基于LS-SVM的非线性多功能传感器信号重构方法研究

提出了基于最小二乘支持向量机(Least squares support vector machine, LS-SVM)的非线性多功能传感器信号重构方法. 不同于通常采用的经验风险最小化重构方法, 支持向量机(Support vector machine, SVM)是基于结构风险最小化准则的新型机器学习方法, 适用于小样本标定数据情况, 可有效抑制过拟合问题并改善泛化性能. 在SVM基础上, LS-SVM将不等式约束转化为等式约束, 极大地简化了二次规划问题的求解. 研究中通过L-折交叉验证实现调整参数优化, 在两种非线性情况下对多功能传感器的输入信号进行了重构, 实验结果显示重构精度分别达到0.154\%和1.146\%, 表明提出的LS-SVM重构方法具有高可靠性和稳定性, 验证了方法的有效性.     

基于支持向量机的散乱数据拟合

文章提出了一种有效的大规模散乱点拟合方法,它是采用最小均方支持向量机局部拟合对Shepard插值方法进行改进。支持向量机基于结构风险最小化准则,在数据拟合方面具有较好的泛化能力,而改进的Shepard法能有效拟合大规模样本点。实验结果表明该算法对大规模散乱数据点具有较好的拟合性能。     

基于SVM的传感器动态模型辩识方法

提出了一种传感器动态模型辩识新方法,给出了相应的辩识过程及学习算法.该方法采用支持向量机模型,与常规模型辩识方法比较,其优点是明显的.其采用了结构风险最小化准则,在最小化样本误差的同时减小模型泛化误差的上界,提高了模型的泛化能力;而且将学习算法转换为求解二次规划问题,使得整个模型参数辩识过程中有且仅有一个全局极值点,确定了结果的唯一性.最后,仿真和实际试验结果均表明应用支持向量机对传感器动态模型进行辩识有效.     

多气体的SVM数据融合定性识别方法

针对基于神经网络的多气体定性识别方法中存在的过学习和泛化能力差的问题,提出了一种基于支持向量机(SVM)与多传感器数据融合的多气体定性识别方法。该方法采用结构化风险最小化准则的多类分类支持向量机对由多个气体传感器、温度和湿度传感器组成的传感阵列的数据进行融合,克服了传统方法的缺陷,消除了环境温度与湿度等因素的影响,实现了100%的定性识别率,实验结果证明了该方法的有效性。     

火灾预警的SVR应用研究

针对传统火灾探测系统对火灾特征信号响应灵敏度均匀性差,而基于神经网络的智能处理方法又存在泛化能力差和过学习等问题.建立了一种基于支持向量回归机(SVR)模式识别方法与传感器阵列相结合火灾预警模型.SVR方法根据统计学习理论中结构风险最小化原则,将气体传感器、烟雾传感器和温度传感器组成的传感器阵列数据进行融合,将复杂的非线性问题转化成了高维平面内的线性问题,克服了传统方法和神经网络方法的缺陷.实验结果表明,使用支持向量回归机的火灾预警模型的预测精度优于神经网络方法,提高了火灾预警系统的可靠性和准确度.     

一种支持向量回归机自动模型选择方法

为解决SVR(支持向量回归)自动模型选择的问题,提出一种基于梯度下降算法的支持向量回归机模型参数优化方法.通过最小化模型选择准则R2w2,对核参数集采用梯度下降算法得到局部最优的模型参数.依据黎曼几何为理论,提出一种适合于SVR的保角变换,对核函数进行数据依赖的改进,进一步提高SVR的泛化能力.仿真试验的结果验证了该方...     

基于支持向量机参数识别的灰色预测模型

采用基于支持向量机参数识别的灰色预测模型,用基于结构风险最小化准则的支持向量机方法求取灰色模型的参数,再用灰色模型计算预测值。该方法避免了过拟合问题,提高了模型的预测精度。     

支持向量机在丁二酸发酵过程建模中的应用

支持向量机是一种新的机器学习算法,它采用结构风险最小化准则,能有效提高模型的泛化能力.本文针对生物转化法生产丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,介绍了支持向量机回归建模算法在Matlab软件中的实现过程,对产物丁二酸浓度建立了预测模型,研究了SVM的小样本学习、泛化能力.仿真结果表明,与神经网络相比,SVM算法具有更好的推广能力,使得在未来工业化丁二酸发酵生产过程中针对丁二酸浓度的在线预估与优化控制成为可能.     

