面向大数据的SVM参数寻优方法

研究数据回归问题,进行快速寻优,传统SVM参数寻优因采用大范围遍历搜索算法,需消耗大量时间,不适用于对大数据集进行训练.基于均匀设计与自调用支持向量回归,为缩短寻优时间,加快速度,提出了一种有效降低搜索时间的策略.根据均匀设计产生27个具有代表性参数组合,每个组合对训练集经交叉测试得其均方误差MSE,再以MSE为目标函数,通过自调用支持向量回归建立其与27个参数组合之间的关系模型.基于关系模型预测729个参数组合对应的MSE,并以MSE最小寻找最优参数组合.3个实例数据集的仿真结果表明,新方法在保证预测精度的同时,大幅度缩短了训练建模时间,为大数据集支持向量机参数选择提供了新的有效解决方案.     

基于均匀设计的最小二乘支持向量机改进算法

针对最小二乘支持向量机模型的参数选取耗时长,容易陷入局部最优而导致过拟合的问题,提出了一种基于均匀设计的将大样本搜索转化为小样本搜索技术的参数寻优方法.把支持向馘机算法的每一次训练过程作为一个试验考虑,试验影响因子为算法的参数,运用均匀设计的手段进行方案设计,采用统计的方法对结果进行分析和选择.最后把该方法应用于3个大样本数据集建模中的参数优化,仿真结果表明方法大幅度减小了时间复杂度,较好地解决了最小二乘支持向量机的参数优化问题,同时获得精确的建模效果.     

基于支持向量机的备件需求预测研究

针对传统以统计学为基础的预测方法难以解决小样本预测精度不高的实际问题,将支持向量机回归原理应用到备件需求预测领域,构建基于支持向机备件需求预测模型,以及需求预测结果准确率的评价指标。以实际数据为例,分别运用了指数平滑法、网格搜索法优化参数的支持向量机和遗传算法优化参数的支持向量机进对重点备件的需求量进行预测,验证了遗传算法优化的支持向量机预测性能的先进性。结果证明将支持向量机理论应用到备件保障领域具有重要的实用价值。     

基于遗传算法支持向量机的网络入侵预测

在预测网络安全问题的研究中,针对网络入侵检测优化问题,为了改变传统入侵检测算法存在训练精度高,预测精度相当低的过拟合难题,提出一种基于遗传算法的支持向量机。支持向量机首先利用遗传算法搜索最优的支持向量机参数,然后用得到的最优参数来训练,利用训练得到的最优算法模型对测试集进行建模预测。并利用支持向量机对KDD 1999 CUP数据集进行了仿真。实验结果表明,方法在降低训练时间的同时有着很好的检测率,优于经典的神经网络算法,方法提高了预测效率。     

聚类分片双支持向量域分类器

针对支持向量域分类器对大规模样本集的训练时间长且占用内存大的问题,构造聚类分片双支持向量域分类器。以均值聚类剖分原始空间,并选取密度指标大的样本作为初始聚类中心;对子空间构造双支持向量域分类器,根据样本与正负类最小包围超球的距离构造分段决策函数;定义样本的变尺度距离,以链接规则组合子空间的分类结果。数值实验表明,所提出算法的分类精度高且受参数变化的影响不大,分类时间短且随子空间数的增加而降低。     

支持向量机在GDP回归预测中的应用研究

支持向量机是一种新的回归方法,介绍了基于支持向量机的回归建模技术,并应用于GDP的回归预测。GDP属性子集的特点是训练数据量比较少、含有稀疏数据。在转换、添加、下钻GDP相关属性的情况下对支持向量机的参数进行实验分析。实验结果显示支持向量机能很好的处理属性集的变化并得到很好的预测效果。     

稀疏Tikhonov正则化多分类支持向量机

Tikhonov正则化多分类支持向量机是一种将多分类问题简化为单个优化问题的新型支持向量机.由于Tikhonov正则化多分类支持向量机利用全部类别数据样本构建核函数矩阵,因此不适合大规模数据集的模式分类问题,鉴于该原因,一种稀疏Tikhonov正则化多分类支持量机被建立,其训练算法首先构建样本重要性评价标准,在标准下通过迭代学习获取约简集,最后利用约简集构建核函数矩阵并训练支持向量机.仿真实验结果表明稀疏Tikhonov正则化多分类支持向量机在训练速度和稀疏性方面具有很大的优越性.     

基于支持向量回归的单步多分类算法

分析了利用支持向量回归求解多分类问题的思想,提出了一种基于局部密度比权重设置模型的加权最小二乘支持向量回归模型来单步求解多分类问题：该方法先分别对类样本中每类样本利用局部密度比权重设置模型求出每个样本的权重隶属因子,然后运用加权最小二乘支持向量回归算法对所有样本进行训练,获得回归分类器。为验证算法的有效性,对UCI三个标准数据集以及一个随机生成的数据集进行实验,对比了多种单步求解多分类问题的算法,结果表明,提出的模型分类精度高,具有良好的鲁棒性和泛化性能。     

用于彩色图像分割的支持向量机的快速训练

为了加快用于图像分割的支持向量机算法的训练速度,本文提出主动选择样本简化训练集的新方法.该方法根据像素在颜色空间的统计特性构建可分的训练集,并采用均匀抽样策略大大缩减训练集规模而不降低分类正确率,使得支持向量机可以实时训练,并为参数调整带来便利.由此发展了一种非监督算法与支持向量机相结合的自动图像分割方法.通过支持向量机在线训练,新方法可以获得较高的分割精度,有较好的鲁棒性,现已应用于彩色血细胞图像分割.     

面向时序预测的支持向量回归参数选择方法

支持向量回归作为一种新的学习方法,在用于时间序列建模与预测时具有较好的泛化性能和预测能力.在支持向量回归建模的过程中,参数的选择对于模型的准确性至关重要.针对目前支持向量回归模型参数优化中存在的问题,提出一种面向时间序列预测的支持向量回归参数选择方法.根据时间序列及其预测的特点,对传统的交叉验证方法进行了改进,在保证时间序列预测方向性特征的基础上,充分挖掘有限样本所包含的信息,并将之与(-加权的支持向量回归相结合以选择好的模型参数.典型时间序列上的实验结果表明了所提出的支持向量回归参数选择方法的有效性,该方法在用于时间序列预测时取得了良好的效果.