GA_SJ在SVM核参数优化中的应用

支持向量机（SVM）是一种性能良好的机器学习方法,但是对于其参数的选择还缺少系统的理论作为指导。针对经典的SVM参数选择方法--遗传算法的一些不足,提出了改进,并将其与SVM相结合,得到自动选择核参数并进行SVM训练的算法即GA_SJ算法。该算法通过将随机搜索引入到遗传算法当中,并采用最优保存策略和动态的交叉和变异概率,有效地提高了遗传算法的效率。数值实验结果证实了GA_SJ算法在SVM参数优化中的可行性和有效性,而且得到的SVM具有较高的分类性能。     

基于改进遗传算法的SVM参数优化研究

针对传统遗传算法的支持向量机参数选择方法易陷入局部极小点,导致过拟合或欠学习的问题,从而提出一种基于改进遗传算法的支持向量机参数选择方法,该方法在遗传算法初始化群体阶段采用加权深度优先搜索机制,克服了遗传算法局部搜索能力差的缺点,对支持向量机的径向基核参数进行优化,找出了具有较强推广能力的径向基核参数。将该算法用于3个基准数据集的仿真实验,结果表明该方法在保证分类精度前提下,大幅度缩短了训练建模时间,提高了运行效率。     

基于SVM与遗传算法的非线性模式识别

设计了一种支持向量机的模型结构,以遗传算法进行该模型参数的组合优化建模,并将其用于非线性模式识别,该方法不仅对线性问题有效,对非线性问题同样适用有效;该法简洁易行,优于多段线性分类器设计方法与BP误差回传网络算法,通过实例验证其识别效率达100％。     

人工鱼群算法在SVM参数优化选择中的应用

针对支持向量机的参数优化缺乏理论支持,而SVM交叉检验法选取又较为费时的情况下,提出了基于人工鱼群算法的支持向量机参数优化选取算法,并以SVM分类预测准确率最大为优化原则,利用人工鱼群算法的较好并行性和较强的全局寻优能力,以实现最优目标并得到SVM的最优参数组合。数值实验结果表明：人工鱼群算法在SVM参数优化选取中具有更快的寻优性能,同时具有较高的分类准确率。该方法具有较好的并行性和较强的全局寻优能力。     

乌鸦搜索算法在SVM参数优化中的应用

参数的选择对支持向量机（SVM）分类精度和泛化能力有至关重要的影响，而群体智能算法近年来在参数优化方面应用广泛，在此背景下提出CSA-SVM模型。该模型将分类准确率作为目标函数，利用乌鸦搜索算法（CSA）求得SVM的最优参数组合。为了验证CSA-SVM模型的分类性能，将该模型应用于6个标准分类数据集，并分别与遗传算法（GA）和粒子群（PSO）算法优化后的SVM模型进行性能比较。实验结果表明，CSA算法在SVM参数选择中具有更好地寻优能力和更快地寻优速度，CSA-SVM模型具有较高的分类准确率。     

粒子群优化SVM在气体定量分析中的应用

针对机动车尾气排放CO气体的定量分析中,支持向量机建模的参数难以确定、光谱数据计算量过大等问题,提出了一种自适应变异粒子群优化的支持向量机方法,对浓度范围在0.5%~8%的20组不同浓度的CO气体进行定量分析。通过对汽车尾气中CO气体的初始数据进行优化,再将优化的核函数带入支持向量机进行浓度的回归分析,将结果与BP神经网络模型回归效果作对比,实验表明：粒子群寻优得到的最优参数c=39.3152,g=0.17855;BP神经网络的适应度值在迭代60次之后趋于稳定,SVM建模时间约为BP网络的1/30,且SVM预测精度明显高于BP网络。相比与BP网络,SVM更适合处理气体定量分析问题。     

集成SVM的回归预测及其遥感应用

为了提高单支持向量机(SvM)回归模型的泛化能力,引入遗传算法(GA)用以搜索SVM的"低偏差区域",给出了一种基于GA的SVM异构集成方法.用此方法对十个典型的数据集进行回归预测,并与单SVM回归结果和Bagging集成回归结果进行了比较,表明这种异构集成方法有较好的泛化能力.将这种方法应用于感兴趣的四个渭河陕西段水质参数的遥感反演,取得了更为精确的预测结果.实验表明,对小样本情况,基于GA的SVM异构集成方法能在付出合理时间花销的条件下,使单SVM的泛化能力得到有效提升.     

基于参数优化SVM融合的网络异常检测

网络异常检测技术是入侵检测系统中不可或缺的部分。然而目前的入侵检测系统普遍存在检测率不高,误报率过高等问题,从而难以在实际的企业中大规模采用。针对之前的检测技术检测效果不佳的问题,提出基于SVM回归和改进D-S证据理论的入侵检测方法。该方法是将支持向量机回归的分类融合应用到网络异常行为分析中,在SVM参数选择时采用交叉验证和深度优先搜索算法进行优化选择,并通过融合证据理论,建立网络异常检测模型。通过仿真实验表明,该模型能够有效地提高入侵检测性能,缩短检测时间。     

基于自适应变异粒子群优化的SVM在混合气体分析中的应用

针对混合气体定量分析中,支持向量机建模的参数难以确定、红外光谱数据计算量过大以及气体间交叉干扰等问题。提出了一种自适应变异粒子群优化的支持向量机方法,用于建立基于红外光谱的多组分混合气体定量分析模型。混合气体主要由浓度范围在0.5%~8%的CO、3.6%~12.5%的CO2及200×10-6~3270×10-6的C3H8三种组分气体组成。利用粒子群优化算法对支持向量机建模中的参数进行优化选择,并与遗传算法优化的支持向量机作对比。实验表明,采用此方法建模所用时间为39.524 s,遗传算法为26.272 s;针对CO2独立建模的预测结果,粒子群优化算法均方差为0.000123758,遗传算法均方差为2.14952。在建模时间略高的情况下,粒子群优化算法预测结果均方差明显低于遗传算法。     

