基于无监督聚类的约简支撑向量机

为解决标准支撑向量机算法所面临的巨大的计算量问题,Lee和Mangasarian提出了约简支撑向量机算法;但他们选取的“支撑向量”是从训练样本里面任意选的,其分类结果受随机性影响比较大。该文利用简单的无监督聚类算法,在样本空间中选取了一些具有较强代表性的样本作为“支撑向量”,再运用约简支撑向量机算法,有效地减少了运算量。实验验证文中方法可以用较少的“支撑向量”来得到较高的识别率,同时运行时间也大大缩短。     

基于两阶段聚类的模糊支持向量机

为了提高模糊支持向量机在大数据集上的训练效率,提出一种基于两阶段聚类的模糊支持向量机算法。第1阶段为粗粒度聚类阶段,在每类训练样本上执行密度聚类算法,设置较大的邻域半径(给定邻域内最小点数),保证可能成为支持向量的样本点都被选取;第2阶段为自适应聚类阶段,在粗选的数据集合上,执行自适应密度聚类算法,根据各个点距离分类面的远近,自适应决定该点的邻域半径(给定邻域内最小点数)。这样可有效地减少远离分类面的聚类边缘点的数量,同时在分类面附近保持较多的样本点,试验结果表明,基于两阶段聚类模糊支持向量机算法,相比以往的方法,不仅提高了模糊支持向量机的训练效率,同时保持了较好的分类效果。     

基于模糊C均值聚类的支持向量机

基于统计学理论的支持向量机是一种新的很有效的模式识别方法,但对于支持向量的选择还有困难,对此本文利用模糊C均值(FCM,Fuzzy C-Means)聚类,对训练样本进行预处理,大大减少了训练样本的数量,提高了支持向量机的训练速度。仿真实验的结果证实了该方法的可行性和有效性。     

Lagrange双支撑向量回归机

提出一种快速的支撑向量回归算法。首先将支撑向量回归的带有两组约束的二次规划问题转化为两个小的分别带有一组约束的二次规划问题,而每一个小的二次规划问题又采用一种快速迭代算法求解,该迭代算法能从任何初始点快速收敛,避免了二次优化问题求解,因此能显著提高训练速度。在多个标准数据集上的实验表明,该算法比传统支撑向量机快很多,同时具有良好的泛化性能。     

基于模糊C-均值聚类的支持向量机

支持向量机针对大规模数据集学习问题的处理需要耗费很长的时间,提出一种数据预处理的方法对学习样本进行聚 类,以此为基础得到一种模糊支持向量机.计算机仿真结果表明提出的SVM算法与传统的SVM训练算法相比,在不降低分 类精度的情况下,大大缩短了支持向量机的学习训练时间.     

加权稳健支撑向量回归方法

给出一类基于奇异值软剔除的加权稳健支撑向量回归方法(WRSVR)．该方法的基本思想是首先由支撑向量回归方法(SVR)得到一个近似支撑向量回归函数,基于这个近似模型给出了加权SVR目标函数并利用高效的SVR求解技巧得到一个新的近似模型,然后再利用这个新的近似模型重新给出一个加权SVR目标函数并求解得到一个更为精确的近似模型,重复这一过程直至收敛．加权的目的是为了对奇异值进行软剔除．该方法具有思路简捷、稳健性强、容易实现等优点．实验表明,新算法WRSVR比标准SVR方法、稳健支撑向量网(RSVR)方法和加权最小二乘支撑向量机方法(WLS—SVM)更加稳健,算法的逼近精度受奇异值的影响远小于SVM、RSVR和WLS—SVM算法．     

一种改进的基于密度聚类模糊支持向量机

为了提高模糊支持向量机在数据集上的训练效率,提出一种改进的基于密度聚类（DBSCAN）的模糊支持向最机算法。运用DBSCAN算法对原始数据进行预处理,去除对分类贡献小的中心样本,用剩余的边缘样本集合完成模糊支持向量机的训练工作。实验表明,该方法形成的聚类边缘样本较好地保持了原样本的分布情况,在保证分类精度的同时,大大缩短了训练时间,提高了工作效率。     

