基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

支持向量机脱磷效率与炉渣碱度测试模型研究

炉渣碱度是影响冶炼产品质量和能源消耗的重要因素,适宜的炉渣碱度可以快速有效地去除钢液中硫、磷等杂质,同时减少炉衬侵蚀程度。通过对AOD炉冶炼中低碳铬铁过程中脱磷阶段的热力学分析,研究脱磷效率的影响因素,运用支持向量机建立炉渣碱度和脱磷效率之间的测试模型。仿真实验表明:相对误差在5%以内,为提高AOD炉的脱磷效率、解决生产中出现的含磷量高的问题提供了理论依据。     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

传感层反馈型机内测试系统模型分析和验证

虚警率较高是制约机内测试(Built-in Test,BIT)技术发展与应用的关键问题之一.为降低虚警率,从BIT系统的信息处理流程和虚警率的数学模型两方面分析了传感层不确定性对虚警率的影响,阐述了基于传感器系统可靠性模型的传感层动态不确定性分析和计算方法;在BIT系统中嵌入传感数据证实模块,提出了传感层反馈型BIT系统模型;对新模型和原模型的输出数据不确定性及虚警率进行了分析和验证.结果表明:传感层反馈型BIT系统模型可以有效降低传感层输出数据的不确定性和虚警率.     

基于支持向量机的武器系统研制项目评估分析

对常规评估方法和支持向量机模型用于武器系统研制项目评估进行了分析和比较。着重分析了应用支持向量机进行武器系统研制项目重要度评估的具体形式以及方法特点，通过实例进行了分析验证，取得了满意的结果．     

基于支持向量机的网络风险评估方法的研究

统计学习理论(Statistical Learning Theory,SLT)是一种专门研究小样本情况下机器学习规律的理论,作为统计学习理论的VC维理论和结构风险最小化(Structure Risk Minimization,SRM)原则的具体实现算法支持向量机(support vector machinse,SVM),集优化、核(Kernel)、最佳推广能力等特点于一身,其出色的学习能力被广泛的关注并在各个领域广泛应用,系统介绍基于支持向量机的网络安全风险评估,给出其可行性、优越性及SVM评估模型,最后提出该研究发展方向与前景的预见。     

基于支持向量机的中国石油安全分析

由于中国未来的石油需求对中国石油安全来说至关重要,而建立起石油安全的评价体系对中国的石油安全极为关键。结合美国、日本、俄罗斯、德国、法国、韩国等6个国家石油方面相关数据及安全类别,按重要性筛选出代表性的核心指标,以支持向量机理论为基础建立了石油安全的评价体系,力图达到定量化评价中国石油安全的目的。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

基于支持向量机的彩色图像恢复新方法

引起图像退化的因素众多，因而难以用一个统一的方法来进行恢复处理。鉴于图像的像素和各颜色分量通道间本质上存在某种相关性，以及以支持向量机为核心的统计学习理论具有较好地解决小样本、非线性、高维数问题的能力，提出了一种新的空域图像恢复方法，并通过对来自于待处理图像本身的训练样本的学习，构造自适应的回归插值函数；然后基于该函数对图像作有选择的修改，从而达到图像恢复的目的。实验表明，该方法是有效的，并且具有较好的泛化性能。     

冷壁面霜层生长的支持向量机模型

针对结霜过程因具有明显的非线性特征,采用传统方法难以精确预测的问题。建立了基于支持向量机的冷壁面霜成生长的预测模型,应用实验数据对模型进行验证、评估,并与基于最小二乘法的非线性多元回归模型进行了对比、分析。结果表明,基于支持向量机的预测模型能够很好的解决非线性预测问题。在已建立的预测模型基础上,以霜层生长过程中传热率预测为例,分别在测试集中的自变量与因变量加入不同噪声信号对模型预测性能影响进行了研究。结果表明,基于支持向量机的模型具有良好的抗干扰能力。     

Predicting motor vehicle crashes using Support Vector Machine models

Crash prediction models have been very popular in highway safety analyses. However, in highway safety research, the prediction of outcomes is seldom, if ever, the only research objective when estimating crash prediction models. Only very few existing methods can be used to efficiently predict motor vehicle crashes. Thus, there is a need to examine new methods for better predicting motor vehicle crashes. The objective of this study is to evaluate the application of Support Vector Machine (SVM) models for predicting motor vehicle crashes. SVM models, which are based on the statistical learning theory, are a new class of models that can be used for predicting values. To accomplish the objective of this study, Negative Binomial (NB) regression and SVM models were developed and compared using data collected on rural frontage roads in Texas. Several models were estimated using different sample sizes. The study shows that SVM models predict crash data more effectively and accurately than traditional NB models. In addition, SVM models do not over-fit the data and offer similar, if not better, performance than Back-Propagation Neural Network (BPNN) models documented in previous research. Given this characteristic and the fact that SVM models are faster to implement than BPNN models, it is suggested to use these models if the sole purpose of the study consists of predicting motor vehicle crashes.     

