基于多分类支持向量机的P2P流量识别模型的设计

文章研究了SVM(支持向量机)在P2P流量识别中的应用技术。首先介绍了一个基于SVM的P2P流量识别方法,对网络中的P2P流量进行识别,接着对经典1-vs-all多分类SVM算法进行了改进,提出了一个新的基于MC-SVM(多分类支持向量机)的分类判别方法,用来把之前所识别出的未知具体应用层分类的P2P流量进行应用层分类,最后通过真实的网络流量数据的实验,证明了其可行性。     

支持向量机推广能力估计方法比较

支持向量机是一种新的机器学习算法，与其它学习算法相比，它的最大优点是基于结构风险最小化原则，因而能够保证推广能力。推广能力估计是机器学习中的一个重要问题，是实现自适应调整、参数选择、模型选择的等方法的基础。本文详细比较当前较有影响的几种推广能力估计方法，指出了这些方法适应范围和优缺点，并结合各种方法的原理讨论了推广能力估计可能的发展方向。     

一种基于支持向量机的分类算法

支持向量机是在统计学理论基础上提出的一种新的机器学习方法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并成功地应用在文本分类、图像识别、生物信息处理等领域。这里简要介绍了支持向量机算法及其应用，并且讨论了其未来的发展方向。     

基于支持向量机的电子邮件分类模型设计

本文就目前电子邮件的数量越来越多，人们急需一种分类机制，设计了基于支持向量机的电子邮件分类模型，有效的对电子邮件进行分类，并可对垃圾邮件进行过滤。     

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.     

基于支持向量机的飞行执照成绩预测研究

成绩分析为学生管理提供指导,为教学管理决策提供依据.传统的成绩分析只是对均值、挂科率等数据进行简单的统计分析,具有一定的局限性.文章在飞行学生成绩管理中,引入支持向量机SVM这种监督学习算法.将飞行学生的平时成绩和纪律表现等多个维度的数据作为输入,将执照通过情况标记为正类和负类,并作为模型输出.实验结果表明,支持向量机...     

基于支持向量机回归的模型辨识

提出了一种简化的基于遗忘因子矩形窗算法的最小二乘支持向量机回归算法。其针对标准支持向量机存在的缺陷,引入最小二乘、矩形窗以及遗忘因子等思想对其进行改进,最后通过仿真验证了该方法的有效性。     

基于支持向量机的网络参数模型研究

使用模糊层次分析法对支持向量机的两个参数进行寻优,并用寻找到的最优参数训练支持向量机,建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优,然后用寻找到的最优参数训练支持向量机,最后建立预测模型,预测网络流量。实验结果表明,该方法不但可以较好地跟踪网络流量变化趋势,使网络流量的预测值与实际值非常接近,而且预测误差变化范围波动小,是一种有效且预测精度高的网络参数模型。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于支持向量机的机会网络链路预测

研究机会网络中的单节点对的链路预测问题,从空间相似性和时间特征两个角度分析单节点对的连接概率。利用CN、PA、Adamic-Adar和LP四个相似性指标描述节点对的空间相似性程度,构建基于单节点对空间相似性的模型SSVRC;利用一个时间段中的连接频次、连接时长占时间段总长度比值、最近几个时间段的平均连接频次及连接频次的增长趋势四个特征表现节点对的时间特征,构建基于单节点对时间特征的模型T-SVC;综合考虑节点对的空间相似性和时间特征,对S-SVRC和T-SVC模型的预测结果加权融合,构建模型TS-SVC。采用AUC、Precision和F1值评价预测结果,通过ITC、2005年的UOI以及2006年的UOI数据集上的对比实验结果表明,TS-SVC模型具有更好的预测效果。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于主成分分析的支持向量机回归预测模型

首先利用主成分分析法降低样本数据的维数,建立主成分的多元回归预测模型,其次利用支持向量机方法确定回归模型的系数,最后实例说明了该模型具有较高预测精度.     

基于支持向量机的多类分类研究

现今流行的分类方法的重要基础是传统的统计学，前提是要有足够的样本，当样本数目有限时容易出现过学习的问题，导致分类效果不理想。引入支持向量机方法，它基于统计学习理论，采用了结构风险最小化原则代替经验风险最小化原则，较好的解决了小样本学习的问题；又由于采用了核函数思想，把非线性空间的问题转换到线性空间，降低了算法的复杂度。对其相关内容包括优化算法及多类分类问题的解决进行了研究，最后用一个实例说明了该方法的可行性和有效性。     

遗传算法优化支持向量机的交通流量预测

交通流量预测是智能交通系统中的关键技术,针对当前交通流量预测模型存在不足,提出一种遗传算法优化支持向量机的交通流量预测模型。首先收集交通流量历史数据,并基于混沌理想对其进行相空间重构,然后将训练样本输入到支持向量机中进行学习,并采用遗传算法优化支持向量机参数,建立交通流量预测模型,最后采用测试样本对模型的性能进行测试。结果表明,相对于经典交通流量预测模型,本文模型可以更加准确描述交通流量预测复杂的变化趋势,提高了交通流量的单步和多步预测精度。     

支持向量机漏电特征模型的电力设施漏电识别

针对电力设施中漏电引起的故障问题,提出了新型的漏电特性分析方法,该方法融合了基于支持向量机的漏电算法模型,实现了电力设施漏电特性的图像采集和A/D转换处理,最后输出后的数据信息通过DSP计算模块进行计算,最终输出电力设施的强电漏电信息或者弱电漏电信息,实现了电力设施漏电信息的识别.该研究将传统技术中的漏电难以分析的问题...     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

基于相关向量机的信噪比估计算法

为了使已有PSK信号信噪比估计算法在平坦衰落信道下,能够同时满足估计范围大、估计精度高的要求,提出了一种基于相关向量机（RVM, relevance vector machine）的信噪比估计新算法。该方法在建立起信噪比与二阶、四阶矩之间关系的基础上,应用相关向量机建立估计模型,并通过训练学习,得到可靠的模型权值。实验表明,利用测试数据对信号信噪比进行估计时,相对于其他算法,该算法具有使用数据量少,估计范围广,在有效的估计范围内,估计精度较高,且适用于多种调制信号的特点。     

基于特征加权和支持向量机的图像分类研究

利用图像特征加权方法和支持向量机实现了图像的有效分类。首先根据特征的稳定性来判断特征的重要程度,从而赋予不同权重;然后借助支持向量机实现图像分类;最后采用不同颜色和纹理特征验证了在特征加权和不加权情况下图像分类的准确程度。实验结果表明本文的方法有效提高了图像分类的准确性。     

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用.探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能.