基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

支持向量机多类分类方法的精度分析

为了更好的选择合适的支持向量机多类分类器,对多类分类器one—against—the—rest及二叉树多类分类器的分类精度进行了理论分析,给出了定量的分类精度公式。公式表明,二叉树多类分类器的分类精度通常大于one—against—the—rest多类分类器的分类精度。在所有的二叉树多类分类器中,均衡二叉树多类分类器的分类精度最高,最不均衡二叉树多类分类器的分类精度最低。最后通过实验验证了理论分析的正确性。     

多类支持向量机的自然图像分类

根据图像的内容把图像划分为多个不同的类别一直是计算机视觉的一个难点。这里提出了一种多类支持向量机用于图像分类的算法，该方法主要在2类支持向量机的基础上用来构造多类分类器，用于把自然图像分成多个类别，同时研究了不同核函数的参数变化对分类效果的影响，实验证明和传统的方法相比，分类的准确性有明显的提高。     

基于支持向量机的文本分类方法研究

文本分类是信息检索与数据挖掘领域的研究热点与核心技术,近年来得到了广泛的关注和快速的发展,其中基于支持向量机的文本分类方法的研究是信息检索领域的一个重要分支。本文首先讨论了该领域的研究状况,接着阐述并分析了在该领域中的主要研究方法以及实例．最后对该领域研究中存在的问题和方向进行了分析。     

支持向量机多分类问题研究

支持向量机是典型的两类分类方法,如何将其推广到多分类问题是学者们正在研究的一个热点。对比分析几种常用的多类方法的优缺点,利用标准数据集对多类支持向量机的速度和精度两方面进行试验分析。研究表明,对于大规模的多类分类问题,有向无环图简单易行,具有理想的训练速度与精度,具有一定的参考价值。     

基于支持向量机的多传感器探测目标分类方法

针对传感器探测的数据常含有噪声,分类算法易受噪声数据干扰、容错能力差而产生错分问题,研究对多传感器探测目标进行分类的方法.提出容噪最小二乘投影双支持向量机(NLSPTSVM),去除离群点,提高容噪性能;通过定义NLSPTSVM置信度,以样本的最小超球体距为依据,根据“越是上层分类器的分类性能对分类模型的推广性能影响越大”的思想,以置信度NLSPTSVM作为二分类器,将NLSPTSVM的降噪过程提前到生成有向图之前,提出分类精度高、容噪性和容错性强的多分类支持向量机--容噪上层择优多路支持向量机(NUMDAG-SVMs).实验表明,NUMDAG-SVMs与同类算法相比具有更优的分类准确率和更强的容噪性和容错性.采用NUMDAG-SVMs对传感器采集的真实数据进行分类,取得了很好的结果.     

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。     

基于类半径的多类分类SVM算法

分析了现有多类分类支持向量机算法的不足,在此基础上提出了基于类半径的多类分类支持向量机算法.这种算法在训练前首先对训练集进行分析,然后用one-class SVM进行分类.试验结果表明,该算法分类精度较高,训练时间短.     

多类支持向量机的DDoS攻击检测的方法

为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。     

基于模糊支持向量机的医学图像分类技术

对每一个训练点都定义点模糊度,利用其隶属函数所包含的信息量来确定模糊度,在此基础上对传统的支持向量机算法进行了改进,提出了基于模糊支持向量机的医学图像分类技术。采用不同噪声图像进行的试验结果表明,模糊支持向量机方法能够较好地对MRI图像中脑组织进行分类,并且具有较高的精度。使用该方法还可以减少计算量,提高运算速度。     

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。     

小波框架支持向量机的模糊小波网络分类方法

针对现有的支持向量机(SVM)不具有多分辨率学习的特点,提出一种新的小波框架的多尺度支持向量机(SVM)的模糊小波网络(FWN)算法.将小波多尺度学习和模糊推理方法相结合,由于FWN对应着多个模糊规则,而每个模糊规则的后件对应一个小波网络,解决了模糊规则后件难以描述的问题;对高维输入的小波网络的初始参数和网络结构的确定困难问题,用基于正交小波框架的支持向量机代替小波网络的方法,使FWN模型具有更好的泛化性能;为了提高FWN模型的逼近精度,使用梯度下降方法调节FWN参数.仿真结果表明,与传统的模糊神经网络(FNN)相比,该方法能显著地提高分类精度.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

