支持向量机改进序列最小优化学习算法

为提高支持向量机序列最小优化学习算法的学习性能,提出了一种支持向量机改进序列最小优化学习算法,对传统SMO学习方法进行了多方面改进,从优化变量的选择和2个变量的优化方法分别提出具体可行的改进方法．改进后的SMO学习算法提高了学习速度,加快了网络收敛速度．基于改进SMO算法的仿真结果验证了改进SMO算法的有效性和优越性,并通过仿真,与原始算法进行了比较,显示了改进SMO算法的快速性．     

一种改进的支持向量机序列最小优化算法

提出一种改进的序列最小优化算法,它在选取工作集时选取优化步长最大的违反KKT条件的样本和其配对样本,并且对求解过程进行简化,从而使训练过程速度更快。实验表明,该算法是有效、可行的。     

最小二乘支持向量机的参数优化算法研究

该文针对最小二乘支持向量机的参数优化存在的问题,提出交叉验证的最小二乘支持向量机的参数自调整优化算法,用非线性测试函数的数据进行训练,并用于水下FCAW熔深多信息在线监测。最后把最小二乘支持向量机与传统的BP网络预测结果进行比较,结果证明,该模型的预测精确度是令人满意的,该文提出的方法是可行的。     

一种新型的增式SVM训练算法

针对传统的增式支持向量机算法在计算时间和分类效率上的不足,提出了一种新型的增式SVM训练算法。该算法不是简单地保留上一步训练的支持向量,而是通过增加KKT(Karush-Kuhn-Tucke)限制条件并对决策函数的输出设定一个阈值,使得保留下来的样本都是最有效的样本,从而可减少训练样本的数目。在仿真实验中,选择了一组UCI数据,并选用RBF核函数作为核函数。实验结果表明:与传统增式算法相比,新算法在保证传统SVM性能的同时,在迭代速度和分类放率上分别提高了14%和4.39%。     

基于Fisher向量投影的支持向量机增量算法

针对支持向量机训练样本冗余导致训练效率低下的问题,提出一种基于Fisher向量投影的支持向量机增量算法。该算法根据支持向量机中支持向量的分布特性对初始训练集及增量集进行预处理,减少训练样本个数;通过判断初始样本是否满足新增样本集的卡罗需-库恩-塔克(Karush-Kuhn-Tucker conditions,KKT)条件,剔除对最终结果无用的样本,减少参与训练的样本数目。实验结果表明,与标准支持向量机算法和基于向量投影的支持向量机增量算法相比,基于Fisher向量投影的支持向量机增量算法的训练速度分别提升了86%和33%左右。该方法可用于大规模样本集的分类识别问题。     

基于作用集的一类支持向量机递推式训练算法

为了求解一类支持向量机（1-SVM）的二次规划问题（QPP）,利用该QPP的稀疏解集性质,提出了基于作用集的1-SVM递推式训练算法. 将支持向量集设定为作用集,迭代地局部优化作用集以获得全局最优解,并引进递推式算法降低计算复杂度。不同于序贯最小优化（SMO）收敛目标函数的思路,该算法寻找支持向量在最优状态下的分布,对Karush-Kuhn-Tucker（KKT）条件不敏感,并可获得解析的最优值。仿真结果表明,本算法在计算时间和精度上均优于SMO,可有效地应用于1-SVM的大样本学习。     

基于改进粒子群优化算法的短期风电功率预测

针对传统支持向量机(SVM)模型在风电功率预测中存在的参数选取问题,提出一种新的预测模型,采用改进的粒子群(MPSO)优化算法寻求SVM的最优参数模型,经典粒子群算法是一种全局优化算法,在此基础上提出改进的粒子群算法.算例结果表明,经MPSO优化的SVM模型应用于短期风电功率预测是有效的,使其预测精度有所提高.     

