SVM在通信信号处理中的研究与应用

统计学习理论（statistical learning theory,SLT）提出结构风险最小化（structure risk minimization,SRM）准则,克服了人工神经网络（aretificial neural network,ANN）的模型过拟合和局部极小值问题.支持向量机（support vector machine,SVM）作为其具体实现方式,具有良好的泛化能力、高维处理能力和非线性处理能力.在简要介绍SVM原理的基础上,总结了其在通信信号处理领域的应用,包括数字调制识别、多用户检测、信道均衡、信号重构与相关参数估计、到达角（angle of arrival,AOA）与定位估计及其它6个方面,并指出了存在的问题和值得进一步研究的方向.     

基于果蝇优化的SVM回归模型及其应用研究

为了有效解决支持向量机模型在参数选择上的盲目性,提高该模型的学习性能和泛化能力,提出一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化算法选择全局最优的SVM惩罚因子和核函数参数,建立SVM分类模型,进而将该模型应用于对有机化合物的熔点预测问题中。实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

基于SVM的高校考研预测模型研究

选择适合的特征子集和预测算法用于考研结果或考研成绩预测,在机器学习领域中受到研究者的青睐.影响报考决策和考研结果的因素很多,虽然采用小样本或者范围较大的特征子集,可以获得精度较高的预测结果,但较难保证预测模型的实用性和泛化能力.论文提出一种基于SVM的高校考研预测模型,该模型面向高校所有理工科本科生,以高考成绩和在校原始成绩作为特征子集,并构造三种样本集,分别采用内积核函数、径向基核函数和多项式核函数训练SVM模型.通过与Logistics算法、kNN算法进行训练建模对比测试后,发现本文的预测模型在考研报考决策场景下,具有较高的适应能力和稳定性,对学校鼓励考研和学生制定考研决策具有较高的实用性.     

基于SVM的复杂非线性黑箱系统在线辨识方法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的回归方法,本文分析了采用神经网络方法进行非线性系统建模存在的缺点,并将SVM应用于复杂非线性黑箱系统模型的在线辨识当中,理论分析和实验证明,该方法学习速度快,跟踪性能好,泛化能力强,对样本的依赖程度低,比神经网络非线性系统建模具有更好的预测精度.     

基于SVM灵敏度的城市交通事故严重程度影响因素分析

基于某中小城市4881起交通事故现场数据,构建了基于"道路交通事故信息系统"事故数据的特征变量集;以一般事故、严重事故作为二分类标签,建立事故严重程度支持向量机(SVM)分类识别模型,并分别通过网格搜索法、遗传算法进行模型核参数寻优;最后,通过单因素局部灵敏度分析方法,研究各个特征变量对模型测试集分类精度的影响,进一步确定事故严重程度的核心影响因素。结果表明:SVM模型在训练集和测试集上的分类精度均在80%左右,表现出良好的分类识别效果和泛化能力;事故属性、车辆属性中有8个特征变量,显著影响SVM模型的分类精度。     

基于SVM-Mercer的织物悬垂性能评估

结合纺织品悬垂性能参数的特点,在原有径向基核函数基础上,应用SVM—Mercer核进行新的核函数构造,建立了基于SVM—Mercer的织物悬垂性评估模型．文中对该模型的评估结果进行比较,并分析回归精度ε对评估结果的影响．结果表明：基于SVM—Mercer的织物悬垂性能评估模型可行．其评估精度有了一定程度的提高：ε的选取对评估结果有重要影响,在训练过程中宜首先确定．     

基于LS—SVM的福房价格指数预测

提出一种基于最小二乘支持向量机（LS—SVM）的福房指数预测方法。采用感知机核函数、多项式核函数和高斯核函数进行仿真模拟,经过参数选优建立了精度较高的福房指数预测模型。预测结果表明,利用LS-SVM模型进行预测具有误差小、拟合程度高等优点,可适用于房地产价格指数的预测。     

SVM和DT-CWT的纹理图像分类方法研究

提出了一种将支持向量机（SVM）和二元树复小波变换（DT-CWT）相结合的纹理图像分类方法.通过DT-CWT对纹理图像进行4层分解,提取各子频带小波系数模的均值和标准方差组成特征向量,利用SVM作为分类器实现纹理图像分类.从Brodatz图像库中随机选取了30幅纹理图像进行了分类试验,结果表明：该方法具有较高的分类精度,尤其在有限训练样本的情况下分类正确率明显优于其它的分类算法,体现了该方法的有效性和良好的泛化能力.     