改进蚁群算法在SVM参数优化研究中的应用

支持向量机参数的选择决定着支持向量机的分类精度和泛化能力,而其参数优化缺乏理论指导,在此背景下提出了ACO-SVM模型。该模型将SVM分类预测准确率作为目标函数,对蚁群算法进行改进,引入有向搜索和基于时变函数更新的信息素更新原则,利用蚁群算法的并行性、正反馈机制和较强的鲁棒性,以求得最优目标并得到SVM的最优参数组合。数值实验结果表明,改进蚁群算法在SVM参数优化选取中具有更好的寻优性能,具有较高的分类准确率;该方法具有较好的并行性和较强的全局寻优能力。     

RBF-PSO在N型热电偶非线性校正中的应用

为了解决大样本数据情况下N型热电偶应用中存在的问题,本文提出了基于粒子群算法优化径向基神经网络(RBF-PSO)进行热电偶非线性校正的新方法.仿真结果表明,采用该方法比以往采用的BP网络和RBF网络方法具有更高的拟合精度;同时以阳极焙烧过程中燃烧室温度为对象进行了仿真和实际应用研究,取得了满意的结果.     

轴不对准角在挠性陀螺组合静态误差标定中的应用

陀螺组合的安装误差会引起陀螺漂移,从而对惯导系统产生影响。从挠性陀螺组合安装误差模型入手,推导出存在轴不对准角情况下的挠性陀螺组合静态误差标定模型,并给出静态误差标定的位置试验方案。提出的标定方案可以有效标定陀螺组合静态误差系数,从而减少陀螺漂移。     

一种SVM非线性回归算法

提出了一种新的基于分类的SVM非线性回归算法（CSVR）,首先将Y扩展为Y＋ε和Y-ε两个数据集,再将n维输入空间X中的数据连同Y＋ε和Y-ε组成n＋1维空间χ中的两类数据,并用Z∈（＋1,-1）来标识两类数据,再利用标准的SVM二分类算法求解。利用该算法对一系列的基准函数进行测试,取得了令人满意的结果。该算法对噪声数据不敏感,具有较好的鲁棒性,并且可以根据实际需要设定ε的大小,防止出现过拟合现象。该算法由于不需要先验地建立一个参数未知的回归模型,因此可以用在其他传统统计回归算法失效的场合。     

SVM和基于PCA、PLS的SVM在非线性辨识中的比较研究

对于同一个非线性系统,比较单纯ε-不灵敏支持向量机方法和基于主元提取、基于偏最小二乘提取的ε-不灵敏支持向量机方法在输入相关和不相关两种情况下的拟合性能和抗干扰性能.仿真结果表明:当输入变量之间存在相关性时,基于特征提取的方法优于直接采用ε-不灵敏支持向量机的方法.     

多投影几何校正误差评估分析

近年来,投影拼接显示技术在展览展示、产品发布、虚拟仿真等领域得到了广泛的应用,但是目前还缺少完整的投影拼接几何校正误差评估方法.在深入分析多投影几何校正特点的基础上提出了一套较为完整的误差评估方法,分为自相关投影拼接误差(投影机自身几何校正之后所产生的误差)以及互相关投影拼接误差(多台投影机之间叠加区域的配准误差);首先提出了自相关投影拼接误差的关键参数——重投影误差(描述了每台投影机投影图像中每个像素点与预期投影位置的接近程度),并使用平均重投影误差、最大重投影误差以及关键点配准误差完善自相关投影拼接误差的评估体系;然后提出了互相关投影拼接误差的关键参数——叠加区域误差(表示投影机之间叠加区域对应像素点之间的匹配程度),并使用平均叠加区域误差、最大叠加区域误差完善互相关投影拼接误差的评估体系;最后使用该方法对平面投影、曲面投影、自由表面投影拼接的几何校正误差进行了分析.理论分析和实验结果表明,提出的误差评估方法能够有效地评估投影几何校正的精度.     

SVM和基于PCA、PLS的SVM在非线性辨识中的比较研究*

对于同一个非线性系统,比较单纯ε不灵敏支持向量机方法和基于主元提取、基于偏最小二乘提取的ε不灵敏支持向量机方法在输入相关和不相关两种情况下的拟合性能和抗干扰性能。仿真结果表明：当输入变量之间存在相关性时,基于特征提取的方法优于直接采用ε不灵敏支持向量机的方法。     

RBF神经网络在压力校验台数据非线性校正中的应用

介绍了利用RBF神经网络进行数据非线性校正的原理以及RBF神经网络结构和参数的确定方法.并给出了一个应用实例,其结果证明了这种方法的可行性和有效性.     

摄像机定标及其误差分析

在计算机视觉系统中,经常使用电视摄像机作为视觉传感器对物体进行识别和测量因此必须对摄像机进行定标即精确求出摄像机的内外部参数。在Tsai的两步定标法中必须已知CCD成像面垂直方向及水平方向相邻光敏元之间距离等参数。本文在CCD成像面水平方向相邻光敏元间距离未知时,亦能求出摄像机内外部参数的精确解。图1为摄像机模型,(x_cy_cz_c)为摄像机坐标系,XOY为摄像机成像面,X_fO_fY_f为用象素标度的帧存图象坐标,C_x及C_y为对应于O点的图象帧存坐标,(x_ωy_ωz_ω)为世界坐标系。用世界坐标系表示的空间一点P经旋转和平移变换后可映射为用摄像机坐标系表示