支持向量机算法研究头发微量元素与高血压的相关性

将Vapnik提出的支持向量机(Support Vector Machine，SVM)算法用于总结头发中多种微量元素含量与高血压的对应关系的结果。通过对26个高血压患者和27个健康人的头发样品的多种微量元素的定量分析，用支持向量机研究头发徽量元素与高血压的相关性，结果表明：若以头发中Al，Cu，Zn，Ca，Mg含量以及Zn／Cu比作为特征量集合作数据挖掘，所建数学模型对高血压患者与健康人的正确分类率可达96．2％，留一法预报正确率则可达86．7％。计算表明：支持向量机算法建模的正确分类率和留一法预报正确率均较Fisher法和KNN法等传统的模式识别算法高。因此，SVM算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的新算法，并可望在化学计量学领域得到进一步的应用。     

支持向量机-微量元素分析法判别乌龙茶、红茶与绿茶

茶叶中的微量元素含量与产地土壤中的微量元素含量有关，故可用多种微量元素的分析数据结合模式识别计算判别茶叶产地和品牌，本工作根据三类茶叶中Zn,Mn,Mg,Cu,Al,Ca,Ba,K,8种元素的分析数据，用支持向量机算法判别乌龙茶，红茶或绿茶，并用留一法检验其预报能力。计算表明，支持向量机算法结果优于Fisher法和KNN法。采用福建安溪铁观音乌龙茶样品的元素分析结果作测试样品，检验本工作所得数学模型，判别结果亦与实际符合。     

基于Gram-Schmidt过程的支持向量机降维方法

支持向量机是借助于最优化方法来解决机器学习问题的工具。在实际应用研究中,多元变量间的相关性是普遍存在的,这可能影响支持向量机分类模型的判别效率。因此文中提出了基于Gram—Schmidt过程的特征选择方法,来减少多重共线性的危害。该方法利用Gram-Schmidt正交化过程,在特征集合中选择判别力强的信息,并把挑选出来的特征集合变换成若干直交变量。这样不仅可以实现判别模型的变量筛选,同时也解决了多重共线性对判别模型的影响这一问题。文中进行数值实验,将所提算法与fisher判别法相比较,结果所提算法不仅降低了模型维度,预报准确率也有所提高,验证了所提方法的有效性。     

青海世居土族、藏族和回族人发中微量元素的支持向量机研究

用原子吸收光谱法测定青海土族、藏族和回族青年人体头发中的钙、铁、锌、铜、镁、锰和镉等7种元素的含量,用支持向量分类法比较研究.表明,在3个民族的头发之间,7种元素含量的综合水平存在着较显著的差别,其判别函数可以用于判别和预测这三个民族.并用留一法检验其预报能力.计算表明:支持向量机算法结果优于Fisher法.     

融合HOG与PCA算法的人脸识别

为了进一步研究人脸识别问题文章融合HOG特征与PCA算法对人脸进行识别研究。首先计算人脸图像的方向梯度直方图（HOG）,将输出的每一个特征向量纵向堆叠为一个二维矩阵。然后使用主成分分析（PCA）进行特征降维,减少特征间的相关性和噪声。最后使用支持向量机（SVM）进行分类识别。整个算法模型在ORL人脸数据库中进行实验,最终结果显示识别准确率为96.0%;使用ROC曲线评价该方法的优劣得到曲线下的面积为0.9898。     

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。     

卷积神经网络在车辆识别中的应用

针对现有车辆识别方法计算量大,提取特征复杂等问题,提出一种基于卷积神经网络(convolutional neural network,CNN)的车辆识别方法。构建卷积神经网络模型,分别使用不同的卷积核、网络层数、特征图数对网络进行训练;通过100次迭代的学习结果得到最优模型,提取隐含层所有特征,并结合支持向量机进行识别;系统分析了不同参数对测试正确率和样本均方误差的影响。实验结果显示,CNN+SVM在车辆识别中的准确率明显优于传统CNN、PCA+SVM、HOG+SVM、Wavelet+SVM,正确率为97.00%,分析了样本识别错误的原因以及今后需要改进的地方,为以后的研究指明了方向。     

SVM在移动通信客户流失预测中的应用研究

使用支持向量机(SVM,Support Vector Machine)数据挖掘方法对移动通信行业客户流失倾向进行预测,对支持向量机同决策树算法预测的结果进行对比,结果表明支持向量机对本文所选取的属性数据具有更强的分类能力,而且在不同训练数据规模情况下预测模型有较好的稳定性。实验证实,运用本研究模型选取全体客户的22.31%,可以预测出50.07%流失的客户,表明本研究中提出的预测模型具有实际应用价值。     

基于SVM的分类问题的研究

支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点。文章简要介绍了SVM的基本原理,然后利用支持向量机(SVM)进行两类分类和多类分类实验,比较不同核函数的结果。实验证明支持向量机的分类效果比较好。     

CNN-SVM算法在浸润性肺腺癌细胞初步诊断筛选系统中的研究与应用

为早期发现和及时治疗浸润性肺腺癌,提高医疗系统的运行效率和患者的早期检测的准确率,文章提出了一种基于卷积神经网络(Convolutional Neural Network,CNN)和支持向量机(Support Vector Machine,SVM)的初步诊断筛选模型。该诊断筛选模型通过对病理苏木精-伊红(Hematoxylin and Eosin,HE)图像进行卷积神经网络的训练,提取图像中的特征信息,并利用支持向量机算法进行分类判定。实验结果表明,该方法能够自动识别和标记图像中的癌细胞,为医生提供更准确的初步诊断结果,辅助医生制定治疗方案。与其他方法相比,设计方法的分类准确率更高,泛化能力更强。     

