基于RBF核的SVM及RVM模式分析性能比较*

基于RBF核,利用Synthc、BC等标准数据集,采用五重交叉验证,比较SVM(支持向量机)及RVM(关联向量机)模式分析性能。实验结果表明,与SVM相比,RVM时间复杂度、测试错误率较低,模式分析性能较优。     

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一和神经网络.RBF核函数型支持向量机是一种性能卓越的新型学习机.将这两种学习机进行对比分析,以期在实际应用中做出更好的选择.首先,在理论上分析了这两种学习机在分类原理上的异同.接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标.最后,提出了在应用这两种学习机进行模式识别时应注意的方面.实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%.这说明RBF型支持向量机的性能要优于RBF网络.但是RBF网络易于实现,在样本数日足够多的情况下也不不失为一种好的算法.     

基于SVM算法学生毕业的预测

本文介绍了支持向量机的工作原理,在其基础上建立学生能否毕业的预测模型,并与传统预测算法BP网络进行比较。实验结果和分析表明,支持向量机算法比BP算法在结构、参数确定上更加简单、训练时间快;大大提高了算法的识别率。证明了把支持向量机算法引入电大系统学生能否毕业的预测是有效的、可行的。     

RBF核SVM及其应用研究

因其核函数的良好性态,RBF核SVM（RBF-SVM）在实际应用中表现出良好的学习性能,但是RBF核函数中的参数对SVM的性能起决定性作用.阐述了RBF-SVM的性能随着变化而变化的规律,并将RBF-SVM引入自动羽绒识别系统中.根据自动羽绒识别系统的实际需求和RBF-SVM的性能变化规律,论述了本系统中参数的选取依据和选取过程,并且给出了的相关曲线变化图.通过研究,最后得到适合本系统的识别模型,从而提高了系统的总体识别率.同时,也验证了RBF-SVM的良好特性和其受参数的约束规律.     

SVM在成矿预测中的研究

传统成矿预测多以某种统计假设为前提,而在实际应用中往往找不到完全符合这样的地质事件。因此将非线性科学与矿产资源预测相结合是未来矿产资源预测的发展方向。人工神经网络（ANN）在进行预测时能够在输出和输入之间建立一个非线性映射关系,具有容错性好、自学习、自适应强等特征,但存在收敛速度慢、易陷入局部最优、网络结构不确定以及不能解决VC维等问题。SVM具有严格的泛化性理论指导和核函数强大的非线性映射能力,并且SVM不存在局部极小,维数灾难问题等。为此提出了基于SVM的成矿预测方法,将SVM应用于矿产资源的预测中,并对BP神经网络、RBF神经网络预测方法比较分析。实验结果表明,SVM预测方法优于BP神经网络方法和RBF神经网络,更加接近预测元素的实际值。     

基于多模型的非线性系统广义预测控制

对于复杂的离散时间非线性系统，提出一种基于多模型的广义预测控制方法．通过在平衡点附近建立线性模型，并用径向基函数神经网络来补偿匹配误差，形成了非线性系统的多模型表示，然后采用模糊识别方法作为切换法则，并结合广义预测控制构成了多模型广义预测控制器．通过对连续发酵过程的计算机仿真，表明了该方法的有效性．     

基于感知器的SVM自学习模型

提出了一种基于感知器的SVM分类模型（PSVM）。该模型在对分类器的训练中,引入感知器分类思想,其先利用SVM的核函数进行核计算,判断其分类性能,分类正确则不作任何修改,反之则转化成感知器分类问题。实验结果表明该模型不但能提高SVM的分类性能,而且还可以降低SVM分类性能对核函数及参数选择的依赖。     

基于RBF神经网络的股票市场预测

提出了一种基于RBF(Radial Basic Function)神经网络的股票市场预测模型.RBF神经网络的结构简单,具有良好的全局逼近性能,以及非线性映射能力和高度非线性的特点.在这种情况下,根据股票数据是一类非线性较强的时间序列,对其进行预测,即从前N个数据中预测将来的M个数据,建立股票市场的短期预测模型,并以一个典型的实例加以分析和验证.     

基于SVM逆方法的球磨机制粉系统预测控制

根据球磨机制粉过程的特点及相应的动态数学模型,证明了系统的可逆性.进一步利用支持向量机(SVM)对非线性系统具有良好逼近能力的特性,通过其来辩识球磨机制粉过程的逆系统,可以很好解决球磨机制粉系统逆系统建模难的问题,将该逆模型与原系统串联可构成解耦后的伪线性复合系统.同时为了克服逆系统的建模误差,通过设计预测控制器对该复...     

