进化支持向量机模型及其在水质评估中的应用

水质评估模型是进行水质规划、环境水污染控制和环境管理的有效工具。利用遗传算法(GA)对支持向量机(SVM)分类算法的径向基核函数参数σ和错分惩罚因子C进行组合优化,建立进化支持向量机模型,并将该模型应用于水质评估中。将该模型分别应用于松花江松原段、松花江哈尔滨段、黄河甘肃段和吉林桦甸关门砬子水库的真实数据上进行测试。实验结果表明,提出的进化支持向量机水质评估模型在分类精度和泛化能力上较经典SVM方法都有所提高,表明了该方法的有效性。     

高斯核支持向量机分类和模型参数选择研究

支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响。     

支持向量机最优模型选择的研究

通过对核矩阵的研究,利用核矩阵的对称正定性,采用核校准的方法提出了一种SVM最优模型选择的算法——OMSA算法．利用训练样本不通过SVM标准训练和测试过程而寻求最优的核参数和相应的最优学习模型,弥补了传统SVM在模型选择上经验性强和计算量大的不足．采用该算法在UCI标准数据集和FERET标准人脸库上进行了实验,结果表明,通过该算法找到的核参数以及相应的核矩阵是最优的,得到的SVM分类器的错误率最小．该算法为SVM最优模型选择提供了一种可行的方法,同时对其他基于核的学习方法也具有一定的参考价值．     

基于支持向量机的高校教学水平评估模型的研究

教师教学水平的评估是教育评估的核心问题之一。本研究将支持向量机多分类方法引入教学水平评估任务之中,利用支持向量机将线性模糊不可分的样本映射到高维空间使之具有线性可分特性,从本质上避开了从归纳到演绎的传统过程,简化了非线性问题的分类过程;结构风险最小化理论保证分割的全局最优化,降低期望风险。该方法充分利用支持向量机的小样本学习的高效性,实现了优秀的学习效果,减少了传统评价方法中的分歧误差和主观性因素的影响,更加符合宏观取向的评价结论。该研究成果可与信息熵、模糊数学等研究方法相结合,进一步增强数据拟合的精度,该方法对改进教师的教学水平、促进教学质量的提高具有一定的参考意义。     

基于支持向量机的高校教学水平评估模型的研究

教师教学水平的评估是教育评估的核心问题之一。本研究将支持向量机多分类方法引入教学水平评估任务之中,利用支持向量机将线性模糊不可分的样本映射到高维空间使之具有线性可分特性,从本质上避开了从归纳到演绎的传统过程,简化了非线性问题的分类过程;结构风险最小化理论保证分割的全局最优化,降低期望风险。该方法充分利用支持向量机的小样本学习的高效性,实现了优秀的学习效果,减少了传统评价方法中的分歧误差和主观性因素的影响,更加符合宏观取向的评价结论。该研究成果可与信息熵、模糊数学等研究方法相结合,进一步增强数据拟合的精度,该方法对改进教师的教学水平、促进教学质量的提高具有一定的参考意义。     

基于支持向量机的综合评估方法的应用研究

将支持向量机(supportvectormachine,SVM)的分类思想应用于多指标综合评估。本文借助支持向量机的工具箱LS-SVMLABToolbox予以实现;针对实现过程中评估对象较多,易导致比较次数增加、相应的数据处理及后期排名过程复杂的情况,提出了利用快速排序法对该实现过程进行优化,从而减少了比较次数,提高了运行效率。最后结合实例证明SVM和快速排序法应用于综合评估的方法具有高拟合率,合理可行。     

基于粗糙集理论与支持向量机的纳税评估模型

研究纳税评估是对纳税人纳税情况进行评价的一种管理模式.为了区分纳税人是否正常申报税款,融合了粗糙集理论与支持向量机机器学习方法的优点,提出了一种新的纳税评估模型.通过选取纳税申报表中的指标,建立纳税评估指标体系,并利用粗糙集理论对指标进行属性约简,采用支持向量机对纳税人进行分类处理,建立了纳税评估模型.最后对上述模型进行了实例验证,实验结果表明,模型具有良好的纳税评估预测性能.     

基于支持向量机的水质浊度补偿研究

针对传统浊度传感器的非线性误差,无法满足直接对水中浊度进行精确测量的需求,提出了一种支持向量机的方法补偿其性能。而支持向量机中惩罚系数和核参数决定了其补偿的性能,传统支持向量机寻参方法速度慢、运算量大,具有一定的局限性。针对其参数的选择优化提出了改进的网格搜索法优化支持向量机,即采用改进的网格搜索法来针对水质浊度监测传感器补偿系统的特性来优化选择惩罚系数和核参数。实验结果表明,基于网格搜索法的支持向量机测量精度达到93.0%,其各项测量误差满足实际标准要求。     

