一种基于聚类思想的SVM多类分类方法

针对传统的基于决策树的支持向量机多类分类算法运算过程复杂、分类效率低的缺点,提出一种新的基于聚类思想的支持向量机分类方法.空间距离和聚类思想的引入,有效的提高了算法的分类效率.仿真试验表明,该方法在保持算法良好推广性的同时降低了算法的复杂度,从而提高了分类效率和分类速度.     

采用类电磁机制算法的SVM决策树多分类策略

基于分类问题的特点,设计了适用于分类问题的类电磁机制算法,然后设计了基于改造后的类电磁机制算法的最优决策树生成算法,用以解决支持向量机多分类问题．以最大分类间隔为准则,利用类电磁机制算法进行优化,从而生成最优或次优的决策树．在每个决策结点利用传统的支持向量机二分类方法进行分类,最终实现支持向量机多分类．仿真结果表明：这种方法比传统的1-a-1,1-a-r,DAG-SVM,DT-SVM以及GADT-SVM方法有更优的性能．     

基于云隶属度支持向量机的舰船购置费时间序列预测

模糊支持向量机降低了传统支持向量机对异常点的敏感度,但其模糊隶属度函数对样本点的分类缺乏模糊性,影响舰船购置费预测的精度。因此,利用云理论能够科学表达模糊性的特点,设计了一种面向异常点模糊分类的云隶属度发生器;在支持向量机中引入这种云隶属度发生器,提出了一种基于云隶属度的支持向量机算法;构建了基于云隶属度支持向量机的舰船购置费时间序列预测模型。实验证明：该算法模糊地降低了模型对异常点的敏感度,并自适应地对支持向量约束水平进行寻优,提高了舰船购置费预测的精度。     

支持向量机与哈夫曼树实现多分类的研究

基于支持向量机和决策树的多分类方法存在错误累积问题,累积的错误往往使分类准确率下降,分类效果变差.在仔细分析了其产生错误累积原因的基础上,提出了基于哈夫曼树的支持向量机多分类方法.该方法首先将一个多分类问题分解为多个二分类问题,针对每个二分类问题使用支持向量机二分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较.实验结果表明,新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越.     

基于支持向量机的增量学习算法研究

分析了支持向量机理论中支持向量的特性,利用支持向量与样本空间划分的等价性,提出一种新的基于支持向量机的增量学习算法.该算法考虑新增样本集的分布可能改变对已有样本的分类结果,利用支持向量的分布特性,用对样本的划分差集构造新的支持向量集和分类平面,使差集中的样本点对分类贡献尽可能最大,有效提高了分类精度.同时差集操作简单易行,有效降低了问题的计算复杂度.实验结果表明,与常规增量算法相比,该算法在不改变时间复杂度量级的前提下对分类精度有显著提高.     

利用CVGS-XGBoost 遥感识别水体与山体阴影信息

针对喀斯特地区遥感图像中水体和山体阴影信息易混淆使得传统机器学习算法存在分类精度低、计算速度慢的缺点, 改进XGBoost 算法, 通过交叉验证栅格搜索算法对XGBoost 算法进行参数优化, 构建CVGS-XGBoost 分类算法, 提取遥感图像中的水体和山体阴影信息。实验结果表明, CVGS-XGBoost 算法的总体分类精度达到93. 9%, 比原始的XGBoost 算法、 决策树、 随机森林和支持向量机算法构建的分类算法的总体分类精度分别提高1. 5%、 10. 0%、 6. 3%和3. 1%, 且该算法与分类效果较好的支持向量机相比, 运行时间开销少, 可有效地识别喀斯特地区遥感图像中水体和山体阴影信息。     

基于模糊支持向量机的医学图像分类技术

对每一个训练点都定义点模糊度,利用其隶属函数所包含的信息量来确定模糊度,在此基础上对传统的支持向量机算法进行了改进,提出了基于模糊支持向量机的医学图像分类技术。采用不同噪声图像进行的试验结果表明,模糊支持向量机方法能够较好地对MRI图像中脑组织进行分类,并且具有较高的精度。使用该方法还可以减少计算量,提高运算速度。     

基于类半径的多类分类SVM算法

分析了现有多类分类支持向量机算法的不足,在此基础上提出了基于类半径的多类分类支持向量机算法.这种算法在训练前首先对训练集进行分析,然后用one-class SVM进行分类.试验结果表明,该算法分类精度较高,训练时间短.     

