一种改进的支持向量机模式分类方法

支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,已成为目前研究的热点,并在模式识别领域有了广泛的应用.首先分析了支持向量机原理,随后引入一种改进的径向基核函数,在此基础上,提出了一种改进核函数的SVM模式分类方法.与基于IRIS数据,进行了计算机仿真实验,与基干模糊k-近邻的模式分类仿真结果比较,结果表明改进的SVM方法分类性能比模糊k-近邻算法(Fuzzy k-Nearest Neighbor,FKNN)的分类性能更好,运算时间更短,更易于实时实现.     

一种改进的支持向量机BS-SVM

提出了一种改进的SVM:BS-SVM,它先对训练样本进行分类,根据每个样本到模式类样本均值的距离,将训练样本分为三种:好样本、差样本、边界样本,然后用边界样本训练得到分类器.实验表明,BS-SVM相比SVM在分类正确率、分类速度以及使用的样本规模上都表现出了一定的优越性.     

一种改进的支持向量机分类器

提出了一种将支持向量机分类和最近邻分类相结合的方法,形成了一种新的分类器.实验结果表明使用支持向量机结合最近邻分类的分类器分类比单独使用支持向量机分类具有更高的分类准确率,同时可以较好地解决应用支持向量机分类时核函数参数的选择问题.     

一种特殊支持向量回归机算法研究

支持向量机SVM(Support Vector Machines)是数据挖掘技术的新方法,支持向量回归机对函数拟合(回归逼近)具有重要的理论意义和应用价值.分别采用光滑化函数法和求解LC1函数类型方法对牛顿型算法进行研究求解.     

基于支持向量机的回归预测综述

近年来,支持向量机在预测方面有广泛的应用,回归预测和回归分析也是一个非常值得探讨的领域。加上工具集的使用,将对很多的应用行业,起着一定预测作用。说明对于回归预测这种方法应用于预测是有效的。文章对支持向量机进行简单介绍,在介绍基于回归预测基础上,提出这种方法的优缺点,最后展望其方法应用的前景。     

一种改进的支持向量机多类分类方法

提出一种新的基于二叉树结构的支持向量机(SVM)多类分类方法.该方法解决了现有主要算法中存在的不可分区域问题,具有简单、直观、重复训练样本少的优点.为了提高分类模型的推广能力,必须使样本分布好的类处于二又树的上层节点,才能获得更大的划分空间.因此,该算法采用类间散布度量与类内散布度量的比值作为二叉树的生成算法.采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性.     

一种基于支持向量回归的梨黑星病预测方法

当前果树病害预测方法,存在适应性差、预测结果拟合度较低的问题.提出一种基干支持向量回归的预测方法框架SVR-D1.0,该方法利用核校准进行核心函数的选择,具有动态更新模型的特点.将黄河故道地区砀山酥梨黑星病为例进行测试的数据,与现有方法以及实测数据进行相关性统计分析.实验表明,在对砀山酥梨的黑星病预测上,该方法与现有方法相比,在实效性、拟合度和准确率上具有较为显著的优势.该方法不仅简便可行,而且可以周期性更新预测模型,具有一定的普适性.     

基于支持向量机分类的回归方法

支持向景机(Support Vector Machine,SVM)是一种基于结构风险最小化原理的分类技术,该技术已成为当前国际机器学习界研究的热点.本文提出了一种将回归问题转化为分类的新思想,这种方法具有一定的理论依据,与多项式函数拟合相比具有一定的优越性.     

一种改进的SVM支持向量分类方法

提出了一种改进的支持向量分类方法,根据支持向量机中支持向量不会出现在两类样本集间隔以外的正确划分区的理论,通过引入类质心距等概念,从而较好地解决了当两类样本集混淆严重的时候如何更加精确地进行剔除混淆点,保证算法泛化性的问题。实验表明,采用这种改进的算法在两类训练样本集混淆较严重时能较好地解决泛化性问题。     

融合先验知识的支持向量机回归方法

类似大多数基于统计的纯数据驱动机器学习方法一样,标准支持向量机回归也是建立在对纯样本数据学习基础上的,需要足够多标记好的样本数据才能保证模型的性能,当样本数据集趋于无穷大时,学习模型也越趋向于真实模型。然而在实际应用中,这个条件往往很难得到满足。如果能将样本数据的先验知识融合到支持向量机回归中,就可以弥补样本不足的缺陷。本文提出一种融合先验知识的支持向量机回归方法,给出了理论推导的一般形式,并通过实验证明该方法的有效性。     

