太阳质子事件短期预报模型研究

太阳质子事件预报是空间天气预报的重要组成部分.在太阳活动预报研究中,针对开发预报方法研究问题,已有的太阳质子事件预报模型主要采用统计和神经网络的方法.为了提高预报精度和准确率,选用了支持向量机和K近邻相结合的方法(称为SVM-KNN方法)建立太阳质子事件预报模型.模型选择的预报因子除了已有质子事件预报模型选用的传统太阳活动区黑子特征参量,还加入太阳活动区磁场参量.仿真预报采用2002年和2004年的数据,结果证明采用预报模型具有较高的报准率,证明SVM-KNN方法是一种有效的太阳活动预报方法.     

结合SVM和KNN的Web日志挖掘技术研究方法

将SVM和KNN算法结合在一起,组成一种新的Web文本分类算法——SVM-KNN算法。当Web文本和SVM最优超平面的距离大于预选设定的阈值,则采用SVM进行分类,反之采用SVM作为代表点的KNN算法对样本分类。实证结果表明,SVM-KNN分类算法的分类精度比单纯SVM或KNN分类算法有不同程度的提高,为Web数据挖掘提供了一种有效的分类方法。     

SVM-KNN算法在机电职业学习者属性特征智能预测中的应用研究

现代社会环境下机电职业学习者特征与其他学科学习者特征存在着显著差别,为了对机电职业学习者属性特征进行智能预测,提出一种结合SVM与优化KNN的算法模型。该模型首先对传统KNN模型进行加权来应对处理数据时的不均衡问题;在此之后结合SVM算法和加权KNN算法各自的优点对机电职业学习者样本进行分类,即距离超平面分类较远距离的学习者样本选择SVM算法,较近距离的则采用加权KNN算法。实验结果表明,融合各自优点的SVM-KNN算法具有更高的数据分类准确率,对机电职业学习者的属性特征分类和预测具有较好的适用性。     

机动车综合排气性能的支持向量分类和预报方法

支持向量机（SVM）算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法。由于它根据严格的数学理论，同时考虑了拟合精度和对过拟合的抑制，故能基于小样本集作较可靠的计算机预报，本工作用这一算法研究了11类排量为125cc的四冲程摩托车的综合排气性能的分类和预报方法，并用留一法比较了SVM算法与Fisher法和KNN法的预报准确率。结果表明：SVM算法所建立的数学模型的预报正确率比Fisher法和KNN法高，因此，SVM算法可望应用于环保领域。     

一种用于非平衡数据分类的集成学习模型

针对非平衡数据分类问题,提出了一种改进的SVM-KNN分类算法,在此基础上设计了一种集成学习模型.该模型采用限数采样方法对多数类样本进行分割,将分割后的多数类子簇与少数类样本重新组合,利用改进的SVM-KNN分别训练,得到多个基本分类器,对各个基本分类器进行组合.采用该模型对UCI数据集进行实验,结果显示该模型对于非平衡数据分类有较好的效果.     

学习矢量量化网络在太阳耀斑预报中的应用

为了提高太阳耀斑预报的预报精度,主要是提高识别性能,提出了应用学习矢量量化(Learning Vector Quantity,LVQ)网络建立耀斑预报模型.LVQ是一种基于竞争学习规则的神经网络,采用有监督学习模式.算法每次修改连接获胜输出单元的权向鼍.更新规则是获胜单元的类别与输入向量的类别相匹配,它的权向量将向模式移近,否则将距离拉开.应用LVQ的耀斑预报模型是两层神经网络结构,输入层单元为预报因子的特征值,输出单元是耀斑预报的类别.仿真预报结果证明预撤模型具有较高的预报精度,说明LVQ是有效的预报方法.     

SVM-KNN分类算法研究

SVM-KNN分类算法是一种将支持向量机（SVM）分类和最近邻（NN）分类相结合的新分类方法。针对传统SVM分类器中存在的问题,该算法通过支持向量机的序列最小优化（SMO）训练算法对数据集进行训练,将距离差小于给定阈值的样本代入以每类所有的支持向量作为代表点的K近邻分类器中进行分类。在UCI数据集上的实验结果表明,该分类器的分类准确率比单纯使用SVM分类器要高,它在一定程度上不受核函数参数选择的影响,具有较好的稳健性。     

支持向量机用于胍类化合物Na/H交换抑制活性的模式识别

将Vapnik提出的支持向量机（support vector machine,简称SVM)算法用于化合物活性的模式识别研究。SVM算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法，将其用于N－（3－氧－3，4－双氢－2氢－苯并[1,4]恶嗪－6－羟基）胍类化合物的Na/H交换抑制活性类别的识别研究，用留一法考察了SVM模型的预报能力，并与Fisher判别矢量法和最近邻（KNN）法的分类预报结果进行比较，结果表明：SVM算法的预报结果优于Fisher法和KNN法的结果，因此，SVM算法可望应用于药物的构效关系研究领域。     

基于SIFT和HOG特征融合的视频车辆检测算法

为了能够提升视频技术下车辆检测的正确率,论文提出结合使用HOG特征与SIFT特征作为车辆检测的特征提取算法,再通过支持向量机(SVM)将样本数据划分为训练集与验证集,使用不同核函数进行训练和验证,确定最优核函数为高斯核函数.最后将训练的模型使用到视频文件进行车辆的预测.最终,实验数据表明,该方法提升了传统的HOG+SVM的样本检测效率,高斯核函数下检测率高达98.38％.处理视频文件时车辆检测效果良好,但是模型仍不够稳定,希望日后完善训练集继续改进算法.     

使用粗糙集和支持向量机检测入侵

提出了基于粗糙集理论和支持向量机(SVM)的入侵检测方法,利用粗糙集约简算法对样本集进行特征约简,删除对入侵检测结果影响不大的冗余特征,从而有效地降低了样本集的维数,解决了SVM训练时间长,样本集占用的存储空间过大的问题.实验证明,该方法能在不影响SVM检测精度的情况下,缩短SVM的训练和检测时间,有效地提高SVM的检测效率.