基于ENVI的CART自动决策树多源遥感影像分类——以北京市为例

以北京市为研究对象,基于CART自动决策树的遥感影像分类方法,使用遥感处理软件ENVI实现该算法,并将分类结果与神经网络、支持向量机等作比较。结果表明,CART自动决策树分类效果良好,精度较高。     

最小生成树SVM的模拟电路故障诊断方法

提出最小生成树的支持向量机模拟电路故障诊断方法,通过小波分解提取电路故障特征,在特征空间中以故障类的可分性测度为权值构造最小生成树,得到具有聚类属性的故障子类划分,从而优化故障决策树节点的分布。按照最小生成树的结构建立具有较大分类间隔的多分类支持向量机,能够有效地提高模拟电路故障诊断的正确率。该方法简化支持向量机的结构,在实例电路的故障诊断中获得更高的诊断精度和效率,其性能优于常用的支持向量机方法。     

一种改进的SVM决策树Web文本分类算法

SVM决策树能够较好地进行Web文本信息分类,在此基础上进一步结合遗传算法,将SVM决策树分类器的分类正确率作为GA适应度函数,对SVM决策树层次结构进行优化,在每一决策节点自动选择最优或近优的分类决策。实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与SVM决策树结合的优越性。     

基于多分类SVM的图像情感分类研究

依据基于二叉树思想的多分类支持向量机算法,进行了天气图像的情感分类方法的研究。通过定性分析和计算对比,确定了图像情感分类的可行算法和合理参数选取方法。结果表明,完全二叉决策树SVM算法对于天气图像的情感识别具有较理想的效果。     

基于多分类SVM的图像情感分类研究

依据基于二叉树思想的多分类支持向量机算法,进行了天气图像的情感分类方法的研究。通过定性分析和计算对比,确定了图像情感分类的可行算法和合理参数选取方法。结果表明,完全二叉决策树SVM算法对于天气图像的情感识别具有较理想的效果。     

基于PCA 和KNN 的电主轴故障诊断方法研究

电主轴是数控机床中重要的部件之一, 其性能的优劣直接影响机床工况和加工零件质量。对电主轴进行故 障诊断能很大程度上提高数控机床的加工精度, 并且能够有效地增加其可靠性和安全性。在一般诊断过程中, 原 始数据的高维特征量处理较为困难。为顺应实际应用中对电主轴故障诊断的精度要求, 提出一种基于主成分分析 (PCA) 与K 最近邻(KNN) 的电主轴故障诊断方法。此方法利用PCA 对原始非线性时间序列数据的特征向量进行 降维, 并选取其中主成分特征向量。将得到的主成分特征向量作为KNN 的输入进行故障分类。最后将该方法的预 测结果与决策树和随机森林的分类结果进行对比, 结果表明, PCA-KNN 算法在故障分类精度上相较于其他两种算 法有显著提高, 是一种有效的电主轴故障分类方法。     

基于SVM的多类模拟调制方式识别算法

提出了一种基于支持向量机的多类模拟调制方式识别算法。该算法通过分析模拟调制信号的特点,提取有效的特征向量以区分不同的调制方式,并基于支持向量机和判决树分类思想,将特征向量映射到高维空间中加以分类。仿真结果表明:在具有加性带限高斯噪声的环境下,信噪比不小于10 dB时,识别正确率大于90%。     

基于改进支持向量机的人手动作模式识别方法

为了提高基于表面肌电信号（sEMG）控制的手部运动康复器对人手多种动作模式的识别率,比较常规支持向量机（SVM）多类分类器的特点,提出改进的决策树支持向量机多类分类方法.该方法引入基于sEMG特征向量的类间距离可分性测度来指导决策树的构建,能够为每个SVM子分类器的训练提供识别率较高的样本划分方案,在提高决策树内部节点分类成功率的同时,简化了分类器结构.通过实验对比可知,新方法在20种手部动作模式的识别训练过程中,单项动作最低识别率较常规决策树方式提高了7.1%,平均识别率达到88.9%,训练速度较一对一支持向量机分类器提高了5.8%.     

基于KSVM决策树法的人脸检测与定位

传统的SVM直接在线性条件下训练SVM分类器完成人脸与非人脸的分类,分类器训练困难,计算量大且速度慢.为构造一个复杂背景下人脸检测与定位的新方法,本文用核函数把SVM推广到非线性SVM,再与二叉树相结合,可以解决多类识别问题,此即KSVM决策树人脸检测方法.在此基础上,人脸面部特征被进一步确认.本文提出了改进的四边界Prewitt边缘算子提取人眼,进而定位五官.实验结果表明该方法检测率较高,虚警率较低,定位准确.     

带先验信息的SVM决策树的鸟类图像识别研究

本文在认真研究分析鸟类图像基础上,有效提取了鸟类图像的分类特征,并提出一种带先验信息的SVM决策树解决方案,该方案充分发挥了SVM和决策树的优点,简化了分类器的设计;并利用先验信息分类器分类效率高的优点,在一定程度上弥补了决策树错误累积的缺陷.实验表明,提取的特征简单有效,分类方案合理,获得了较好的分类识别率,实现了对闽江口15种鸟类的有效分类.