一种基于支持向量机的车牌字符识别方法

针对车牌字符图像受客观条件影响较大、样本数量不是很大、分类识别相对容易等实际情况。提出了一种对经过预处理的车牌字符图像采用SVM算法进行识别的方法。该方法将图像数据转变为文本数据作为输入样本，方法简单快速，克服了提取图像特征过程中过分依赖字符结构和图像质量的不足。并通过使用参数归整、交叉校验、选择适当的核函数等方法寻求最优参数．避免欠学习、过学习问题的产生。通过使用高速公路收费口的实拍汽车图像进行实验，验证了算法的有效性。     

基于支持向量机的扬声器故障检测方法

通过扫频仪对扬声器激励,采集扬声器的响应信号,对响应信号进行短时傅里叶变换,将得到的时频矩阵分成n个区域,计算每个区域与符合标准好的扬声器的欧氏距离,并将最大欧氏距离和欧氏距离的方差作为支持向量机的特征向量,运用支持向量机的分类方法对扬声器故障进行分类识别.通过实验和计算证明该方法简便有效,具有实用价值.     

一种新的支持向量机核函数评估方法

针对传统支持向量机核函数评估中指标构建不完备、应用背景不强等问题,提出了一种新的支持向量机核函数评估方法。该方法首先构建了以相似性、稳定性、复杂性为评估指标的评估体系,给出了各指标的计算准则,再基于用户实际应用需求对各评估指标权重作层次分析,最后利用指标权重矩阵和指标评分矩阵以综合打分方式对核函数性能进行综合评估并排序。应用结果表明,该评估方法可行有效,不仅能够较好地实现对支持向量机核函数性能的分析和评估,也能为支持向量机的研究与选择提供依据。     

一种改进的基于支持向量机的OFDM识别算法

针对OFDM信号与单载波信号调制识别,提出了一种基于高阶累积量特征的改进方法.通过分析复信号幅值的归一化四阶累积量特性,以及信号的瞬时频率和功率谱特征,改进和提出新的特征参数,采用支持向量机分类器,实现了AWGN信道下包括OFDM在内的9种信号的制式自动识别.该方法具有特征参数易于提取、抗噪性好、识别准确率高的优点.利用MATLAB仿真证明在信噪比不小于7dB的情况下,OFDM信号的识别准确率达99%.     

一种支持向量机更新模型的参数选择方法

支持向量机性能主要受模型参数的影响,而支持向量机更新模型的参数选择尚无专门的方法。将量子遗传算法用于模型参数选择并进行改进,用原始模型最优参数设置初始量子模板的生成规则,确定搜索方向;用拟合误差设置量子旋转门的调整策略,缩小解空间取值范围。通过仿真验证了所提方法的有效性。该方法能有效搜索到最优参数,与基本遗传算法相比,其解的精度在搜索过程的初期较高,搜索代数大大降低,能有效降低运算量。     

基于支持向量机的风电机组齿轮箱故障预测诊断

本文提出了一种基于最小二乘支持向量机的齿轮箱故障预警方法,通过将此算法应用于某风场的风电机组运行状态监测数据,将得出的诊断结果与风场状态数据对照,验证了算法的正确性。该方法可以在机组运行状态异常前发出告警,降低设备功能性的故障,减少风电机组故障停机的损失,具有实用价值。     

多项式光滑孪生支持向量回归机

针对光滑孪生支持向量回归机（Smooth Twin Support Vector Regression ,STSVR）中Sigmoid函数逼近精度不高的问题,将正号函数展开为无穷多项式级数,由此得到一族光滑函数。采用该多项式光滑函数逼近孪生支持向量回归机的不可微项,并用New ton-Armijo算法求解相应的模型,提出了多项式光滑孪生支持向量回归机（Poly-nomial Smooth Twin Support Vector Regression ,PSTSVR）。不仅从理论上证明了PSTSVR的收敛性和满足任意阶光滑的性能,而且在人工数据集和UCI数据集上的实验表明了PSTSVR比STSVR具有更好的回归性能。