基于熵和蚁群聚类算法的模糊支持向量机

摘 要: 模糊支持向量机(FSVM)对传统支持向量机(SVM)在对外围点和噪声数据敏感的缺陷做了重要改进。选取合适的聚类中心计算符合数据本身特征分布的隶属度,能使分类更加准确,提高测试精度。论文基于模糊支持向量机思想,提出一种新的模糊聚类模型—基于熵和蚁群聚类算法的模糊支持向量机(EAFSVM),为聚类中心和隶属度的计算提出了新方法。实验对比传统SVM和FSVM,结果表明EAFSVM测试精度较高,尤其对多类数据、大规模数据具有较好的分类能力。     

粗糙支持向量机

支持向量机(SVM)是一种重要的数据机器学习工具,其有效性依赖于对数据信息获取的准确性.以往的支持向量机模型都没有考虑到数据等价类信息.为此,基于粗糙集理论和支持向量机思想,提出了一种新的支持向量机模型--粗糙支持向量机(RSVM).采用UCI机器学习数据库中的数据做对比实验,结果表明RSVM比传统支持向量机(SVM)和模糊支持向量机(FSVM)都有较高的测试精度.     

连续属性离散化的Imp-Chi2算法

连续属性离散化是机器学习和数据挖掘领域中的一个重要问题,离散化是否合理决定着表达和提取相关信息的准确性。经过研究Chi2系列算法,提出一种新的基于属性重要性的连续属性离散化方法——Imp-Chi2算法,该算法依据属性重要性程度对属性离散化的顺序进行了合理的调整,能够更准确地对连续属性进行离散化。文章通过C4.5和支持向量机分别对离散化后的结果进行了实验,在实验过程中,提出一种训练集类比例抽取方法,避免了训练集随机抽取的不均匀性。实验结果证明了所提算法的有效性。     

结合概率和等价类的双系数支持向量机

支持向量机(SVM)的有效性依赖于对数据信息获取的准确性。针对传统SVM模型获取数据信息单一导致分类精度不高、泛化能力不强的问题,结合概率分布特性和等价类关系,提出了一种双系数控制分类的新模型。该模型优化了SVM,以双系数方式改进传统参数,为每一个样本同时赋予概率值和等价类系数,充分挖掘数据信息内在规律和联系。实验结果证明：该模型能有效利用数据信息,与SVM、FSVM和RSVM相比有较高的测试精度,能有效提高分类能力,具有较高鲁棒性。     

能源计量数据在碳达峰碳中和中的应用

一、能源计量数据在"双碳"中的作用 近年来,能源计量的发展已突破了传统计量管理的范畴,借助互联网技术,建立能耗和碳排放核算信息化管理系统,依靠在线监测提供的客观数据,更专注于用能单位在能源生产、存储、转化、利用和管理的实际应用,为用能单位提高质量和经济效益提供技术支撑,为政府部门节能宏观决策提供数据依据.     

基于熵和蚁群算法的模糊支持向量机新方法

针对当前模糊支持向量机(FSVM)一般使用特征空间样本与类中心之间的距离构建隶属度函数的不足,首次利用熵的不确定性定量化度量特征和蚁群算法(ACO)的智能性与FSVM结合,提出一种基于熵和ACO的FSVM新方法(EAFSVM).求得的聚类中心和隶属度能更准确地反映数据本身的特点,提高测试精度.实验对比SVM和FSVM,结果表明EAFSVM测试精度较高.尤其对多类数据、大规模数据具有较好的分类能力.