支撑矢量机推广能力分析

本文针对两种不同用途的支撑矢量机 ,分类支撑矢量机和回归支撑矢量机 ,分别证明了它们的一些几何性质 ,从这些性质出发讨论了这两种支撑矢量机对新增样本的推广能力 ,新增样本对支撑矢量 ,非支撑矢量的影响以及新增样本本身的一些特点 ,得到了一些非常有价值的结论 .从这些结论可以看出支撑矢量机对新增样本具有良好的推广能力 ,即对新增样本的良好的包容性和适应性 ,并且支撑矢量机是一种可积累的学习模型 .     

线性规划支撑矢量机

本文通过对统计学习理论中一些重要结论,特别是线性函数VC维数的分析,得到了一种线性规划支撑矢量机,包括线性规划线性支撑矢量机和线性规划非线性支撑矢量机.在线性规划支撑矢量机中,对其VC维数界作了适当的放宽.文中最后对人工和实际样本进行了实验,结果说明了线性规划支撑矢量机在推广能力上较好地逼近了原支撑矢量机,而在计算复杂度上明显低于原支撑矢量机.     

支撑矢量预选取的中心距离比值法

支撑矢量机为小样本模式识别提供了一新的途径,但其支撑矢量的选择相当困难,也成为其应用的瓶颈问题.对此,本文提出了一种能够预先选取支撑矢量的方法——中心距离比值法.该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度.文中给出的仿真实验结果也验证了该方法的有效性和可行性.类似的结果在国内外还未见报导.     

一种基于支撑矢量机的多用户检测算法

与现有的机器学习算法相比,在样本有限的情况下,支撑矢量机具有更强的分类推广能力.本文将支撑矢量机与多用户检测相结合,提出了一种新型的多用户检测算法.理论推导和仿真结果表明该算法的有效性.     

回归型支撑矢量机的罚函数法及其改进算法研究

介绍了用于回归估计的支撑矢量机,针对标准罚函数法训练速度慢和不能有效区分不同样本重要程度的问题,将两种改进算法用于支撑矢量机的回归估计,并通过仿真实验分析了算法的训练效果,证明了算法的可行性。     

自适应支撑矢量机多用户检测

最佳多用户检测器是非线性检测器,特征码不完全正交时,线性检测器很难逼近最佳检测器.通常无线通信信道具有时变性,要求多用户检测算法具有自适应性.本文提出了一种自适应支撑矢量机方法,并把它用于信道时变情况下的多用户检测.一方面由于支撑矢量机引入的结构风险不仅包括经验风险最小化,而且又包括了容量控制项,这使得支撑矢量机多用户检测推广能力较好且对训练要求的样本数也大大下降;另一方面由于支撑矢量机的非线性特性可以比线性检测器更好地逼近最佳检测器.仿真结果较好地证实了该方法的可行性和有效性.     

支撑矢量预选取的双色Voronoi图方法

支撑矢量机是在统计学习理论的基础上发展出来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在支撑矢量机中,支撑矢量的选取相当困难,成为其应用的瓶颈问题。该文利用Voronoi图在特征空间特有的构造特性,提出了一种预先选取支撑矢量的新方法双色Voronoi图方法。该方法针对数据在空间的分布特性,在训练支撑矢量机以前,利用样本数据的双色Voronoi图确定候选的支撑矢量,然后在这些预选的矢量上进行学习。试验证明了该方法的有效性及可行性。     

基于支撑矢量机的通信信号调制识别方法研究

提出了一种应用小波变换提取分类特征的基于支撑矢量机的通信信号调制识别方法。使用多个支撑矢量机分类器构成一个多类分类器用于多类信号的调制识别。在中频进行处理,不需要同步信息;利用支撑矢量机具有更好的推广能力,可以使用较少的训练样本。计算机仿真结果表明该方法可以很好地工作于信噪比变化范围较大的通信环境。     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理，并利用支撑矢量机对雷达目标一维像进行了识别，识别的结果表明了该方法的优越性，并显示它可以对残缺不全的样本进行识别。     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别.     

