凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于Optuna框架的Lp范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_p范数约束的代价敏感的多核支持向量机(L_p-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_p范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_p-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_p-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。     

基于支持向量机回归模型的测试用例生成与重用

在软件测试领域,利用遗传算法生成测试用例是一个研究热点.传统方法在利用遗传算法生成测试用例时,需要计算每个个体的适应度.为了降低适应度计算的时间消耗并重用测试用例,提出一种融入支持向量机回归模型的测试用例生成与重用的方法.在使用遗传算法生成测试用例的过程中,利用一定数量的个体及其适应度作为样本训练支持向量机回归模型.在之后的种群进化中,根据回归模型计算个体适应度,同时利用回归模型查找适应度较高的个体并重用到新种群的进化中.在某大型程序实验中,该方法与同类经典方法相比,覆盖率提高了3％,平均进化代数也有所降低,其降低百分比达85.97％.     

改进支持向量机的光纤陀螺温度漂移补偿方法

温度漂移是影响光纤陀螺精度的主要因素之一,温度漂移建模和补偿是消除和减小温度漂移的有效方法。首先分析了影响光纤陀螺温度漂移的关键因素,同时进行了光纤陀螺温度漂移测试实验。然后采用泛化能力较神经网络更好的支持向量机对光纤陀螺温度漂移进行回归、建模,其中支持向量机的核函数采用了具有更好数据集适应性的径向基核函数。为了提高支持向量机的建模精度,引入人工鱼群算法对支持向量机的核心参数C（惩罚系数）和核函数的参数进行寻优。最后,使用实际的光纤陀螺温度漂移数据对提出的补偿方法进行实验验证,结果表明采用该方法补偿后的剩余光纤陀螺误差较采用线性回归方法减小了四五个数量级。     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

基于光谱加权直推式支持向量机的高光谱图像半监督分类

高光谱图像分类中的有标签的样本获取较为困难,而半监督分类可以利用到大量未标签样本所含信息,来提高分类准确率。其中直推式支持向量机是标准支持向量机在半监督学习问题上的一种扩展。本文中我们采用凹凸过程规划将直推式支持向量机的非凸目标函数分解为凸函数和凹函数的组合,从而将非凸问题转化为凸优化问题求解。并且针对高光谱图像不同波段鉴别地物类别的能力的差异,为了充分利用各个波段的分类能力,我们引入了光谱权值对支持向量机的核函数进行了改进,对不同的波段赋予不同的权值。实验表明,本文提出的方法在分类正确率以及使用的样本规模上,都表现出了一定的优越性,从而适用于较大规模的高光谱图像分类。      

一种改进的自适应GA-SVM参数选择研究

支持向量机是一种学习机器,决定SVM性能的因素是核函数的选取,但其参数的选择大多是依靠经验,一般不能获得最佳函数逼近效果,一定程度上限制了该算法的发展。将改进的自适应遗传算法与支持向量机相结合,设计了一种自动优选支持向量机模型参数的方法。该方法根据适应度值自动调整交叉概率和变异概率,减少了遗传算法的收敛时间并且提高了遗传算法的精度,确保了SVM参数选择的准确性。将该方法应用于脱机手写汉字的识别,结果表明由该方法所得的SVM具有较好的泛化能力。     

基于光谱变换定量估算苹果叶片的等效水厚度

运用高光谱技术快速无损地估算了苹果叶片的等效水厚度(Equivalent Water Thickness, EWT),为苹果树的长势及干旱预警提供参考。以山东省烟台栖霞市红富士苹果树叶片为试验材料,在测定苹果叶片的光谱反射率和计算叶片EWT的基础上,分析了苹果叶片的EWT、原始光谱的反射率及其13种变换光谱反射率之间的相关性。筛选敏感波长后,建立了苹果叶片EWT的支持向量机定量的估算模型。13种光谱变换中,一阶导数(the First Derivative, FDR)、平方根的一阶导数(the First Derivative of the Square Root, FD(SqrtR))及倒数的对数的一阶导数(the First Derivative of the Logarithm of the Reciprocal, FD[Lg(1/R)])三种变换的相关性较好。确定了估测苹果叶片EWT的敏感波长。基于支持向量机回归分析方法,建立了定量估算叶片EWT的模型,验证集的决定系数R2达到了0.8147,相对分析误差(Relative Percent Deviation, RPD)达到了2.2671。结果表明,该模型具有较高的估测能力,支持向量机回归方法比较适于估算苹果叶片的EWT。该方法为利用高光谱技术定量估算苹果的生长状况提供了技术支撑。     

基于几何分析的支持向量机推广能力推测模型

利用支持向量机分类器中支持向量分布的几何意义,构造了一种新的与样本分布相关的推广能力预测模型,该模型充分利用了支持向量分布的先验信息,它与统计学习理论中推广能力准则具有一致的几何意义.首先利用支持向量分布的几何意义出发从海量样本中选择有效边界向量代替原有训练样本,然后在有效边界向量中分别计算最小包含半径和最大分类间隔.它不需要求解二次规划就可以得到与训练样本相关的推广能力计算模型,计算量较低.本文最后的最优核函数、核参数选择仿真实验结果表明本文提出的基于几何分析的支持向量机推广能力推测模型的合理性与高效性, 该模型对于解决支持向量机中最优核函数、核参数选择具有重要意义.     

