飞行事故调查时缺失飞行参数的综合估计方法

分析了飞行事故时导致飞行参数缺失的几种因素,在介绍传统的基于参数变化率特性和基于参数间函数关系估计缺失飞行参数的方法后,重点研究了一种基于样本学习(神经网络和支持向量机)的缺失飞行参数的估计方法。仿真结果表明,当飞行参数间不存在确定的函数关系时,采用基于样本学习的飞行参数估计方法可行、有效。     

一种确定高斯核模型参数的新方法

支持向量机中核函数及其参数的选择非常重要,该文提出了一种利用支持向量之间的距离求取高斯核函数参数的有效方法。该方法充分利用了支持向量机方法的最优判别函数仅仅与支持向量有关,并且支持向量为高斯核中心的特点。实验结果表明,该方法较好地反映了图像特征的本质,解决了高斯核函数参数在实际使用中不易确定的问题。     

双正则化参数的L_2-SVM参数选择

寻找支持向量机(SVM)的最优参数是支持向量机研究领域的热点之一。2范数软间隔SVM(L2-SVM)将样本转化成线性可分,在原始单正则化参数L2-SVM的基础上,提出双正则化参数的L2-SVM,获得它的对偶形式,从而确定了最优化的目标函数。然后结合梯度法,提出了一种新的支持向量机参数选择的新方法(Doupenalty-Gradient)。实验使用了10个基准数据集,结果表明,Doupenalty-Gradient方法是可行且有效的。对于实验所用的样本,极大地改善了分类精度。     

SVM在数据挖掘中的应用

随着数据库系统使用的普及,数据库的规模也越来越大,如何从海量数据库中挖掘出有用的信息以供企事业单位使用,已经越来越引起人们的兴趣。支持向量机（SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法,它基于结构风险最小化原则,能有效地解决过学习问题,具有良好的推广性能和较好的分类精确性。该文首先介绍统计学习理论和支持向量机的概念,然后进一步论述了SVM在数据挖掘中的应用。     

一种模糊支持向量负荷预测法及其参数优化策略

分析了电力系统负荷预测目前采用方法的不足,并根据电网负荷的特点提出一种基于模糊支持向量的核回归方法,同时提出多参数同步优化策略,增强了该方法的实用性和有效性．从理论上分析了小样本条件下,该方法可以有效避免过学习的原因,它不需设计网络结构,降低了对实验人员经验的依赖程度．与神经网络法进行对比实验,实验结果表明了该方法的优越性和适用性,并具有较好的实用价值和应用前景．     

支持向量机新模型及其参数特性研究

支持向量机C-SVM及υ-SVM是目前两种最为成熟的模型,但是从形式到算法、从参数特性到参数含义,它们都相互不同,这给人们的选择带来不便。为了将这两种SVM模型统一起来,提出一种新的模型Cυ-SVM,并依据统计学习理论,研究它的解的特性。给出了新模型解的完备性条件,找出它的解及其相应的算法,并指出了υ/C既是边界支持向量个数的上界,又是支持向量总数的下界。参数设置说明,新模型完全可以实现旧模型的所有功能,而新的算法更加方便诸如文本自动分类等领域的使用。     

支持向量机的新发展

Vapnik等学者首先提出了实现统计学习理论中结构风险最小化原则的实用算法一支持向量机，比较成功地解决了模式分类问题，其后，机器学习界兴起了研究统计学习理论和支持向量机的热湖，引人瞩目的研究分支有从最优化技术出发改进或改造支持向量机，依据统计学习理论和支持向量机的优点设计新的非线性机器学习算法等，对此，较为系统地回顾了近lO年来算法研究领域的新发展。     

支持向量机在发动机参数采集器故障诊断中的应用

支持向量机作为一种基于结构风险最小化原则的统计学习理论,目前已广泛地应用于模式识别[1]、函数逼近[2]等研究领域,尤其是在小样本情况下相比传统统计学习理论体现了更好的泛化性能.选择无量纲参数作为支持向量机的特征向量,将其应用于发动机参数采集器的故障诊断中,结果表明,它对发动机参数采集器的故障模式具有很好的分类能力.     

一种改进的SVM相关反馈图像检索方法*

提出了一种改进的支持向量机SVM( Support Vector Machine) 的相关反馈图像检索方法。在这种方法的交互过程中, SVM 分类器不仅对本次反馈过程中用户所提交的标记的正例和反例样本进行学习, 还对历次反馈过程中的正例和反例样本进行学习, 并根据训练后的分类器进行检索。实验结果表明, 该方法在样本集非常小的情况下, 仍可以检索出较多的相关图像, 在有限训练样本情况下具有良好的推广能力。     

一种实时网络安全态势预测方法

作为二十一世纪的新兴技术,计算机互联网技术的发展和应用不仅为促进世界经济、科技一体化提供了必要的技术支持,而且对于促进各国各个生产领域的全面发展也具有较大的积极作用。但但随着网络技术的应用愈加普及和广泛,网络安全也成为了当下困扰网络用户的首要问题。该文通过引入网络安全态势预测法,在对该方法的概念以及基本原理进行说明的基础上,对基于支持向量机算法的网络安全态势预测模型的建立方法展开了深入研究,以求为维护网络安全提供有价值的参考意见。     