基于支持向量机的多因素话务量预测研究

提高移动通信话务量的预测精度对提高网络性能、增进用户体验具有重要意义。由于多种因素会影响到移动通信话务量的准确预测,故选择多因素灰色话务量预测模型来预测话务量。先对数据进行预处理,用关联分析法找到影响话务量预测的主要因素。但此模型对波动较大的数据预测精度较低,用支持向量机的模型来改善预测结果,选取拥有较强的敛散性和全局寻优能力的复高斯小波核函数优化向量机。从仿真结果可以看出该模型有更好的收敛作用和较为理想的预测效果。     

基于支持向量机的个人信用评估

银行系统使用许多方法去对个人贷款申请进行评估。支持向量机(SupportVectorMachines,SVMs)是一个很有前途的新技术,文章将支持向量机应用到信用评估中,和古典技术K最近邻法相比得到了比较好的结果。     

基于支持向量机的水质监测数据处理

水质评价实际上是一个监测数据处理与状态估计、识别的过程,提出一种基于支持向量机的方法应用于水质评价,该方法依据决策二叉树多类分类的思想,构建了基于支持向量机的水环境质量状况识别与评价模型。以长江口的实际水质监测数据为例进行了实验分析,并与单因子方法及单个BP神经网络方法进行了比较分析。实验结果表明,运用该模型对长江口的实际水质监测数据进行的综合水质评价效果较好,且具有较高的实用价值。     

基于支持向量机的纹理识别方法研究

支持向量机是基于统计学习理论的模式分类器。它通过结构风险最小化准则和核函数方法,可以自动寻找那些对分类有较好区分能力的支持向量,由此构造出的分类器可以最大化类与类的间隔,具有较好的推广性能和较高的分类准确率,研究了将支持向量机理论用于纹理分类识别的方法,实验结果表明,该方法比传统的基于BP神经网络的识别方法识别准确率高。     

基于支持向量机的语音识别研究

为了得到较好的语音识别效果,构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统,取得了较高的识别率,并将该实验结果同基于HMM的识别结果进行了比较,显示出了支持向量机在基于有限样本情况下进行语音识别的优势。     

基于SVM和PSO的图像质量评价

为提高白噪声、高斯模糊、JPEG2000压缩等失真类型图像的评价准确率,提出一种基于支持向量机和粒子群优化算法的图像质量评价方法。提取样本图像数据和确定评价指标,对样本数据进行预处理。利用粒子群优化算法选择最优参数,使用最优参数对训练集数据进行训练,对预测集数据进行预测分析,并建立图像质量评价模型。实验结果表明,与线性回归模型、BP神经网络模型等传统方法相比,该方法的评价准确率较高,能够准确地反映人眼对图像的视觉感知。     

基于SVM和GA的图像质量评价方法

针对主观评价关联方法易陷入局部最优以及处理非线性、高维、小样本问题时效果不佳等问题,以均方误差、峰值信噪比、奇异值分解这3个图像质量客观评价指标和LIVE数据库评分作为学习样本,通过支持向量机学习得到主客观关联函数,利用遗传算法进行最优参数选取,由此得到具有主客观一致性的评价模型。测试结果表明,相比传统方法,该方法对图像质量的评价更准确。     

基于SVM的均衡管理系统研究

通过对开放式基金流动性风险进行特征分析,得出流动性风险均衡管理的指标,并基于SVM(支撑向量机)上建立了一种均衡管理系统。通过实验证明该系统对开放式基金管理人的决策具有较强的辅助性,有很强的实际意义。     

基于支持向量机的健康状态评估方法

随着高速铁路动车组的快速发展和应用, 其安全性和可靠性引起了广泛关注. 为了准确判别高速铁路动车组轴箱轴承(以下简称轴箱轴承)的健康状态情况, 提出通过采集轴箱轴承温度及在相同和不同转向架驱动侧、非驱动侧各个部件的温度数据, 利用主成分分析法(PCA)进行特征降维, 将基于决策树的支持向量机(DT-SVM)多分类算法作为判别算法, 同时结合层次分析法(AHP)确定向量值权重, 从而进一步提高分类精度. 大量实验表明该方法可使分类准确率提升5%左右, 此外通过建立健康状态评估模型,将轴箱轴承健康状态分为健康、温升、强温和激温四类, 有助于提高轴箱轴承健康状态的判别力和运维决策的准确性.     

多支撑向量网络研究

基于任务分解的策略，提出多支撑向量网络算法．由于每个子网络只完成相应的子任务，因而多支撑向量网络可以解决更为复杂的学习任务．同时整个系统更容易理解和修正并且具有更好的系统性能．仿真试验结果表明该方法是有效的．     

基于偏最小二乘回归和SVM的水质预测

针对传统水质预测方法中水质因子的多重相关性造成预测精度低的问题,提出了一种将偏最小二乘法和支持向量机相耦合的水质预测方法。利用偏最小二乘法提取对水质因子影响强的成分,从而克服了信息冗余问题,并降低了支持向量的维数。利用支持向量机建模可以较好地解决高维非线性小样本问题。同时利用改进的PSO算法优化SVM参数,减小参数搜索的盲目性。研究结果表明,本耦合模型的预测精度和运行效率明显优于常用的BP人工神经网络和传统的支持向量机,可以更好地应用于水质预测。