素贝叶斯和神经网络算法对小波熵、近似熵、功率谱密度、微分熵,进行训练和分类学习;另一方面,基于四种不同的电极放置方式,对微分熵特征采用支持向量机和经遗传算法参数寻优的支持向量机算法进行训练。结果显示,在12通道条件下能够得到91.99%的总体准确率,最高情感识别准确率已经达到97.59%。研究结果表明,减少电极可以获得较高的情感识别分类结果,并且采用参数寻优后的支持向量机算法能够有效提升准确率。