一种为保密挖掘预处理数据的新方法

Apriori算法是数据挖掘中一个里程碑式的经典算法,在该算法的思想上衍生出了许多通过产生频繁项集来导出关联规则的算法。提出了一种基于数据项闭包的、为保密数据挖掘进行数据预处理的全新方法。该方法针对类Apriori算法的特点和过程对不同特点的数据项进行不同的变换,使得挖掘请求方既能够正确地得到自己想要得到的关于己方产品的信息,又无法正确地得到关于潜在的竞争对手的信息。因此数据提供方在采用该方法预处理数据后,能够提供有利于双方的数据,以达到双赢的目的。     

Using SVM based method for equipment fault detection in a thermal power plant

Due to the growing demand on electricity, how to improve the efficiency of equipment in a thermal power plant has become one of the critical issues. Reports indicate that efficiency and availability are heavily dependant upon high reliability and maintainability. Recently, the concept of e-maintenance has been introduced to reduce the cost of maintenance. In e-maintenance systems, the intelligent fault detection system plays a crucial role for identifying failures. Data mining techniques are at the core of such intelligent systems and can greatly influence their performance. Applying these techniques to fault detection makes it possible to shorten shutdown maintenance and thus increase the capacity utilization rates of equipment. Therefore, this work proposes a support vector machines (SVM) based model which integrates a dimension reduction scheme to analyze the failures of turbines in thermal power facilities. Finally, a real case from a thermal power plant is provided to evaluate the effectiveness of the proposed SVM based model. Experimental results show that SVM outperforms linear discriminant analysis (LDA) and back-propagation neural networks (BPN) in classification performance.     

基于支持向量机的遥感图像舰船目标识别方法

针对高分辨率遥感图像舰船目标识别问题,提出了一种基于支持向量机的舰船目标分类方法。支持向量机(SVM)是一类新型机器学习方法,基于结构风险最小化归纳原则,具有出色的学习能力。与传统的方法相比,支持向量机不但结构简单,而且技术性能特别是泛化能力明显提高。该文简要介绍了有关统计学习理论和支持向量机算法,将支持向量机应用于遥感图像舰船目标识别,并同传统的舰船识别方法进行了相关的对比实验,实验结果说明本文提出的分类器在识别性能上明显优于其它传统分类器,具有更高的识别性能率。     

Support vector machine applications in the field of hydrology: A review

In the recent few decades there has been very significant developments in the theoretical understanding of Support vector machines (SVMs) as well as algorithmic strategies for implementing them, and applications of the approach to practical problems. SVMs introduced by Vapnik and others in the early 1990s are machine learning systems that utilize a hypothesis space of linear functions in a high dimensional feature space, trained with optimization algorithms that implements a learning bias derived from statistical learning theory. This paper reviews the state-of-the-art and focuses over a wide range of applications of SVMs in the field of hydrology. To use SVM aided hydrological models, which have increasingly extended during the last years; comprehensive knowledge about their theory and modelling approaches seems to be necessary. Furthermore, this review provides a brief synopsis of the techniques of SVMs and other emerging ones (hybrid models), which have proven useful in the analysis of the various hydrological parameters. Moreover, various examples of successful applications of SVMs for modelling different hydrological processes are also provided.     

一种新的支持向量机主动学习策略及其在文本分类中的应用

There are two well-known characteristics about text classification.One is that the dimension of the sample space is very high,while the number of examples available usually is very small.The other is that the example vectors are sparse.Meanwhile,we find existing support vector machines active learning approaches are subject to the influence of outliers.Based on these observations,this paper presents a new hybrid active learning approach.In this approach,to select the unlabelled example(s) to query,the learner takes into account both sparseness and high-di-mension characteristics of examples as well as its uncertainty about the examples‘‘ categorization.This way, the active learner needs less labeled examples,but still can get a good generalization performance more quickly than competing methods.Our empirical results indicate that this new approach is effective.     

一种快速支持向量机增量学习算法

经典的支持向量机(SVM)算法在求解最优分类面时需求解一个凸二次规划问题,当训练样本数量很多时,算法的速度较慢,而且一旦有新的样本加入,所有的训练样本必须重新训练,非常浪费时间.为此,提出一种新的SVM快速增量学习算法.该算法首先选择那些可能成为支持向量的边界向量,以减少参与训练的样本数目;然后进行增量学习.学习算法是一个迭代过程,无需求解优化问题.实验证明,该算法不仅能保证学习机器的精度和良好的推广能力,而且算法的学习速度比经典的SVM算法快,可以进行增量学习.     

A simple decomposition algorithm for support vector machines with polynomial-time convergence

Support vector machines (SVMs) are a new and important tool in data classification. Recently much attention has been devoted to large scale data classifications where decomposition methods for SVMs play an important role.So far, several decomposition algorithms for SVMs have been proposed and applied in practice. The algorithms proposed recently and based on rate certifying pair/set provide very attractive features compared with many other decomposition algorithms. They converge not only with finite termination but also in polynomial time. However, it is difficult to reach a good balance between low computational cost and fast convergence.In this paper, we propose a new simple decomposition algorithm based on a new philosophy on working set selection. It has been proven that the working set selected by the new algorithm is a rate certifying set. Further, compared with the existing algorithms based on rate certifying pair/set, our algorithm provides a very good feature in combination of lower computational complexity and faster convergence.