基于差分进化算法的支持向量回归机参数优化

支持向量机是结构风险最小化原理的一种新型学习技术,被广泛应用到很多工业控制领域中,良好的泛化能力和预测精度在很大程度上受到参数选取的影响.传统参数选择方法易陷入局部最优,为提高优化识别参数的精度和效率,提出基于差分进化算法的支持向量回归机参数优化算法.以均方误差最小为优化准则,差分进化算法的全局寻优能力,搜索支持向量回归机的最优参数组合,达到对参数的最优选择.通过Matlab进行仿真实验,结果表明改进的算法不仅加快参数搜索和优化的速度,而且选择的最优参数能大大提高支持向量机预测精度和泛化能力,并具有良好的鲁棒性和较强的全局寻优能力.     

回归支持向量机的改进序列最小优化学习算法

支持向量机(support vector machine,简称SVM)是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法,提出了实现回归支持向量机的一种改进的SMO(sequential minimal optimization)算法,给出了两变量子优化问题的解析解,设计了新的工作集选择方法和停止条件,仿真实例说明,所提出的SMO算法比原始SMO算法具有更快的运算速度.     

模糊支持向量机在青霉素发酵中的应用

支持向量机（SVM）是一种基于结构风险最小化原理（SRM）的学习算法,也是一种具有很好的泛化性能的回归方法.针对青霉素发酵过程中的菌体浓度进行软测量建模,提出了一种新的基于距离的模糊支持向量机,并用序列最小优化算法（SMO）求解优化问题.仿真实例说明能够对青霉素发酵过程中不可在线测量的变量进行软测量,达到了较高的测量精度.     

一种改进的SVM回归估计算法

支持向量机是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法。目前,如何设计快速有效的回归估计算法仍然是支持向量机实际应用中的问题之一。文中对标准SVM回归估计算法加以改进,提出一种改进的SVM回归估计算法,并从学习速度和回归估计精度两个方面对提出的改进的SVM回归估计算法与标准SVM回归估计算法进行了比较。实验结果表明,在学习速度与回归估计精度之间取折衷时,文中提出的回归估计算法自由度更大。     

基于支持向量机分类的回归方法

支持向量机(support vector machine,简称SVM)是一种基于结构风险最小化原理的分类技术,也是一种新的具有很好泛化性能的回归方法.提出了一种将回归问题转化为分类问题的新思想.这种方法具有一定的理论依据,与SVM回归算法相比,其优化问题几何意义清楚明确.     

引入调整项的模糊孪生支持向量机

模糊孪生支持向量机是一种重要的机器学习方法,克服了噪声或异常数据对分类的影响;然而,该方法考虑的仍是经验风险,从而使得训练过程易出现过拟合现象。为了解决该问题,通过引入调整项,提出了一种改进的模糊孪生支持向量机模型,利用二次规划求解方法和超松弛迭代法对模型进行求解,获得了用于分类的决策面。实验中选取UCI标准数据集验证了所提方法的有效性。     

USING LEAST SQUARE SVM FOR NONLINEAR SYSTEMS MODELING AND CONTROL

Support vector machine is a learning technique based on the structural risk minimization principle, and it is also a class of regression method with good generalization ability. The paper firstly introduces the mathematical model of regression least squares support vector machine (LSSVM), and designs incremental learning algorithms by the calculation formula of block matrix, then uses LSSVM to model nonlinear system, based on which to control nonlinear systems by model predictive method. Simulation experiments indicate that the proposed method provides satisfactory performance, and it achieves superior modeling performance to the conventional method based on neural networks, moreover it achieves well control performance.     

回归最小二乘支持向量机的增量和在线式学习算法

首先给出回归最小二乘支持向量机的数学模型,并分析了它的性质,然后在此基础上根据分块矩阵计算公式和核函数矩阵本身的特点设计了支持向量机的增量式学习算法和在线学习算法．该算法能充分利用历史的训练结果,减少存储空间和计算时间．仿真实验表明了这两种学习方法的有效性．     

基于支持向量机的烟叶感官品质评价

支持向量机是一种新的机器学习算法,它采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型预测误差的上界,从而提高了模型的泛化能力。通过SVM在烟叶感官品质评价中的应用,研究了SVM的小样本学习、泛化能力和抗噪声扰动能力。