采用 SVM 方法的文本情感极性分类研究

文本情感极性分类是文本情感分析首先要解决的关键问题。在分析影响文本情感分类的各类因素的基础上,首先构建了情感词典,并进行情感特征选取以及情感特征加权,然后使用SVM分类的方法对文本进行情感识别及分类,最后在语料数据集的基础上,在单机平台上和Spark分布式计算平台上执行分类模型,对比分析其分类精度和时间代价。实验结果验证了本文构建的情感极性分类模型在单机和分布式云平台上中的有效性。     

双边界支持向量机的理论研究与分析

根据统计学习理论,间隔大小是反映泛化能力的一个很重要的方面. 受一类支持向量机(SVM)的启发,提出的双边界SVM能分别用2个边界对2类问题分类. 它能在保证分类正确的同时保证分类间隔的最大化,理论上分别从推广性能和不平衡类分布2方面证明了其优越性. 标准数据集上的实验表明,双边界SVM得到的分类间隔要大于SVM, 泛化性有了显著提高;另外,不平衡数据集上分析得到它对少数类识别率有明显提升. 真实入侵数据测试结果表明,双边界SVM算法比边界样本选择算法的检测率高出2%以上.     

基于人工蜂群和SVM的基因表达数据分类

基因表达数据存在高维、小样本、高噪声等特性,使得相应的肿瘤分类诊断面临着一定的挑战。为了实现更加精确的分类准确率,利用人工蜂群(artificial bee colony, ABC)算法对支持向量机(support vector machine, SVM)的核函数参数和惩罚因子进行优化,采用准确率作为分类模型的适应度函数,提出一种基于ABC和SVM的基因表达数据分类方法ABC-SVM。在6种公开的肿瘤基因表达数据集上进行试验,并对比分析其他的分类方法。结果表明,在筛选得到的较少信息基因基础上,ABC-SVM可获得更高的肿瘤分类准确率,对肿瘤样本类型进行更有效的分类预测。     

用于不平衡数据的去噪模糊支持向量机

为了降低支持向量机对不平衡数据的倾向性影响,以及减弱其对噪声点或野值点的敏感,提出了一种新的模糊支持向量机隶属度函数设计方法.该方法分析产生倾向性的原因,有效地区分样本对分类面的贡献,合理地设计隶属度函数.最后通过对含噪声的非均衡数据实验表明,该方法平衡了倾向性,提高了预测分类精度,从而增强了支持向量机在入侵检测和故障诊断等方面的应用.     

基于SVM及电流牵扯效应的金属缺陷分类识别方法

金属在服役期间经常存在一些由应力、腐蚀和疲劳造成的缺陷,在众多的缺陷检测技术中,交流电位法作为一种无损检测技术在检测腐蚀坑和裂纹方面得到了广泛应用。用交流电位法检测不同缺陷时,由于几何形态的差异,缺陷深度的计算方法也不相同。因此需要在计算缺陷深度之前对所检测区域的缺陷类型做出识别。本文目的在于寻找一种高精度的缺陷分类识别方法。并且针对腐蚀坑和裂纹这两种最常见的金属缺陷,根据其对电流的牵扯效应不同,提出利用邻近检测区域的4个牵扯因子作为缺陷区域的特征向量建立分类模型。在大量仿真计算的基础上,分别建立坑蚀和裂纹的特征向量集,并由这些数据集训练得到基于遗传算法（GA）优化的支持向量机（SVM）分类模型。仿真测试结果中数据测试集分类精度较高,平板实验也得到了较高的识别精度。实验结果表明文中提出的缺陷分类识别方法对腐蚀坑和裂纹的分类识别具有很高的精度。