混合核SVM财务欺诈识别

通过线性组合构造混合核函数,建立一种基于混合核学习的支持向量机财务欺诈检测模型。利用蜂群算法对混合核函数参数进行寻优,获取最佳参数,并对给定的训练样本进行学习,得出最佳输入输出关系,从而对财务数据进行识别检测。实例测试结果表明,该模型与单核的支持向量机模型相比,识别精度和鲁棒性都有所提高。     

模糊多核一类支持向量机

随着一类支持向量机(OCSVM)在类别不平衡数据的分类问题或异常检测方面的广泛应用,该算法的局限性也逐渐显现出来.一是算法的性能易受噪音的影响,其鲁棒性较差.二是算法中核函数核参数的选取尚无一般性适用方法.为同时解决上述两个问题,将模糊隶属度引入到多核一类支持向量机(MKOCSVM)中,提出了模糊多核一类支持向量机(FMKOCSVM)模型.首先,由数据间的模糊关系获得训练样本的模糊隶属度;然后以加权求和的方式合成组合核代替单核,核权重通过核对齐的思想计算.在人工数据集上证明了该模型的有效性,并在UCI数据库上进行了仿真实验,结果显示此方法具有较高的分类性能,既避免了核选择难题,又提高了抗噪音能力.     

一种新的自适应组合核函数

核选择是支持向量机研究中的核心问题之一,不同的核函数将产生不同的分类效果.研究了核参数和误差惩罚参数对支持向量机推广能力的影响,然后根据局部核函数与全局核函数的各自优点,提出了一种新的自适应组合核函数,并将该核函数应用于支持向量机中.最后,利用该自适应核进行不同领域数据的实验,实验结果表明由该核函数建立的支持向量机具有更好的预测能力.     

基于组合核函数支持向量机的人脸识别

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。为了得到学习能力和泛化能力较好的核函数,根据核函数性质,将局部核函数和全局核函数线性组合成新的核函数-组合核函数,采用Cross-Validation方法对其参数和组合系数进行优化选择;将该核函数应用于支持向量机中,并对YALE人脸库和ORL人脸库进行实验。仿真结果验证了该核函数的有效性。与普通核函数的支持向量机的比较实验表明:该组合核函数的支持向量机优于普通核函数的支持向量机。     

基于遗传算法与经验误差最小化的SVM模型选择方法

支持向量机（SVM）的推广能力依赖于核函数形式及核参数和惩罚因子的选取,即模型选择.在分析参数对分类器识别精度的影响基础上,提出了基于遗传算法和经验误差最小化的支持向量机参数选择方法.在13个UC I数据集上的实验表明了本文算法的正确性与有效性,且具有良好的推广性能.     

基于单类支持向量机的工业控制系统入侵检测

针对工业控制系统数据非线性、高纬度和不平衡等难题,本文从提高工业控制系统入侵检测的准确性入手,结合单类支持向量机算法,提出一种单类支持向量机异常检测方法。该方法在核主成分分析过程中加入Fisher-Score算法,实现了对数据集的特征提取,降低了后续单类支持向量机入侵检测模型训练和识别的复杂度;同时加入免疫克隆选择和协同进化等策略,采用分层协同免疫粒子群参数优化算法对单类支持向量机参数进行寻优,增强算法的综合性能,解决了基本粒子群算法在单类支持向量机参数寻优过程中存在的易陷入早熟收敛和局部最小值等问题;最后构建了基于优化后的单类支持向量机算法的入侵检测模型,并进行对比实验验证。实验结果表明：优化后的检测模型在训练时间、学习泛化能力和检测性能上都有明显提升。     

煤炭需求量预测的支持向量机模型

根据选择的嵌入维数，建立了基于支持向量回归的中国煤炭需求量预测模型．用1980-2002年的中国煤炭需求量构造了支持向量机的输入向量和输出向量；经过与线性核函数及Sigmoid核函数的对比，选用基于径向基函数（RBF）作为校函数，在分析预测误差和模型参数关系的基础上，选择了合适的参数；建立了多输入、单输出的支持向量机（SVM）预测模型．用检验样本与基于RBF神经网络模型的预测进行了比较，结果表明支持向量机模型在训练样本较少的情况下，仍有较高的预测精度和较强的泛化能力，证明了该模型时近期的预测是可靠的．最后用训练好的支持向量机模型很好地预测了2003-2006年我国的煤炭需求量．     

