支持向量机训练算法及其应用

支持向量机是在统计学习理论基础上提出的一种新的机器学习方法。由于其出．色尊学习性能，该技术已成为机器学习界的研究热点，并成功地应用在模式识别、时间序列预测、苛线性系统辨识、控制及其它方面。本文简要介绍了支持向量机训练算法及其应用，并且讨论了未来的发展方向。     

支持向量机在目标分类中的应用

目标分类是一个决策过程,支持向量机是一种基于统计学习理论的机器学习方法,是目前较为理想的分类工具之一。本文介绍了支持向量机的理论背景和一些新的进展,及其在理论和实际应用中面临的难题。还对支持向量机在多元分类中的应用进行了讨论,并给出了实例。     

基于遗传算法的双子支持向量机的模型选择

双子支持向量机是在支持向量机的基础上提出的一种新的机器学习方法。与传统支持向量机相比,双子支持向量机寻找的是一对不平行的超平面,计算效率是传统支持向量机的4倍。然而,双子支持向量机的参数较多,在应用过程中存在较大局限性。在研究了惩罚参数和核参数对双子支持向量机分类性能影响的基础上,利用遗传算法来选择双子支持向量机的参数,避免了盲目的模型选择。实验结果显示,所提算法能有效选择合适参数,获得的参数能使双子支持向量机具有较好的泛化性能,同时也更加高效。     

支持向量机中的模型选择研究

支持向量机是一种新型的机器学习方法。模型选择是设计支持向量机的关键。本文在分析用于分类的支持向量机原理的基础上,分别从核函数类型和核参数的选择等模型选择方面进行了探讨。最后在上述理论分析的基础上进行了实验,取得了较好的效果。     

基于分段核函数的支持向量机及其应用

支持向量机兼顾训练误差和推广性能,已受到机器学习领域的高度重视,而核函数的性能是支持向量机研究中的关键问题。研究了几种常见核函数对支持向量机推广性能的影响,并利用全局核函数和局部核函数的性质,提出了一种新的分段核函数的支持向量机。数据集上的仿真结果表明,该核函数对应的支持向量机泛化能力优于传统核函数对应的支持向量机,具有较好的预测性能。     

SVM在自主履带车辆转向问题上的仿真研究

SVM(支持向量机)是一种应用广泛的机器学习分类、回归和完成其他学习任务的方法。文章简要介绍了支持向量机的原理,并以一维数据为基础,采用基于-不敏感损失函数的-SVR与基于最小二乘基本原理的曲线拟合法,在MATLAB平台下,对多项式函数、包含指数函数的三角函数分别进行回归比较。最后对多维数据的某型自主履带车辆转向角度进行回归预测。结果表明支持向量机的方法具有应用范围广、逼近精度高、泛化性能好的特点。     

支持向量机方法在电离层短期预报中的应用

支持向量机是一种崭新的机器学习方法,将支持向量机方法应用于电离层参数短期预报,提前一小时预报了电离层临界频率foF2.用海口站太阳活动高低年各个季节的历史数据进行了检验,预报误差在不同的太阳活动水平不同的季节各不相同.预报结果与IRI比较的结果表明,支持向量机方法具有较高的预报精度,将支持向量机方法用于电离层短期预报是可行的.     

支持向量机理论研究

支持向量机(support vector machines,SVM)是一种基于小样本统计理论的机器学习方法,在解决非线性及高维模式识别中表现出明显的优势,是近年来机器学习领域的研究热点。文中介绍了支持向量机的原理,对经典的训练算法和一些新型的学习模型进行了阐述,最后指出所面临的问题和研究方向。     

基于支持向量机和振动场的故障诊断方法

故障样本量是制约智能故障诊断发展的关键因素之一,然而实践中往往难以获取充足的故障样本。支持向量机是一种新型的机器学习和模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出优越的性能。本文将欧氏距离分类引入到支持向量机解决支持向量机多类分类问题,提出了基于支持向量机和振动场的故障诊断方法。实验结果表明,该方法在故障诊断上计算速度和准确度令人满意,为类似的研究提供了借鉴意义和参考。     

支持向量机在仓储物害虫分类识别中的应用研究

仓储物害虫自动分类识别是储粮生态系统中的重要研究课题之一。近年来，支持向量机以其出色的学习性能，已成为机器学习领域的一个研究热点。本文在研究支持向量机理论的基础上，将支持向量机引入仓储物害虫的分类识别中。实验表明，该方法与传统的神经网络方法相比，克服了后者固有的过学习和欠学习问题，并且对复杂模式的识别能力较强，达到了较高的识别率，这为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

机器学习系统毒化攻击综述

自机器学习被应用到许多关键性领域以来,机器学习系统的脆弱性也引起了人们的高度重视。其中,针对机器学习系统的毒化攻击得到了研究者的广泛关注,呈现了一些研究成果。因此,将系统地介绍当前机器学习系统毒化攻击的研究进展,对机器学习系统毒化攻击算法进行分类和总结,包括针对机器学习中的线性分类器、支持向量机、贝叶斯分类器和深度神经网络等几类常见模型的毒化攻击等攻击算法,目标是使现有的关于机器学习系统毒化攻击的研究成果更加清晰,为相关研究者的研究工作提供启发。     