SVM算法的区间自适应PSO优化及其应用

核(Kernel)参数选取对支持向量机的推广能力和泛化能力有至关重要的作用,尤其是在对大量数据进行识别分类时,需要占用计算机大量内存,SVM参数优化速度明显缓慢,从而影响了整个系统性能.针对此问题,笔者提出一种区间自适应粒子群算法来优化SVM参数,粒子根据实际情况动态平衡其全局搜索与局部搜索能力,提高了参数优化速度.在入侵检测系统的应用中,与蚁群算法、遗传算法优化SVM参数的结果进行比较.实验证明:此方法分类精度提高约9.7%,响应时间缩短约40.6%～56.5%,具有较大的优势.     

PSO—SVR在果酒生物活性物质预测中的应用

针对BP神经网络和遗传算法对果酒生物活性物质预测存在速度慢和精度低的缺点,建立了基于支持向量回归机（SVR）的果酒生物活性物质预测模型。鉴于支持向量机模型的精度和泛化能力很大程度取决于不敏感损失系数ε、惩罚系数C和RBF核函数的宽度系数7三个参数,模型采用粒子群算法对三个参数同时进行优化,实现了果酒生物活性物质的非线性预测。仿真结果表明：基于PSO—SVR算法的果酒生物活性物质预测模型性能优于所比较的BP神经网络模型和支持向量回归机模型,能有效提高果酒生物活性物质的预测精度和稳定性。     

一种建立发酵过程模型的新方法

为了建立精确的微生物发酵过程数学模型,在标准回归型支持向量机(SVM)的基础上提出了动态ε- SVM方法。即不同样本使用不同的ε;使用改进的多目标遗传算法(MOGA)自动选择动态ε-SVM的参数．将改进的MOGA和回归型动态ε-SVM结合形成一种新的建模方法,利用现场生产数据建立了青霉素效价预估模型．结果表明此方法具有较强的拟合和泛化能力．经过对比,本文方法比基于MOGA和标准SVM的建模方法具有更强的泛化能力．     

一种基于支持向量机的非线性系统辨识方法

提出一种新的非线性系统辨识方法,基于支持向量机回归算法,选取高斯核函数构造了从输入空间到高维特征空间的非线性映射,以避免繁琐的运算,实现对非线性系统的辨识。仿真结果表明了SVM具有很好的拟合和泛化能力,同基于神经网络的非线性系统辨识相比,其辨识和泛化性能要优于神经网络。支持向量机的使用为工业过程的系统辨识提供了一条新的途径。     

基于支持向量机的随机聚焦搜索算法优化冲压成形工艺

针对板料冲压成形工艺优化问题,研究了一种新的优化设计方法。采用支持向量机(support vector ma-chine,SVM)构建工艺参数与成形质量之间的多元非线性回归函数模型,在此基础上将一种新的群集智能算法,即随机聚焦搜索(stochastic focusing search,SFS)算法应用于冲压成形工艺参数寻优,以达到优化成形质量的目的。结合盒形件拉深实验证明,SVM在小样本条件下学习后所构建的非线性拟合精度比神经网络具有优势,表明了SVM具有更好的泛化性能。在SVM模型基础上应用SFS算法对板料冲压成形的工艺参数进行优化,将优化后的工艺参数进行实验验证,结果表明可获得较好的成形质量,说明了该优化方法具有较好的精确度和有效性,有一定的工程实用价值。     

支持向量机在短期用水量预测中的应用

针对基于经验风险最小化的神经网络存在模型结构较难确定和过学习的问题,根据时用水序列具有周期性和趋势性的特点,建立了基于支持向量机的时用水量预测模型.支持向量机采用结构风险最小化准则,在最小化学习误差的同时缩小模型泛化误差的上界,因此具有较强的泛化能力.此外,支持向量机通过将机器学习问题转化为二次规划问题,可获得全局最优解.实例分析结果表明,与基于BP网络的预测模型相比,基于支持向量机的时用水量预测模型建模速度更快,预测精度更高.     