基于小波核主成分分析的相关向量机高光谱图像分类

相关向量机(RVM)高光谱图像分类是一种较新的高光谱图像分类方法,然而算法本身存在对于高维大样本数据训练时间过长、分类精度不高的问题。针对这些问题,该文提出一种基于新型核主成分分析的RVM分类方法。该方法首先将核函数引入到主成分分析中,然后应用小波核函数代替传统核函数,利用小波核函数的多分辨率分析特点,进一步提高核主成分分析(KPCA)非线性映射能力,最终将新型核主成分分析算法与相关向量机相结合,对高光谱图像进行分类。仿真实验结果表明,将所提出的方法应用于AVIRIS美国印第安纳州实验田高光谱数据预处理后,类内类间距离比降低20%,方差整体增幅较大,最终将处理后的数据应用于相关向量机的高光谱图像分类中,分类精度提升3%~5%。     

玉米粉中苯甲酸的太赫兹光谱定量检测研究

为了检测玉米粉中苯甲酸的含量，控制苯甲酸在玉米粉中使用量，提高食品安全等级，采用太赫兹光谱技术对玉米粉中苯甲酸含量进行定量研究，获得了玉米粉中不同质量分数的苯甲酸在0.5THz~3THz的光谱数据。采用偏最小二乘、最小二乘支持向量机和多元线性回归构建光谱模型，未参与建模的样品用来进行模型评估, 并利用预测集相关系数R_p和预测集均方根误差e_RMSEP对模型进行了评价。结果表明, 最小二乘支持向量机模型评价能力最强，预测集相关系数R_p=0.9958，预测集均方根误差e_RMSEP=0.0057。说明太赫兹技术结合化学计量学方法可以用于定量检测玉米粉中苯甲酸的含量。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于中心对齐多核学习的稀疏多元逻辑回归算法

稀疏多元逻辑回归(SMLR)作为一种广义的线性模型被广泛地应用于各种多分类任务场景中。SMLR通过将拉普拉斯先验引入多元逻辑回归(MLR)中使其解具有稀疏性,这使得该分类器可以在进行分类的过程中嵌入特征选择。为了使分类器能够解决非线性数据分类的问题,该文通过核技巧对SMLR进行核化扩充后得到了核稀疏多元逻辑回归(KSMLR)。KSMLR能够将非线性特征数据通过核函数映射到高维甚至无穷维的特征空间中,使其特征能够充分地表达并最终能进行有效的分类。此外,该文还利用了基于中心对齐的多核学习算法,通过不同的核函数对数据进行不同维度的映射,并用中心对齐相似度来灵活地选取多核学习权重系数,使得分类器具有更好的泛化能力。实验结果表明,该文提出的基于中心对齐多核学习的稀疏多元逻辑回归算法在分类的准确率指标上都优于目前常规的分类算法。     

面向大规模噪声数据的软性核凸包支持向量机

现有的面向大规模数据分类的支持向量机（support vector machine,SVM）对噪声样本敏感,针对这一问题,通过定义软性核凸包和引入pinball损失函数,提出了一种新的软性核凸包支持向量机（soft kernel convex hull support vector machine for large scale noisy datasets,SCH-SVM）.SCH-SVM首先定义了软性核凸包的概念,然后选择出能代表样本在核空间几何轮廓的软性核凸包向量,再将其对应的原始空间样本作为训练样本并基于pinball损失函数来寻找两类软性核凸包之间的最大分位数距离.相关理论和实验结果亦证明了所提分类器在训练时间,抗噪能力和支持向量数上的有效性.     

基于光谱重建技术的壁画颜色复原与评价

为了在给定的照明和观察条件下，用相机响应信号重建物体表面光谱反射率，实现颜色的高精度复原，采用了多光谱成像技术采集物体表面的多光谱图像，使用主成分分析、 R 矩阵和正则化 R 矩阵方法进行了光谱反射率重建的理论研究，并对壁画色块颜色复原进行了实验验证，取得了壁画色块的重建光谱和颜色复原数据，同时对基于正则化 R 矩阵方法的壁画色块颜色复原结果进行了评价。结果表明，正则化 R 矩阵方法进行光谱重建的光谱精度和色度精度更高，与主成分分析和 R 矩阵方法相比，色差降低了0.0732，适应度系数提高了1.10%，均方根误差降低了0.0035，光谱匹配偏指数降低了0.0225。该方法能够满足高精度颜色再现的需要，适用于文物艺术品数字化存档、文物艺术品修复等领域。     

导数同步荧光光谱结合遗传优化算法测定鸭蛋蛋清中庆大霉素含量

为实现鸭蛋蛋清中庆大霉素(GM)残留含量的快速测定与检测模型精度的提高,应用遗传算法(GA)筛选导数同步荧光光谱特征波长,用遗传-支持向量回归(GA-SVR)建立鸭蛋蛋清中GM残留含量的预测模型。首先分析了样本的三维同步荧光光谱和确定了本实验研究的波长差Δλ为120nm;然后利用sym5小波的2层分解对一阶导数同步荧光光谱进行去噪处理,并利用GA筛选出了14个荧光特征波长;最后利用GA优化了SVR的径向基核函数(RBF)参数(c,g,p),进而比较了GA-SVR、PLS和MLR 3种预测模型的预测能力,研究表明,以GA-SVR模型的预测能力最强,其预测集的决定系数(R2)和均方根误差(RMSEP)分别为0.983 0和1.149 4mg/L。实验结果表明,GA能有效筛选出鸭蛋蛋清中GM的荧光特征波长和提高GA-SVR模型预测精度。     

基于支持向量机的贯流风叶叶片粘连缺陷诊断

为了提高贯流风叶叶片粘连缺陷诊断的准确率和鲁棒性,提出了一种基于支持向量机的贯流风叶叶片粘连缺陷诊断方法。该方法以线性核函数为内积核函数,在追求分类间隔最大化的前提下,建立了叶片粘连缺陷诊断数学模型。仿真和实际测试结果表明,即使在使用较少的训练样本的情况下,该模型仍能达到较高的叶片粘连缺陷诊断率,效果优于传统的诊断方法,为贯流风叶叶片粘连缺陷诊断提供了新的途径。