基于模糊聚类支持向量机的高速公路事件检测

高速公路自动事件检测(AID)系统作为智能交通系统(ITS)的重要组成部分,通过及时发现高速公路上发生的事故隐患,尽量减少事故发生的不利影响,可以有效地减少交通延误,保障道路安全,减少环境污染。文章采用一种强有力的分类工具—支持向量机(SVM)来进行高速公路事件检测,针对数据集在支持向量机中所起作用的不同以及可能存在噪声及孤立点的情况,采用了一种改进的模糊C均值聚类方法对训练样本进行预处理,大大地减少了训练样本数量,提高了支持向量机的训练速度,并且具有很好的鲁棒性。仿真实验的结果表明了该方法的可行性和有效性。     

基于模糊一类支持向量机的核聚类算法

引进模糊概念替代距离拒绝尺度,定义具有支持向量特性的模糊隶属度函数,以描述训练点隶属于聚类集的程度.惩罚了边缘点对聚类中心的贡献权重,从而抑制了聚类中心的偏移,在避免复杂的参数搜索过程的同时,保证了算法的鲁棒性能.仿真结果表明,在相同初始条件下,改进算法较原算法对不规则分布数据的处理效率更高.     

基于改进模糊支持向量回归模型的机场能源需求预测

针对离群点在机场能源数据的预测和分析中存在干扰等问题,建立了一种基于改进模糊支持向量回归(FSVR)的机场能源需求预测模型。首先,采用模糊统计法对测试样本集、系统参数和模型输出进行分析,推导出符合其数据分布的基本隶属函数形式;其次,结合例证法、专家经验法对隶属函数进行"再学习",逐步修改和完善正态隶属函数a、b参数值,半梯形隶属函数边界参数值及三角隶属函数p、d参数值,以此消除或减少不利数据挖掘的离群点,同时保留有效关键点;最后,结合支持向量回归(SVR)算法,建立预测模型,并验证了该模型的可行性。实验结果表明,与反向传播(BP)神经网络方法相比,FSVR方法的预测准确率提高了2.66%,对离群点的识别率提高了3.72%。     

基于聚类算法的支持向量回归建模的新策略

针对支持向量机对时变的样本集采用单一模型建模困难的问题，提出了一种新的学习策略．首先，使用自组织映射(SOM)神经网络和k-means聚类算法对初始样本集合进行聚类．然后，针对每个聚类数据集合，通过最优加权组合不同核函数的支持向量回归模型建立最终的模型．实验表明，采用这种学习策略的建模精度要优于单一支持向量回归建模方法．     

可有效抵抗一般性几何攻击的数字水印检测方法

以回归型支持向量机理论为基础, 结合性能稳定的伪Zernike矩和Krawtchouk矩, 提出了一种可有效抵抗一般性几何攻击的强鲁棒数字图像水印检测算法. 该算法首先选取图像的低阶Krawtchouk矩作为特征向量, 然后利用SVR对几何变换参数进行训练学习并对待检测图像进行数据预测, 最后对其进行几何校正并提取水印信息. 仿真实验结果表明, 该数字图像水印检测算法不仅具有较好的不可感知性, 而且对常规信号处理和一般性几何攻击均具有较好的鲁棒性.     

基于压缩感知和SVR的自学习单幅图像超分辨率重建

针对依靠外部图像库的超分辨率(SR)重建算法训练耗时长、容易出现错误高频细节的问题,提出了一种基于压缩感知(CS)理论和支持向量回归(SVR)的单幅图像超分辨率重建方法。对降质图像本身训练SVR模型,充分挖掘图像自身的自相似特点。训练过程中先对输入图像边缘进行检测并对图像块进行分类,然后稀疏编码图像块,再根据图像的标签向量和稀疏表示矩阵训练得到SVR模型,并在测试过程中利用该模型预测高分辨率(HR)图像。实验结果表明,与基于外部库方法重建图像的方法相比,该算法所得结果的细节更加真实;与双三次插值方法相比该算法所得结果的边缘更加清晰。     

基于WSVR和FCM聚类的实时寿命预测方法

针对产品的性能退化轨迹呈现为非线性特性, 且个体的性能退化数据为小样本的情形, 为了充分利用同类产品的性能退化数据进行特定个体的实时寿命预测, 从研究退化轨迹相似性的角度出发, 提出一类基于小波支持向量回归机 (Wavelet support vector regression, WSVR)和模糊C均值(Fuzzy c-means, FCM)聚类的实时寿命预测方法. 该方法分为离线和实时两个阶段: 离线阶段先采用WSVR对同类产品的性能退化数据进行规范化处理, 接着对规范化数据进行FCM聚类, 然后,基于WSVR建立各聚类中心的退化轨迹模型;在实时阶段,针对特定个体的历史测量数据是否规范化,分别提出两种实时退 化轨迹建模和寿命预测方法——隶属度加权法和误差加权法. 最后, 通过两个实例分析验证了所提方法的有效性.     