Application of GA-SVM in classification of surrounding rock based on model reliability examination

In order to improve the discrimination precision of support vector machine(SVM)in classification of surrounding rock,a Genetic Algorithm(GA)was used to optimize SVM parameters in the solution space.The idea of examination of model reliability was introduced to check the reliability of the SVM parameters,obtained by genetic algorithms.In the process of model reliability,a trend examination method is presented,which checks the reliability of the model via the influence trend of impact factors on the object of evaluation and their evaluation level.Trend examination methods are universal,showing new ideas in model reliability examination and can be used in any problems of examination of reliability of models,based on previous experience.We established a GA-SVM based reliability model of a classification the surrounding rock and applied it to a practical engineering situation.The result shows that the improved SVM has a high capability for generalization and prediction accuracy in classification of surrounding rock.     

混合神经网络建模方法在青霉素发酵过程中的应用

本文采用广义混合神经网络建模方法对青霉素发酵过程进行建模，根据青霉素发酵过程可在线测量过程参数二氧化碳生成率CER，实现青霉素发酵过程生物质浓度的测量。由仿真实验结果可以看出，该方法建模精度高、泛化能力强。     

支持向量机在企业人力资源结构分析中的应用

企业人力资源结构的合理配置和规划是现代企业发展的关键问题，由于影响因素众多，而且关系极其复杂，传统数学分析方法难以胜任.为此，引入支持向量机方法，基于其小样本高效自学习能力和非线性处理能力，通过实际数据分析建立回归预测模型.以某公司为例，建立公司科技人员和管理人员比重与公司运营情况及人员流动情况间的对应关系，并进行预测分析，结果表明该方法具有较高的精度和推广预测能力，为企业人力资源结构分析提供了有效的分析工具.     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.     

一元和二元函数的数据建模方法及其在火电机组中的应用

研究了一元函数和二元函数的数据建模问题,给出了2种一元函数数据建模方法(基于给定间隔点横坐标的分段直线拟合方法和基于曲线拟合的分段直线拟合方法)及1种二元函数数据建模方法(分段直线拟合插值混合型建模方法),并将其应用于某600 MW超临界火电机组负荷特性的建模中。研究结果表明:这些方法在建模中是有效的; 2种一元函数数据建模方法均具有直线分段数可控、数据适用性广等优点。相比基于给定间隔点横坐标的分段直线拟合方法,基于曲线拟合的分段直线拟合方法具有算法简单、可自动确定分段节点等优点,相比已有的二元函数数据建模方法,分段直线拟合插值混合型建模方法具有灵活性高、通用性强、模型形式简单等优点。将给出的数据建模方法开发成软件,可以通过交互的方式十分方便地完成从历史数据到一元或二元函数模型的建模全过程。     

变照度下的视觉测量系统误差建模

针对二维视觉在线测量工件时,照度变化因素导致测量误差的问题,提出基于遗传算法优化的最小二乘支持向量机（GA-LSSVM）,建立照度误差模型的方法. 分析视觉测量系统的误差来源,通过最小二乘法分析照度影响下的误差规律. 利用照度变化误差实验,获得照度和测量系统的误差数据,分别训练GA-LSSVM、支持向量机（SVM）以及BP神经网络,建立照度和测量系统误差模型,对系统测量误差进行预测. 结果表明：在变照度测量误差预测模型中,GA-LSSVM模型、SVM模型及BP神经网络模型的预测精度分别为94.90%、90.23%及80.60%. 这表明遗传算法优化的最小二乘支持向量机建立的变照度误差模型,在拟合和预测精度上优于传统的BP神经网络.