基于全局和局部保持的半监督支持向量机

 支持向量机（SVM）作为正则化方法的一个特例在模式识别领域得到了成功地运用,然而传统的SVM方法作为一种有监督的学习方法主要依据最大间隔原则得到决策超平面的法向量,而并没有充分考虑样本内在的几何结构以及所蕴含的判别信息. 因此,本文将线性判别分析（LDA）的类内散度和保局投影（LPP）的基本原理引入到SVM中,提出基于全局和局部保持的半监督支持向量机：GLSSVM,该方法在继承传统的SVM方法的特点的基础上,充分考虑样本间具有的全局和局部几何结构,体现样本间所蕴含的局部和全局判别信息,同时满足作为半监督方法的必须依据的一致性假设,从而在一定程度上提高了分类精度．通过在人造数据集和真实数据集上的测试表明该方法具有上述优势．     

Machine Learning With AIBO Robots in the Four-Legged League of RoboCup

Robot learning is a growing area of research at the intersection of robotics and machine learning. The main contributions of this paper include a review of how machine learning has been used on Sony AIBO robots and at RoboCup, with a focus on the four-legged league during the years 1998-2004. The review shows that the application-oriented use of machine learning in the four-legged league was still conservative and restricted to a few well-known and easy-to-use methods such as standard decision trees, evolutionary hill climbing, and support vector machines. Method-oriented spin-off studies emerged more frequently and increasingly addressed new and advanced machine learning techniques. Further, the paper presents some details about the growing impact of machine learning in the software system developed by the authors' robot soccer team-the NUbots     

基于局部行为搜索策略的半监督学习算法及其应用研究

近年来,半监督学习在模式识别和机器学习领域引起了广泛关注。在这些方法中,半监督支持向量机是非常主流的一类方法。然而,学习过程中热核函数的参数选择问题一直困扰着研究人员,若选取不当,学习性能会显著下降。为了解决该问题,本文提出一种新颖的基于局部行为搜索策略的半监督学习算法。新算法基于人类行为搜索策略,传统的支持向量机被正则化为拉普拉斯图。在搜索到特征空间的局部分布后,行为因子能够映射到样本邻域的潜在概率分布。为验证新算法有效性,本文分别进行了UCI数据集和实际通信辐射源特征数据集实验。实验结果显示与传统方法相比,新算法的分类结果能够更加有效和稳定。      

支持向量机的若干新进展

支持向量机是九十年代中期发展起来的机器学习技术,与传统的人工神经网络不同,前者基于结构风险最小化原理,后者基于经验风险最小化原理.实验表明,支持向量机不仅结构简单,而且技术性能尤其是泛化能力明显提高.本文是一篇综述,介绍支持向量机研究的一些新进展,希望引起大家的重视.     

基于机器学习的可见光通信信号处理研究现状

随着无线通信领域的发展,具有诸多优点的可见光通信(VLC)已经发展成为了一种具有广阔前景的通信手段。然而,可见光通信中的各种非线性效应会给其信号处理带来诸多的困难,并恶化系统的性能。机器学习在解决非线性问题方面具有很大的优势和潜力,结合机器学习算法的可见光通信技术必然具有巨大的研究价值。已有研究表明,传统的机器学习算法如K-means、DBSCAN以及支持向量机(SVM)等在预均衡、后均衡、抗系统抖动,以及相位纠正等方面均有很好的表现。而深度神经网络(DNN)则因为其强大的非线性拟合能力能够更进一步提升VLC系统的性能。对以上几种方法进行了分析和介绍,并对其在可见光通信信号处理领域的应用进行了分析与总结,希望可以为机器学习解决可见光通信方面的各种非线性问题提供参考。     

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数（LAI）时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机（SVM）是一种有效的数据分类和回归预测工具,而最小二乘支持向量机（LS-SVM）是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。     

支撑向量机的多类分类方法

基于结构风险最小化原则的支撑向量机(SVM)具有良好的学习推广性。但是由于常规的SVM是从二类分类问题中推导出来的，在多类分类问题中就必须进行改进。文中讨论了支撑向量机的多类分类改进方法．运用在手写体数字识别中，并取得较好的结果。     

基于支持向量机的说话人辨认研究

支持向量机是统计学理论的一个重要的学习方法，也是解决模式识别问题的一个有力的工具，本文提出了用支持向量机来解决说话人辨认问题。结合语音信号的特点，解决了大数据量情况下支持向量机的训练问题。支持向量机对两类的分类问题有着突出的优势，本文用两种判决规则将两类问题应用到多类的识别问题。用支持向量机实现了一个与文本无关的说话人辨认系统，实验表明，本方法有良好的效果。     

代价敏感的半监督Laplacian支持向量机

代价敏感学习是机器学习领域的一个研究热点.在实际应用中,数据集往往是不平衡的,存在着大量的无标签样本,只有少量的有标签样本,并且存在噪声.虽然针对该情况的代价敏感学习方法的研究已取得了一定的进展,但还需要进一步的深入研究.为此,本文提出了一种基于代价敏感的半监督Laplacian支持向量机.该模型在采用无标签扩展策略的基础上,将考虑了数据不平衡的错分代价融入到Laplacian支持向量机的经验损失和Laplacian正则化项中.考虑到噪声样本对决策平面的影响,本文定义了一种样本依赖的代价,对噪声样本赋予较低的权重.在7个UCI数据集和8个NASA软件数据集上的实验结果表明了本文算法的有效性.