Mechanical Fault Diagnosis Using Support Vector Machine

The Support Vector Machine (SVM) is a machine learning algorithm based on the Statistical Learning Theory ( SLT), which can get good classification effects even with a few learning samples.SVM represents a new approach to pattern classification and has been shown to be particularly successful in many fields such as image identification and face recognition. It also provides us with a new method to develop intelligent fault diagnosis. This paper presents a SVM-based approach for fault diagnosis of rolling bearings. Experimentation with vibration signals of bearings is conducted. The vibration signals acquired from the bearings are used directly in the calculating without the preprocessing of extracting its features. Compared with the methods based on Artificial Neural Network (ANN), the SVM-based method has desirable advantages. It is applicable for on-line diagnosis of mechanical systems.     

基于最小二乘支持向量机的传感器动态补偿方法

介绍和比较标准支持向量机（SVM）和最小二乘支持向量机（LS-SVM）基本原理的基础上,探讨了一种利用LS-SVM进行传感器动态误差补偿的方法,并给出了相应的过程和算法。与标准SVM补偿方法比较,该方法的优点是明显的：用等式约束代替标准SVM算法中的不等式约束,将求解二次规划问题转化为直接求解线性矩阵方程,在相同样本条件下,使得补偿器构造速度提高1～2个数量级。通过对SVM和LS-SVM传感器动态补偿的仿真分析和实验结果对比表明,在噪声条件下,LS-SVM方法的补偿误差约为SVM的40％。因此,LS-SVM补偿方法学习速度快,抗噪声干扰能力强,更适合传感器动态补偿。     

Facial Expression Recognition Model Depending on Optimized Support Vector Machine

In computer vision, emotion recognition using facial expression images is considered an important research issue. Deep learning advances in recent years have aided in attaining improved results in this issue. According to recent studies, multiple facial expressions may be included in facial photographs representing a particular type of emotion. It is feasible and useful to convert face photos into collections of visual words and carry out global expression recognition. The main contribution of this paper is to propose a facial expression recognition model (FERM) depending on an optimized Support Vector Machine (SVM). To test the performance of the proposed model (FERM), AffectNet is used. AffectNet uses 1250 emotion-related keywords in six different languages to search three major search engines and get over 1,000,000 facial photos online. The FERM is composed of three main phases: (i) the Data preparation phase, (ii) Applying grid search for optimization, and (iii) the categorization phase. Linear discriminant analysis (LDA) is used to categorize the data into eight labels (neutral, happy, sad, surprised, fear, disgust, angry, and contempt). Due to using LDA, the performance of categorization via SVM has been obviously enhanced. Grid search is used to find the optimal values for hyperparameters of SVM (C and gamma). The proposed optimized SVM algorithm has achieved an accuracy of 99% and a 98% F1 score.     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

基于非稀疏多核支持向量机的重现行人识别

目前,视频跟踪正向大范围长时间目标跟踪研究方向发展。重现行人识别是对行人目标进行大范围长时间持续跟踪的关键技术,是后续行为分析的基础。本文提出了一种基于非稀疏多核支持向量机的重现行人识别算法。首先,该方法提取跟踪行人视频图像序列的多层SIFT视觉单词树特征和多层颜色直方图特征。接着,利用高效的非稀疏多核支持向量机算法在线融合多层SIFT视觉单词树特征和多层颜色直方图特征得到行人外观模型。最后利用存储的行人外观模型库对重现行人进行识别。该方法可应用于多摄像机视频监控中同一行人目标的跨摄像机跟踪以及单摄像机监控中行人目标重新出现的识别。实验结果表明,该方法能快速训练人体目标外观模型,能获得很高的识别率。     

基于粗糙集和支持向量机理论的物流需求预测研究

选择合适的预测模型来预测物流需求,对升级和优化物流产业具有重要的战略意义。常见的物流预测方法有:增长率法、移动平均法、时间序列法等,由于实际的物流预测数据常常具有多指标、非线性、小样本的特点,并且数据中存在冗余指标(噪声),导致在实际应用中,大多数预测方法的预测精度不高,难以保证有效性。针对这类物流预测问题,本文根据粗糙集属性约简中基于差别矩阵的算法,剔除冗余指标,基于约简的属性,改进了单一的SVM预测模型,并用遗传算法优化了SVM模型的输入参数,获得了较高的预测精度。本文给出了该方法的具体步骤,并用实际数据预测了广东省的货运总量,验证了该方法的有效性。