一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

稀疏最小二乘支持向量机

针对大规模数据集的回归和分类问题，改进了最小二乘支持向量机.以再生核希尔伯特空间中的线性分析为基础，把样本集映射到再生空间中，然后张成再生空间的一个线性子空间，并求出这个子空间的基.利用基线性表示子空间中的其他元素，减小了求解矩阵的维数，通过求解规模相对较小的线性方程组完成对支持向量机的训练.采用该方法对较大规模的数据样本进行了回归和分类仿真试验，并与普通的最小二乘支持向量机进行比较.结果表明，采用该方法解决复杂非线性函数的回归和分类问题，不但可以得到稀疏解，而且计算速度比普通最小二乘支持向量机提高了约20％.     

多源性数据SVM集成算法研究

针对数据特征的多源性特点,提出基于分组特征支持向量机集成算法．该方法将特征分组,对不同组特征采用不同的核函数映射到高维空间后用支持向量机分类,最后采用投票的方法得出决策标记,所得到的成员分类器具有较高的差异性．与传统的集成方法相比,该方法具有较好的检测性能．     

再生核支持向量机在刀具故障诊断中的应用

提出了一种构造再生核的新方法:用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。首先,结合小波多分辨分析,将Hilbert空间分为一系列子空间,并根据可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,把V0子空间的尺度函数折算为Hilbert空间的子空间V~0的尺度函数,构造出新的Walsh序列再生核;然后,运用小波包频带能量分解技术提取不同频带内刀具在不同工作状态下的特征向量。通过仿真实验表明,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

再生核支持向量机在非线性系统中的应用

为了提高非线性系统辨识的精度,提出用Walsh函数作为空间V0的尺度函数,构造出L2(R)空间的正交规范序列。结合小波多分辨分析,将Hilbert空间分为一系列子空间,并由可分Hilbert空间与L2(R)的等价性,利用内积同构的线性算子,可以把V0子空间的尺度函数折算为Hilbert空间的子空间V0的尺度函数,构造出新的Walsh序列再生核。通过仿真实验,与传统的RBF核函数、高斯核函数等比较,该尺度再生核函数具有更高的辨识精度,较少支持向量数目,充分体现了支持向量机较好的推广性能。     

基于DNA微阵列数据的特征子空间集成分类

针对DNA微阵列数据应用于临床诊断时分类准确率过低的问题,结合其高维小样本的特点提出了一种特征子空间集成分类方法。该方法首先通过层次聚类与信噪比特征选择策略将原始训练数据集映射到一个非冗余的特征基因空间,然后随机抽取一些特征子空间构成训练子集并应用支持向量机训练基分类器,最后采用多数投票的方式决定测试样本的类属。最后在4个标准的微阵列数据集上与其他方法进行了对比实验,结果证明了本文方法的有效性。     

基于核光谱角余弦的高光谱图像FLS-SVM分类算法

模糊支持向量机是模糊技术与支持向量机的有机结合,其关键步骤是确定模糊隶属度函数.现有方法大多利用距离这一相似性测度从不同角度构造隶属度函数,实现过程比较复杂.对于高光谱数据的光谱特性,用距离表征地物的光谱亮度差异较为合适,但天气、光照强度等因素对这种亮度影响很大.相比之下光谱间的角度受亮度的影响很小,作为相似性测度更为可靠.针对这种地物光谱角度特性,在模糊最小二乘支持向量机(FLS-SVM)中,用核光谱角余弦作为相似性测度来构造模糊隶属度函数,仿真结果表明能够有效地提高最小二乘支持向量机(LS-SVM)高光谱图像分类性能.     

犯罪嫌疑人脸部识别中的数据降维和模式分类方法研究

比较了犯罪嫌疑人脸部识别中常用的数据降维和模式分类方法.数据降维方法包括主分量分析和线性判别分析等子空间降维方法,模式分类方法包括近邻法和支持向量机等分类方法,并基于ORL人脸数据库进行了仿真实验,同时比较了各算法在该数据集上的性能.结果表明,主分量分析和改进的线性判别分析算法性能相差不大,后者的性能比经典的线性判别分析好很多;支持向量机的性能比最近邻好,采用不同核的支持向量机之间的性能相差不大.     