一种鲁棒的多特征彩色图像检索新方法

为了提高彩色图像检索的准确性,以回归型支持向量机(SVR)理论为基础,结合重要的图像边缘信息,提出了一种鲁棒的多特征彩色图像检索新方法。该方法首先利用回归型支持向量机(SVR)理论,对原始图像进行去噪处理及彩色边缘提取;然后将整个彩色边缘划分成局部网格区域,并分别计算出每个网格区域的颜色直方图和纹理直方图;最后综合利用上述网格区域的颜色直方图和纹理直方图来计算图像间内容的相似度,并进行彩色图像检索。实验结果表明,该方法不仅能够准确、快速的检索出用户所需图像,而且对光照、锐化、模糊等噪声攻击均具有较好的鲁棒性。     

基于改进模糊聚类算法鲁棒的图像分割

对噪声图像提出了一种改进的模糊聚类分割算法。因为模糊C均值聚类(FCM)算法具有对噪声数据敏感的缺点,该算法通过提升意义更趋明晰的模糊隶属度来改变模糊聚类中的目标函数,即通过在标准的FCM算法中使用到类的Voronoi cell的距离来取代到类的原型的欧氏距离,从而增强了聚类结果的鲁棒性。实验结果表明,改进的算法较之于FCM对于噪声图像的分割有更好的鲁棒性。     

基于多维彩色向量空间的火焰图像模糊聚类分割算法

针对火灾探测过程中早期火焰的分割技术研究,提出了一种基于多维彩色向量空间的火焰图像模糊聚类分割算法,该算法以运动目标序列图像之间变化的区域作为聚类模板,提取该聚类模板的RGB多维彩色特征向量,然后将图像的像素与聚类模板通过模糊聚类的方式进行分割。这种分割算法计算简单,时间开销较小,可以较好地获取火焰图像的边缘形态特征,并且能够明显消除不同光线下分割误差,实现快速无监督自动分割。     

基于改进GA参数优化的SVR股价预测模型

针对股票价格的动态性及非线性等特点, 提出了基于改进遗传算法(Genetic Algorithm, GA)优化参数的支持向量回归机(Support Vector Regression, SVR)股价预测模型. 首先将选取的股票价格样本进行小波去噪处理, 然后将经过改进GA优化参数的SVR模型对去噪后的数据进行预测及评价. 结果证明, 改进小波-GA-SVR模型具有良好的预测效果, 对股票价格的预测研究具有一定的意义.     

基于模糊核聚类和SVM的说话人辨识

支持向量机作为一种新的统计学习方法,在说话人识别中得到了广泛应用.本文针对支持向量机在说话人辨识中的大样本训练耗时问题,提出对语音参数进行模糊核聚类的约简方法,选择聚类边界的语音参数作为支持向量,可以在不影响识别率的情况下,减少支持向量机的训练量.并通过实验验证了该方法的有效性.     

一种基于支持向量机的图像数字水印算法

为了使数字水印综合性能更好，根据图像邻域像素之间具有很强的相关性这一特点，提出了一种基于支持向量机的图像水印算法。该算法将支持向量机的思想用于数字水印，并取得了较好的效果。由于支持向量机在有限训练样本的情况下具有很好的学习和泛化能力，因此，可以首先利用回归型支持向量机较好地建立图像邻域像素之间的关系模型，然后，通过调整模型的输出值与中心像素值之间的大小关系来嵌入或提取水印。实验表明，用该技术嵌入水印后的图像不仅具有很好的图像感知质量和较强的鲁棒性，对图像增强、JPEG压缩、噪声、几何剪切等抵抗强，而且安全性好、实用性较强。