捕鱼算法优化支持向量机的视频检索模型

为了提高视频检索的准确率,针对支持向量机(SVM)参数优化问题,提出一种捕鱼算法优化SVM的视频检索模型(SFOA-SVM)。首先提取视频特征,然后采用支持向量机建立分类器建立检索,并通过鱼群算法化SVM参数,最后采用具体视频数据进行仿真测试。实验结果表明,相对于其它视频检索模型,SFOA-SVM提高了视频的检索准确率和效率,可以更准确地查找到用户所需的视频。     

遗传算法优化支持向量机用于语谱图识别

本文提出了一种新的语谱图识别算法,该算法首先利用遗传算法(GA)对支持向量机(SVM)中两个重要参数(惩罚参数c和核函数参数g)进行大范围的寻优,然后利用最佳参数训练支持向量机,最终实现对语谱图的识别.     

基于PSO-SVM的发动机故障诊断研究

针对发动机的故障分类问题,提出了一种基于粒子群(PSO)优化支持向量机(SVM)的发动机故障诊断方法,采用粒子群算法优化支持向量机的惩罚系数C和核宽度系数σ,并在MATLAB环境下对发动机进行故障类别诊断,通过对发动机典型故障的诊断研究表明,采用PSO-SVM算法模型的故障诊断的精确度和效率都得到了提高,该方法与BP神经网络、PSO-BP、标准SVM相比,有较高的分类准确率,准确率可高达100%;与GA-SVM方法相比,诊断效率有所提高,从而验证了该方法在发动机故障诊断中的有效性。     

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式--Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。     

多气体的SVM数据融合定性识别方法

针对基于神经网络的多气体定性识别方法中存在的过学习和泛化能力差的问题,提出了一种基于支持向量机(SVM)与多传感器数据融合的多气体定性识别方法。该方法采用结构化风险最小化准则的多类分类支持向量机对由多个气体传感器、温度和湿度传感器组成的传感阵列的数据进行融合,克服了传统方法的缺陷,消除了环境温度与湿度等因素的影响,实现了100%的定性识别率,实验结果证明了该方法的有效性。     

多级中文文本情感分类算法研究

针对文本情感分类准确率不高的问题,提出基于CCA-VSM分类器和KFD的多级文本情感分类方法。采用典型相关性分析对文档的权重特征向量和词性特征向量进行降维,在约简向量集上构建向量空间模型,根据模型之间的差异度设计VSM分类器,筛选出与测试文档差异度较小的R个模型作为核Fisher判别的输入,最终判别出文档的情感观点。实验结果表明:该方法比传统支持向量机有较高的分类准确率和较快的分类速度,权重特征和词性特征对分类准确率的影响较大。     

基于两阶段学习的半监督支持向量机分类算法

提出了一种基于两阶段学习的半监督支持向量机(semi-supervised SVM)分类算法.首先使用基于图的标签传递算法给未标识样本赋予初始伪标识,并利用k近邻图将可能的噪声样本点识别出来并剔除;然后将去噪处理后的样本集视为已标识样本集输入到支持向量机(SVM)中,使得SVM在训练时能兼顾整个样本集的信息,从而提高SVM的分类准确率.实验结果证明,同其它半监督学习算法相比较,本文算法在标识的训练样本较少的情况下,分类性能有所提高且具有较高的可靠性.     

果蝇优化算法融合SVM的风机叶片损伤识别研究

为提高风机叶片裂纹损伤和边缘损伤识别的准确率,提出使用果蝇优化(FOA)算法和支持向量机(SVM)相结合的方法。使用硬件系统采集两类损伤故障的声发射信号,然后对信号进行小波处理,提取能量特征,根据能量特征信息,建立支持向量机模型,测试其准确率;采用果蝇优化算法优化支持向量机参数,使模型损伤识别更准确,并将优化后模型识别结果与粒子群优化(PSO)算法优化支持向量机后的识别结果相比较。仿真结果表明,使用果蝇优化算法优化后的支持向量机模型的识别精度更高,能够准确地实现对风机叶片损伤的识别。     

基于SVM的视频关键帧语义检索系统

为缩小"语义鸿沟",探讨了将支持向量机(SVM)应用于视频语义检索,提出了利用多变量支持向量机回归方法(SVR)进行语义自动标注,再将SVM分类应用于关键帧的语义检索的反馈中,改进了传统的SVM反馈方法.一方面记忆并累加样本集,优化负例选择,平衡正负样本数目,使训练集样本保持动态增长的平衡状态;另一方面,保存每次满意查询的SVM模型,使本次的反馈信息得以继续使用,从而建立SVM反馈的长期记忆机制.实验结果表明,与基于内容的SVM反馈检索相比,改进后的基于SVM反馈的视频语义关键帧检索的准确率和检索效率都有所提高.     

户外天气状况分类识别

针对户外监控系统需要利用图像画面进行天气状态识别的问题,提出了一种新的词袋模型,以及SVM和随机森林相结合的分类方法,对晴天与阴天两类天气状态进行识别.词袋模型利用SIFT特征,通过聚类构建词典,并用最小二乘法求解最佳图像的词典结构参数,最终根据金字塔匹配得到多尺度图像词袋模型特征.分类器的构造采用支持向量机（SVM）作为一级分类器,对小置信样本进行粗分类,之后,再利用随机森林构造作为二级分类器进行判别.通过对两类天气图像集的10 000张图像进行测试,其识别准确率验证了方法的有效性.