核极化的多核LSSVM及其在分类中的应用

为了解决最小二乘支持向量机对于选择核函数盲目性的问题,将核度量标准核极化和多核学习引入最小二乘支持向量机中,提出了基于核极化的多核最小二乘支持向量机算法。算法首先利用核极化确定每个基本核函数的权系数,再根据多核学习原理组合多核函数,然后,建立多核最小二乘支持向量机模型,并进行模型的学习训练和预测。UCI数据上的试验结果表明,所提出的算法比SVM、最小二乘支持向量机和其他的多核学习方法具有更高的分类准确率。     

核极化的核参数选择算法

对支持向量机中核函数的核参数选择问题进行了研究,在深入分析核极化这一核函数度量标准的前提下,提出了一种直接最大化核极化的Gaussian核和Polynomial核的核参数选择算法。首先,设置核参数的搜寻范围,然后,计算在特定核参数下的核极化值,最后,选择出最佳的核参数值进行训练和测试。相比于传统经典的10折交叉验证,该算法无须反复训练和测试分类器,能高效地实现核参数的选择。UCI数据集的实验结果表明了所提出的最大化核极化与核参数选择算法在多分类中具有较好的泛化性能和预测精度,验证了该方法的有效性。     

SLA:智能光网应用中的新亮点

在介绍SLA产生背景、协议条款实施要点的基础下,分析了目前网络中推行SLA的困难,而自动交换光网络使用特有的控制平面技术和演进模型,为SLA的施行提供了可行性。     

基于核极化的特征选择在LSSVM的应用

为了对最小二乘支持向量机中样本的各个特征的差异性进行研究,引入了多参数高斯核,在分析核极化几何意义的基础上,提出了基于核极化梯度迭代优化多参数高斯核的特征选择算法。利用核极化梯度迭代算法对样本中每个特征的重要性程度进行测定;按特征的重要性大小进行LSSVM样本的特征选择;运用LSSVM对选出的特征子集进行训练和测试,称该方法为KP_LSSVM。UCI数据集上的实验结果表明,相较于PCA_LSSVM、KPCA_LSSVM和LSSVM方法,提出的方法可以取得更为准确的分类结果,验证了该方法的有效性。     

多核LSSVM算法在轴承故障识别中的应用

针对最小二乘支持向量机(LSSVM)实现过程中盲目选择核函数的现象,提出了一种基于核极化的多核LSSVM与EMD相结合的滚动轴承故障识别算法。首先,对滚动轴承振动信号进行EMD信号提取,进而提取故障特征向量;然后,根据多核构造原理,引入核极化确定基本核函数的组合权系数,构造多核函数;最后,结合多核函数与LSSVM,形成多核LSSVM学习器,进行故障识别。分析滚动轴承正常状态、内圈故障、外圈故障和滚动体故障的诊断实验结果,可知,EMD与多核LSSVM的故障识别算法可以准确地判断滚动轴承的工作状态和故障类型,并与SVM、LSSVM算法的诊断结果进行对照,表明所提算法的故障识别率更高。     

LSSVM的特征选择算法在烧结过程的应用

炼铁厂的烧结过程是一个复杂的多变量、非线性的物理和化学过程,为了更好地对烧结过程进行建模,在研究最小二乘支持向量机和特征选择的基础上,提出了最小二乘支持向量机的特征选择算法。首先,利用最小二乘支持向量机对烧结样本数据的每一个特征进行训练和预测,记录其预测精度;然后,将样本特征按预测精度排序;最后,按新的特征顺序,逐个递增特征个数对样本数据进行训练和预测。烧结数据的实验结果显示,LSSVM的特征选择算法具有计算的高效性和预测的高精度两优势,证明所提算法的有效性。在所有的特征上对烧结数据进行拟合实验,对比经典SVM、最小二乘和神经网络算法的实验结果,LSSVM可以用很少的时间,得到很理想的拟合效果。     

核极化优化多参数高斯核的特征选择算法

为了解决支持向量机中多特征样本的特征选择问题,鉴于多参数高斯核中的多参数的不同取值可以区分和体现样本中各个特征的重要性差异,在深入分析核极化的几何意义和多参数高斯核特点的基础上,提出了基于核极化梯度优化多参数高斯核的特征选择算法。首先,利用核极化的梯度迭代算法来寻求多参数高斯核的最优多参数值,然后,以优化的多参数大小为基准,进行样本特征的重要性程度强弱标定,进而,采用特征重要性指标来执行SVM的特征选择。最后,将选择出的样本特征子集应用于SVM分类器中。UCI数据的实验结果表明,相较于PCA-SVM、KPCA-SVM和经典SVM方法,所提出算法的分类正确率更高,验证了核极化与多参数模型特征选择算法的有效性。     

核极化的特征选择算法在LSSVM中的应用

在分类中,不同的样本特征对准确分类的贡献率大小存在差异,为了解决最小二乘支持向量机的特征选择的问题。在研究多参数高斯核和核极化的基础上,提出了核极化优化多参数高斯核的特征选择LSSVM算法。首先,利用核极化最大化来优化多参数高斯核中的多参数,进而,判断出样本不同特征的重要性权重大小,然后,按特征重要性程度从大到小的顺序,依次添加一个特征到LSSVM中训练和预测。从UCI数据库选取出的数据集上的实验仿真结果验证了所提算法的有效性,在实际应用中,可以用样本中几个重要特征来预测样本以便提高预测效率,而且,LSSVM和SVM在所有特征上的实验结果说明了采用核极化的特征选择算法在LSSVM应用的高效性。