基于PSO优化的SMO算法研究及应用

顺序优化(SMO)是支持向量机(SVM)的一种有效训练算法,但SMO的参数选择问题是算法性能优劣的关键所在,只有选择了合适的参数才能使算法性能达到最优。因此,在详细介绍了SMO算法的基础上,着重研究了基于微粒群优化(PSO)的SMO算法的双层优化原理,并通过仿真进行了应用研究,将该方法的有效性进行了验证。实验结果表明,经过PSO优化的SMO算法与其他算法相比具有更高的准确性。     

基于孤立点的全局最小MPR集选择算法

针对OLSR协议中采用贪婪算法选择最小MPR集存在的冗余问题,提出了基于孤立点的全局最小MPR集选择算法。通过逐步剔除可达数最小的一跳节点,产生新孤立点,获取最小MPR集;当可达数最小的一跳节点不唯一时,考虑全局MPR节点的影响,优化整个网络的MPR节点数量。仿真结果表明:本文所提的MPR选择算法相对于基于贪心策略的MPR选择算法,整个网络MPR节点数量减少7%,控制消息开销明显降低,网络性能得到提高。     

工作集划分算法求解多维函数极小值

通过对工作集元素贡献度算法研究,对工作集中个体元素按照其贡献度的不同将工作集划分3个子工作集即优、良、劣工作集。采用保留优工作集中个体元素,将其作为下一次迭代的个体元素。根据优工作集元素产生新的良工作集元素和良工作集元素产生新的劣工作集元素,保障置换后的新工作集能够快速收敛。通过对4个标准集多维测试函数仿真,表明算法能有效、快速、准确收敛。     

基于序列最小化算法的周负荷预测研究

周负荷预测具有周规律性,对编制发供电计划有重要意义。运用序列最小化算法（SMO）求解支持向量机,既能发挥支持向量机的优势,又能简化问题,缩短运行时间。通过山西省某变电站的实例分析,得到序列最小化算法适用于求解周负荷预测,且精度较高。     

基于特征选择和支持向量机的数字调制识别方法

针对基于决策树的数字调制识别方法在低信噪比和小样本情况下的不足,提出了一种改进的基于特征选择和支持向量机的数字调制识别算法。首先选择信号训练样本的循环谱截面作为备选特征集合,然后利用基于支持向量机的特征选择方法保留有效特征参数并训练分类器,最后将待识别信号选择后的特征输入支持向量机分类器,完成对ASK、MSK、PSK、QAM等4类信号的识别。仿真表明,本文算法在低信噪比和小样本情况下的识别性能优于基于决策树的调制识别方法。     

一类支持向量机的快速增量学习方法

提出一类支持向量机（OCSVM）的快速增量学习方法. 在OCSVM初始分类器的基础上, 添加一个德尔塔函数形成新的决策函数, 实现增量学习的过程. 通过分析德尔塔函数的几何特性, 构造出与OCSVM相似的优化目标函数, 从而求解德尔塔函数的参数. 优化问题能够进一步转化为标准的二次规划(QP)问题, 但是在优化过程中Karush-Kuhn-Tucker（KKT）条件发生很大改变. 根据新的KKT条件, 为QPP提出修正的序贯最小优化（SMO）求解方法. 整个学习过程直接操作初始分类器,仅仅训练新增样本,避免了对初始样本的重复训练, 因此能够节约大量的学习时间和存储空间. 实验结果表明, 提出的快速增量学习方法在时间和精度上均优于其他的增量学习方法．     

极小函数依赖集求解方法的缺陷及改进

本文通过一个例子说明极小函数依赖集求解方法存在一定的缺陷,并通过与函数依赖集的规范覆盖的求解算法的对比,提出了两种改进方案。     

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论，提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验，证明了该算法的有效性和鲁棒性，它能较好地解决在复杂水下目标信号所提取的特征维数高，样本采样困难，数目偏少的实际情况下的分类识别问题。     

最小VC维分类器的一种实现方法

通常在支持向量机算法中核函数参数是事先选定好的,而最小VC维分类器的非线性约束规划问题中包含RBF核的参数,在算法执行中可以自适应地确定.综合复形调优法、罚函数法及梯度法,提出了一种最小VC维分类器的实现方法.该实现方法在保证分类器有较高分类性能的前提下,可以以较快的速度处理较大的样本集.针对4个基准数据集,将该方法与SVMlight算法进行了比较,试验结果表明该最小VC维分类器的实现方法在分类精度与计算时间上都有一定的优势.