探地雷达多目标识别方法的研究

与现有的机器学习算法相比,在有限样本的情况下,支撑矢量机具有更强的分类推广能力。该文在提出利用非线性映射进行探地雷达目标识别的基础上,将多目标识别支撑矢量机与探地雷达目标识别相结合,得到了基于一对一(One against one) 支撑矢量机的探地雷达多目标识别方法。所提方法包括基于一对一的探地雷达多目标识别方法、交叉验证的参数选取方法、多通道识别方法;并且和传统的神经网络识别方法进行对比分析。所提识别方法可以与各种目标特征选取方法相结合。对实测数据的对比处理表明所提方法优于传统探地雷达目标识别方法,所得结论对探地雷达目标识别的研究有指导意义。     

尺度核函数支撑矢量机

本文提出了一种可容许的支撑矢量机核—尺度核.该尺度核函数可以被看作是一个具有平移因子的多维尺度函数,它能作为平方可积空间的子空间上一组完备的基函数.在此意义上,采用尺度核函数的支撑矢量机,可以认为是在尺度空间中寻找最佳的尺度系数.因此在理论上尺度核函数支撑矢量机能够以零误差逼近某一空间上的任何目标函数,文中给出的仿真实验进一步验证了它的可行性和有效性.     

基于微分容量控制的学习机

本文通过对函数集容量的分析,得出用函数的微分来控制函数集容量的学习方法.该方法不仅能用支撑矢量核函数而且可以采用其他的函数作为基函数.基于样本的机器学习,要求学习机在容量控制和过拟合之间取一个折衷,从而保证学习机的推广能力和误差精度.本文通过在微分容量控制和最小化经验误差之间作一个折衷,提出基于微分容量控制的学习机.仿真实验验证了我们的学习机具有良好的推广能力.     

基于小波支撑矢量机的陀螺仪漂移预测

提出了基于小波支撑矢量机的导弹惯性器件故障预报方法。将子波核函数应用于支撑矢量机,得到小波支撑矢量机（WSVM）方法,用于某陀螺仪漂移时间序列预测中,预测精度优于基于传统核函数的支撑矢量机。通过仿真实验证明了算法的有效性和可行性。     

子波核函数网络

提出一种子波核函数网络作为支撑矢量机的一种替代学习机,仿真实验验证了子波核函数网络的逼近性能和识别性能都可以与相应的支撑矢量机相媲美,并优于子波神经网络.     

基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性，对一定角域内的HRRP非相干平均，提取具有平移不变性的中心矩作为特征向量，采用Karhunen-Loeve变换进一步进行特征压缩，建立相应的支撑矢量机（SVM）分类算法，与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较，该方法在减少计算量的同时具有较高的识别率，具有良好的推广能力。     

DCSK通信系统中的一种LS-SVM降噪方法

本文提出了基于最小二乘支撑矢量机(LS-SVM)学习算法的一种DCSK混沌通信系统降噪方法。在发信端混沌信号的动力学特性是已知的情况下,设定接收信号为训练样本集,利用LS-SVM的非线性处理能力对接收信号进行估计,从而优化接收的混沌信号,达到降噪的目的。仿真结果表明,优化后的系统误码率(BER)性能得到改善。     

基于中心矩特征的雷达HRRP自动目标识别

针对雷达高分辨距离像(HRRP)的方位敏感性和平移敏感性,对一定角域内的HRRP非相干平均,提取具有平移不变性的中心矩作为特征向量,采用Karhunen-Loeve变换进一步进行特征压缩,建立相应的支撑矢量机(SVM)分类算法.与基于原始距离像特征的最大似然(ML)方法和基于中心矩特征的ML方法识别结果比较,该方法在减少计算量的同时具有较高的识别率,具有良好的推广能力.     

一种有效的遥感图像目标识别方法

本文提出了一种基于矩不变量和支持矢量机对遥感图像中的目标进行识别的方法，该方法提取目标七个Ｈｕ矩不变量作为特征矢量，应用支撑矢量机方法对其进行分类识别，结果表明，这一方法对仅含有目标和背景的遥感图像具有很好的分类识别结果。此外，我们发现对于不同的图像，其二值化取值范围对识别结果有着直接的影响。     

纹理图像的特征提取和分类

文章提出了一种纹理图像特征提取的有效算法.该算法利用纹理信息的频域分布以及尺度特性,并在此基础上进行纹理分类.这里采用了分类性能良好的支撑矢量机作为分类器,实验结果表明该方法提取的特征向量稳定,在类别数目比较大时也能得到较高的分类精度.