膨胀土等级判别的遗传支持向量机多分类方法

针对支持向量机模型中的参数难以确定的状况,提出了遗传支持向量机方法,即利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力,并将该方法应用于膨胀土胀缩等级的判别分类问题。考虑影响膨胀土判别的重要因素,选用液限、胀缩总率、塑性指数、天然含水量和自由膨胀率5个指标作为模型的判别因子,以4类膨胀土胀缩等级作为相应的输出,以膨胀土实测数据作为学习样本进行训练,建立相应分类函数对待判样本进行分类。研究结果表明：遗传支持向量机模型分类性能良好,预测精度高,是膨胀土胀缩等级分类的一种有效方法,可以在实际工程中进行推广。     

稀疏隐空间支持向量机

利用L1范数放宽函数集的VC维上界．构造出基干L1范数的结构风险．在隐空间中，利用这一结构风险，提出了稀疏隐空间支持向量机．由于L1范数具有诱导稀疏性的本质，使得稀疏隐空间支持向量机获得了良好的稀疏性．同隐空间支持向量机一样．稀疏隐空间支持向量机对核函数没有Mercer条件的限制．扩大了核函数的选择范围．在人工和基准数据集上的分类和回归实验表明．所提算法具有同支持向量机相当的推广能力，并且其稀疏性优于支持向量机，从而使得函数评价速度大大加快．     

支持向量机原始问题研究综述

支持向量机学习器往往是通过求解原二次优化问题的对偶问题获得的。诸多研究表明,支持向量机原始问题同样可以适当地处理约束项,同时,突破以前原二次优化问题不能利用核函数的认识误区,通过引入核函数建立一个无约束优化问题,利用传统优化方法进行求解。理论分析和实验表明,支持向量机原始问题也能实现对数据的高效学习,而且在大规模数据学习问题上,较之求解对应的对偶问题获得的近似解更可靠,参数选择也更好进行。     

双核函数最小二乘支持向量机汽油干点软测量建模

针对单核函数最小二乘支持向量机容易陷入局部最优值,提出双核函数最小二乘支持向量机软测量建模算法。该方法利用Sigmoid核函数与RBF核函数线性加权构成双核函数,去除部分较小支持向量样本的方法,改善最小二乘支持向量机的稀疏特性,提高模型运算速度,用k-交叉验证法进行部分参数的优化,最后将此方法用于建立汽油干点软测量模型,并与标准支持向量机、单核最小二乘支持向量机比较,结果表明双核函数最小二乘支持向量机软测量模型具有更高的计算精度和更好的推广能力。     

基于支持向量机的聚氯乙烯耐有机溶剂性能分类

支持向量机是一类全新的小样本统计学习方法,它通过支持向量对样本进行分类或统计回归.将其应用于对非晶态聚氯乙烯的耐有机溶剂性能进行分类研究.选择74种溶剂(73种有机溶剂和水)的溶解度参数分量,即色散参数(δds)、偶极参数(δps)、氢键参数(δhs)为描述变量,采用径向基核函数,以留一法交互检验的识别率为目标函数进行支持向量分类.当选择SVM参数C=512及径向基核函数参数γ=0 5×10-3时,SVM对PVC耐蚀性能分类的模型识别率为94 59%,LOO识别率为91 89%.     

基于支持向量机的高速公路事件检测算法研究

高速公路事件检测是交通信息工程及控制学科中的一项重要研究课题,以高速公路交通流的特点为研究对象,提出了一种基于支持向量机(SVM)的高速公路事件检测算法.根据支持向量机的基本原理,分别设计了基于线性不可分SVM、齐次多项式核函数、高斯径向基核函数、双曲线正切核函数等不同核函数的事件检测算法.仿真结果表明:针对不同的交通流状况,选择合适的SVM模型和核函数,得到的检测结果与经典的加利福尼亚算法相比,检测效率高,性能指标好,具有较高的实际应用价值.     

