改进的PSVM及其在非平衡数据分类中的应用

标准近似支持向量机(PSVM)没有考虑非平衡分布数据的分类问题，为此，在PSVM的基础上，将优化问题中的惩罚因子由数值变更为一个对角阵，提出了一种改进的PSVM算法。该方法利用引入的对角阵对正负样本分别分配不同的惩罚因子，由于其任意性，使得该算法可以解决由多种因素引起的分布不平衡的分类问题，稳健性较好。利用实值免疫克隆算法实现了模型参数的自动选择，进一步提高了算法的泛化性能。实验结果表明新算法对于处理分布不平衡数据的分类问题相当有效。     

基于PSVM的乳腺X照片分类器设计

纹理是图像中反复出现的局部模式和它们的排列规则。一幅图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔变化幅度的综合信息，它是分析图像纹理的基础。文中提出了基于灰度共生矩阵的乳腺X照片纹理特征提取方法。同时，利用比BP神经网络精度更高，比传统的SVM算法效率更高、更易于实现的PSVM算法作为分类器的训练方法。     

基于PSVM的主动学习肿块检测方法

肿块区域通常形态各异、差异性较大,并且与正常组织相比没有明显的区别,严重影响了肿块自动检测系统的性能.为了能够有效地提高乳腺X线图像中肿块的检测灵敏度,通过引入包含了样本间相互制约关系的具有成对约束的SVM (PSVM)算法,提出了一种基于PSVM 的主动学习机制.其中,由系统根据样本的不确定性和相互之间的特征匹配距离,主动选择应该反馈给训练集的成对样本.实验结果表明,这种基于PSVM的主动学习方法,能够充分利用样本所包含的信息,使得检测方法具有更好的推广能力和检测性能.     

模拟电路故障诊断的邻近支持向量机集成方法

提出了基于非对称AdaBoost算法与邻近支持向量机的模拟电路集成故障诊断方法。该方法采用非对称AdaBoost解决邻近支持向量机处理多分类问题出现的数据不平衡问题,提高邻近支持向量机的分类准确率;利用高斯变异策略自适应选择核函数及正则化因子,提高集成邻近支持向量机的个体间差异性;最后获得分类精度高和泛化性能好的分类器。通过对模拟电路的故障诊断实验,验证了该方法的鲁棒性和可行性。诊断结果表明本文方法具有故障定位准确和泛化性好的特点。     

基于PSO算法的模糊PSVM及其在旋转机械故障诊断中的应用

研究了粒子群优化改进的模糊线性PSVM在旋转机械故障诊断的应用。常规的PSVM对噪声或野值敏感,模糊PSVM可以很好的解决这种问题;对于非平衡样本,PSVM分类面会偏重于数据点较多的一类,从而降低正确分类性能,通过为不同样本分别设计不同的惩罚因子,提高分类器性能;模糊线性PSVM分类器的惩罚因子采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。通过旋转机械故障分类应用实例进行了设计方法的验证,首先对振动信号进行滤波,然后以不同频率频谱的谱峰能量作为FLPSVM分类器的输入特征参数,用于区分旋转机械的5种典型故障,试验结果表明了方法的有效性。     

基于概率支持向量机原理的超声缺陷识别模型研究

为了提高大型零件超声波探伤过程中的缺陷辨识能力,提出一种基于概率支持向量机原理,结合经验模式分解和DS证据理论,采用多探头检测的一种超声缺陷识别模型。首先,对每个探头检测的含有缺陷的信号运用经验模式分解法提取信号特征;其次,利用支持向量机来进行缺陷识别,并采用最大后验概率策略来处理传统支持向量机的输出,得到每个探头检测到的缺陷的概率支持度;最后,采用 DS证据理论得出最终的缺陷类型。结果表明,该模型克服了传统的支持向量机在处理多类问题时其硬判决输出限制后续数据处理的缺陷,同时避免了主观判断,提高了识别精度和准确率。与神经网络结合DS证据理论模型和单探头多级二类支持向量机模型进行了对比分析,论证了本模型的优越性。     

用临近支持向量机预测熔喷非织造布的性能

用临近支持向量机(PSVM)建立了熔喷非织造布热空气温度、接收矩离、挤出量等3个工艺参数与过滤效率和透气量两大性能之间的关系预测模型,并用每组条件下两大性能的平均值对模型进行了验证.结果表明:过滤效率和透气量预测的拟合误差分别为0.122和38.49,而预测值与实测平均值之间的相关系数R都接近于1.经对比认为,PSVM的拟合效果非常理想.在此基础上通过计算机模拟方法得到最优工艺参数为:过滤效率最优工艺条件为温度270℃,DCD 15～19 cm,定量100 g/m2;透气量最优工艺条件为温度270～300℃,DCD 20 cm,定量160 g/m2.     

基于样本分布不平衡的近似支持向量机

针对标准的近似支持向量机（PSVM）没有考虑样本分布不平衡的问题，提出了一种新的PSVM算法-BPSVM，根据训练样本数量的不平衡对正负样本集分别分配了不同的惩罚因子，并将原始优化问题的惩罚因子由数值变更为一个对角阵，最后推导出了线性和非线性BPSVM的决策函数，实验结果表明：BPSVM的性能优于PSVM与SVM方法相比效率更高.     

基于入侵检测的特征提取方法

利用核主成份分析对入侵检测的训练样本进行特征提取,有效地提取出样本的分类信息,降低了维数.在此基础上,进一步将简约支持向量机RSVM(Reduced SVM)方法应用到非线性的PSVM中,降低了核矩阵的计算量.两种方法相结合提高了训练速度和入侵检测的分类效果,并且一定程度上还改善了分类的正确率和误报率,数值试验证明算法的有效性.     

优化样本分布的最接近支持向量机

当两类样本分布存在差异时,最接近支持向量机（Proximal Support Vector Machine,PSVM）等最小二乘类分类器分类结果将出现偏差,不能实现最小错误率分类。本文在分析PSVM等价广义特征值分解模型基础上,提出了一种改善原PSVM分类决策面的优化样本分布PSVM,其基本思想是通过引入最大化正确分类样本距决策面距离,同时最小化错误分类样本距决策面距离的优化样本分布正则化项,构造优化样本分布PSVM的广义特征值分解模型。通过人工数据集和UCI数据集的10个数据子集上的对比实验,验证了该改进分类模型能够有效调整决策边界,从而获得更好的分类效果。