混响背景中信号检测的特征核支持向量机

针对支持向量机的核函数对检测性能的影响,分析了核函数在特征空间中的作用.利用混响和目标回波的非高斯特性上的差异设计了特征核函数,即将核函数改进为任意2个样本高阶统计量的几何均值与原核函数乘积的形式,使其自适应调整核函数值,从而提高分类性能.实验证明了采用特征核函数后扩大了2类样本间的距离,并且仍然满足Mercer定理.将特征核支持向量机应用于高斯或非高斯分布混响背景中的信号检测,结合实际应用给出了训练和检测算法.实验及仿真研究表明,当选取2类样本差异较大的高阶统计量作为特征量时,混响背景为非高斯分布时,其检测性能优于匹配滤波器以及基于传统核函数的支持向量机.     

基于高阶累积量和支持向量机的信号调制分类

给出了一种基于支持向量机的数字调制信号分类器设计方法。将接收信号的二阶、四阶、六阶累积量作为分类特征向量,利用支持向量机把分类特征向量映射到一个高维空间,并在高维空间中构造最优分类超平面以实现信号分类。文中选用了径向基核函数,使用一对一或一对余多类构造法,并利用交叉验证网格搜索法优化核函数参数,构建了快速稳定的多类支持向量机分类器。仿真实验表明：基于支持向量机的分类器具有很高的分类性能和良好的稳健性。     

H~2[a,b]空间中再生核函数的构造

首先借助Green函数和线性变换基本定理构造出H2[a,b]空间的子空间的再生核函数,然后利用再生核函数的和运算给出H2[a,b]空间中的再生核函数.并得到该空间中的再生核函数特有的性质.     

基于多层感知器的深度核映射支持向量机

为改善支持向量机的性能,从深度学习的角度研究核学习的方法,提出了基于多层感知器的深度核映射支持向量机模型( deep kernel mapping support vector machine,DKMSVM)以及相应的学习算法。该模型首先通过多层感知器学习一个从原始输入空间到合适维度空间的核映射代替传统意义上的核函数,然后直接在合适维度空间使用支持向量机进行分类,而不是采用核技巧进行求解。实验结果验证了DKMSVM的有效性。     

Szeg核空间的子空间的再生核

本文给出了再生核Hilbert空间的再生核与相应的子空间的再生核的联系,并在此基础上讨论了Szego核空间的一系列子空间的再生核.     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

一种基于核主成分分析的图像超分辨率算法

测试样本和训练样本集的匹配是基于学习的超分辨率算法中关键问题之一。本文方法通过将低分辨率的观察样本映射到高维的核空间中,实现测试样本和训练样本集的准确匹配,避免了基于学习的超分辨率算法中错误匹配问题,提高生成图像的质量。该算法包括:测试样本对训练样本集进行核主成分分析(kernel principal components analysis, KPCA); 利用距离约束算法得到在输入空间中的原像;最后将新生成的图像块进行重组,得到高分辨率的图像。在USPS数据集上进行的实验验证和对比分析表明：基于KPCA的图像超分辨率方法能够取得较好的超分辨率效果。     

基于类别多核局部判别嵌入的人脸识别

在局部判别嵌入的基础上提出了一种有效的非线性子空间学习方法:类别多核局部判别嵌入.首先针对给定数据的类别信息,定义基于每一个类别的局部核函数,形成多核,接着将不同的局部核函数进行线性组合作为最终的核函数引入到局部判别嵌入算法中,得到类别多核局部判别嵌入算法,在核空间内提取图像高阶非线性信息.在ORL和Yale库上的人脸识别表明该方法是有效的.     

独立成分分析和支持向量机的虹膜识别方法

为了提高虹膜识别的性能,提出了一种新的虹膜识别方法。该方法采用独立成分分析获取虹膜高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后在该独立成分空间中,利用支持向量机的泛化特性构造最优分类超平面。通过CASIA虹膜数据库的仿真实验,该方法降低了特征空间维数,具有较高的正确识别率。特别是对高斯核,取得了98.61%的正确识别率,较相异度函数和最近特征线方法分别高6.48%和4.54%,同时也提高了算法的鲁棒性和灵活性。