基于支持向量机的高压断路器故障诊断方法的研究

基于支持向量机的故障诊断技术逐渐成为当前故障诊断领域研究的热点问题,而高压断路器作为关系电力系统可靠性的重要设备,其故障与否直接关系到整个电力系统的稳定.本文通过比较多种核函数的多重参量,最终选择适合高压断路器的核函数;通过分析传统交叉验证法,提出改进型交叉验证(K-CV)法,最后利用高压断路器现场实际数据作为样本,采用Libsvm工具箱,通过不断地参数寻优,最终得出故障分类结果.实验结果表明,采用的基于径向基核函数改进型10-CV交叉验证法支持向量机能更快速、准确的判断高压断路器故障类型.     

SVM核函数对分类精度影响的研究

支持向量机是一种基于统计学习理论的新型机器学习算法,它通过求解最优化问题,在高维空间中寻找最优分类超平面,从而解决复杂数据的分类、回归问题.文中介绍了支持向量机的基本算法原理及其分类方法,重点研究将核函数引入不可分的情形.本文通过改变核函数的参数,采用对比实验来比较分类精度,同时根据Mercer条件形成新的线性组合核函数,最后得出通过改变核函数参数与线性组合核函数的方法可以明显提高分类的精度.     

混响背景中信号检测的特征核支持向量机

针对支持向量机的核函数对检测性能的影响,分析了核函数在特征空间中的作用.利用混响和目标回波的非高斯特性上的差异设计了特征核函数,即将核函数改进为任意2个样本高阶统计量的几何均值与原核函数乘积的形式,使其自适应调整核函数值,从而提高分类性能.实验证明了采用特征核函数后扩大了2类样本间的距离,并且仍然满足Mercer定理.将特征核支持向量机应用于高斯或非高斯分布混响背景中的信号检测,结合实际应用给出了训练和检测算法.实验及仿真研究表明,当选取2类样本差异较大的高阶统计量作为特征量时,混响背景为非高斯分布时,其检测性能优于匹配滤波器以及基于传统核函数的支持向量机.     

支持向量机的蛋白质远程同源检测方法分析

支持向量机是目前蛋白质远程同源检测应用最成功的方法。在介绍这些基于支持向量机核方法的原理之后,比较这些检测方法的不同之处;再从复杂性角度对比分析不同方法的计算效率;最后指出核方法中核函数的选取也决定支持向量机的分类能力。     

一种混合核函数支持向量机算法

提出一种基于混合核函数的支持向量机算法.首先证明了常用核函数的非负线性组合也是满足Mercer条件的核函数.然后通过最小化衡量二次损失函数支持向量机泛化能力的RM界来进行各子核函数参数、混合核函数组合系数以及惩罚系数的选取.仿真实验表明,基于混合核函数的支持向量机的泛化性能优于基于单一核函数的支持向量机.     

基于K型核函数的支持向量机

提出了一个可行的支持向量核函数——K型核函数,由此得到了K型支持向量机.证明了K型核函数满足Mercer条件且是转移不变支持向量核函数,分析了K型核函数具有较小的计算量和计算时间代价,并且相应的K型支持向量机具有较高的精确性和较好的泛化能力,利用K型核函数得到了一种新型的K型支持向量机.最后给出了几个计算机模拟的实例,包括支持向量回归和支持向量分类,来说明K型支持向量机的优势.     

多支持向量机的乳腺肿瘤识别

针对乳腺肿块具有大小不固定和个体差异等特性,提出了一种多支持向量机对乳腺肿块的识别方法.选择八个方向上的支持向量生成分类器,选取高斯核函数作为核函数,其中取σ=30时分割正确率达到97.3%.表明多支持向量机应用于乳腺肿块识别可以获得较好的识别效果,为进一步的医学诊断提供可靠的依据.