基于支持向量机的短期负荷预测

负荷预测是电力行业非常重要的一项工作,是保证电网安全稳定运行的先决条件。提出了用支持向量机相关理论用于短期的负荷预测,结合某地区的真实数据,用Matlab中的libsvm工具包进行模型的建立,采用交叉验证方法确定最佳参数,并进行仿真预测和结果分析。结果表明,该方法的预测误差较小,具有较好的实用价值。     

基于RBF核的SVM的模型选择及其应用

使用RBF核的SVM(支持向量机)被广泛应用于模式识别中。此类SVM的模型选择取决于两个参数,其一是惩罚因子C,其二是核参数σ2。该文使用了网格搜索和双线性搜索两种方法进行参数选择,并将两者的优点综合,应用于脱机手写体英文字符识别。实验在NIST数据集上进行了验证,对搜索效率和推广识别率进行了比较。实验结果还表明使用最优参数的SVM在识别率上比使用ANN(人工神经元网络)的分类器有较大提高。     

基于SVR的异常数据检测

支持向量机是一种基于统计学习理论的新颖的机器学习方法,该方法已广泛用于解决分类和回归问题。该文利用支持向量回归算法中结构风险函数的性质以及KT条件,提出一种回归中的异常值检测方法。仿真实验结果表明了所给方法的可行性和有效性。     

基于One-class SVM的实时入侵检测系统

将One-class支持向量机和Online训练算法应用于入侵检测研究中,把入侵检测看作是一种单值分类问题,能够在有噪声的数据集中进行训练,降低了对训练集的要求,提高了检测准确性。同时解决了基于SVM的入侵检测系统实时训练的问题,在实际运用中可以实时地添加新的训练样本对新出现的攻击手段进行分类。在KDD CUP’99标准入侵检测数据集上进行实验,系统缩短了训练时间并且获得了较高的检测准确率。     

基于支持向量机方法建立土壤湿度预测模型的探讨

支持向量机(Support Vector Machine简称SVM)方法,是通过核函数实现到高维空间的非线性映射,适宜于解决非线性问题,具有算法简单、计算量小、易于实现等优点。本文运用支持向量机方法建立了不同土层土壤湿度预测模型,0~10cm土层土壤湿度预测模型有较好的推广能力,10~50cm处的各层预测模型预报能力相对较弱。分析土壤湿度历史监测资料,发现同一时刻0~10cm土层与其它各土层土壤湿度具有较高的相关关系,基于此建立了预报精度较高的各土层土壤湿度的预测模型,实现了运用前期环境气象因子对各土层土壤湿度的预测。     

一种基于免疫算子的SVM算法

SVM是一种基于核函数的机器学习算法,因为它具有良好的推广性和较好的性能,所以成为近些年来大家所关注的热点,但是该算法存在两个问题：一、如何提高SVM的计算精度;二、如何减少计算时间。本文提出一种使用免疫算子的SVM算法,该算法不但能够提高SVM的性能使其更加接近于实际问题,还能避免因问题太复杂使得结果不是最优解的情况。文中最后对样本进行了实验,结果说明了使用免疫算子的方法比经典方法在分类效果上有明显提高。     

基于支持向量机的航空旅客NOSHOW预测模型

针对目前NOSHOW旅客预测方法的不足,建立了一种基于支持向量机的航空旅客NOSHOW预测系统,由于支持向量机具有全局收敛性和良好的推广能力,因此使基于这种技术的评估系统具有较强的实用性。实证分析表明了这一点。     

基于支持向量机的商业银行信用风险评估

支持向量机(SupportVectorMachine,简称SVM)是在经验风险最小化原理上发展出的一种新的机器学习技术,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。论文首先详细介绍了支持向量机的线性和非线性分类算法,然后将支持向量机非线性分类器应用于银行信用风险的评估中,最后分析对比了选用不同核函数和参数的实验结果。     

基于支持向量机的模糊系统辨识研究

GK模糊聚类是一类广泛应用于分类的数据分析技术,能智能探测不同聚类的形状,但是存在迭代过程中聚类数恒定、公式中协方差矩阵要求非零等缺点。本文针对这些缺点,提出改进的聚类算法,针对现有的模糊辨识算法出现的维数灾难及函数逼近能力不高等问题,以语言模糊模型和缺少常数项的支持向量回归机的等价性分析为基础,提出一种支持向量机与模糊系统相结合的新辨识算法,并且利用梯度下降法对参数进行辨识;为了更好地缩减规则数及体现样本数据的信息,对输入的样本集又采用改进的GK模糊聚类对数据进行分类。     

基于模糊核聚类的图像SVM分类辨识

提出一种结合特征场和模糊核聚类支持向量机的图像分类辨识方法。首先,构造符合人类视觉特性的图像彩色和纹理特征数据场,一方面,引入新阈值,建立图像纹理特征;另一方面,在图像彩色特征上,对能够引起注意的像素区域的像素点进行加权处理,并使用彩色空间分布离散度来描述彩色的空间分布。其次,采用模糊核聚类支持向量机对图像进行分类研究。在使用特征空间时,不仅考虑了样本与类中心间的关系,还考虑了类中各个样本间的关系,以模糊连接度来度量类中各个样本间的关系,并以二叉树方式构造子分类器。实验结果表明,该方法可以获得较好的图像分类效果。     

基于RBF神经网络观测器飞控系统故障诊断

为了解决非线性系统采用解析方法进行故障诊断困难的问题,利用神经网络可逼近任意连续有界非线性函数的能力,提出了一种基于RBF神经网络观测器的故障检测与诊断方法,并详细论述了该故障诊断方法的构造原理。以含有非线性项的飞行控制系统的作动器模型为例,仅作动器的输入输出可测量,通过构造RBF神经网络观测器来拟合作动器系统模型,逼近其在正常情况下的输出。最后在飞控系统的闭环控制环境下,对作动器的三种典型故障进行了计算机仿真诊断,结果表明故障诊断方法是有效的。