一种雷达信号特征参数评估的新方法

针对传统雷达信号特征参数评估中指标构建不完备、应用背景不强等问题,在研究分类器核函数对特征参数影响的基础上,提出了一种新的信号特征参数评估方法。该方法首先构建了以可分离性、稳定性、复杂性为评估指标的评估体系,给出了特征类内聚集度与类间聚集度的新的度量准则,并基于用户需求对各评估指标权重作层次分析,最后利用指标权重矩阵和指标评分矩阵以打分方式对特征参数的性能进行综合评估并排序。应用结果表明,该评估方法可行有效,能够较好地实现信号特征参数性能的分析和评估,为特征参数的研究与选择提供了依据。     

基于分段核函数的支持向量机及其应用

支持向量机兼顾训练误差和推广性能,已受到机器学习领域的高度重视,而核函数的性能是支持向量机研究中的关键问题。研究了几种常见核函数对支持向量机推广性能的影响,并利用全局核函数和局部核函数的性质,提出了一种新的分段核函数的支持向量机。数据集上的仿真结果表明,该核函数对应的支持向量机泛化能力优于传统核函数对应的支持向量机,具有较好的预测性能。     

RBF-SVM在电力通信网光纤保护通道风险评估的应用

支持向量机是最近几年发展起来的一种新的智能学习方法,以RBF为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛的应用到模式识别中,其参数C和σ对SVM的性能起决定性作用.文中阐述了SVM原理,给出了RBF-SVM的性能随参数变化的规律,并得到了参数C和σ对SVM支持向量个数和测试样本错分率的影响曲线图.最后,通过采用不同核函数的SVM对电力通信网光纤保护通道进行风险评估,比较其评估性能,同时验证了RBF-SVM性能的优势.     

基于Optuna框架的Lp范数约束下多核支持向量机在违约风险预测中的应用

针对违约数据存在数据量大、维度多、不平衡及噪声大等缺点,提出一种改进的支持向量机方法,即基于Optuna框架的L_p范数约束的代价敏感的多核支持向量机(L_p-Optuna-SVM)。该方法采用成本矩阵对不同预测错误赋予不同数值,通过多核学习引入多核混合核函数组合;同时采用Optuna优化框架对犯错成本、核函数的参数和权重实现了自动化的调优过程;还在核函数权重上引入L_p范数约束,以提高模型对噪声和异常数据的鲁棒性。最后,对4种常用的基础核函数组合的L_p-Optuna-SVM进行探讨,并与单核支持向量机以及K邻近法、逻辑回归、高斯贝叶斯进行对比。结果表明,在给定数据集上,L_p-Optuna-SVM在违约数据上的g-mean和AUC均高于其他算法,并且在加了不同方差的噪声数据集上,该算法整体依旧保持较好的鲁棒性。     

多核相关向量机优化模型的锂电池剩余寿命预测方法

基于相关向量机的剩余寿命预测方法,核函数是影响相关向量机模型预测性能的重要因素.目前的相关向量机预测模型以单核为主,且核函数的选择存在较大主观性,导致所构建的预测模型性能有限.本文提出一种融合多个核函数构建相关向量机预测模型的方法,通过果蝇算法优化多个核函数优化组合的线性方程系数,提高了模型的预测性能,并将该方法应用于预测锂离子电池的循环剩余寿命.分别采用美国NASA和马里兰大学的电池退化数据集,对本文的方法进行了实验验证.实验结果表明：多核相关向量机预测方法的平均绝对误差和均方根误差都小于最优的单核相关向量机预测方法.     

一种改进的最小二乘孪生支持向量机分类算法

提出了一种新的模式分类器,即广泛权重的最小二乘孪生支持向量机.该支持向量机在正、负两类样本上广泛地增加权重,很好地抑制了交叉噪声样本对数据分类的影响.其次,根据间隔最大化原理,该支持向量机在目标函数上增加了一个正规化项,实现结构风险最小化和避免在求解该目标函数时可能对病态矩阵求逆的处理.同时,提出了利用一种指数函数计算训练样本的密度来获得样本权重值的算法.该算法能够有效缩减计算权重的时间,且具有较强的鲁棒性.实验证明本文提出的广泛权重的最小二乘孪生支持向量机能够实现高精度和高效率的分类效果,而且特别适合于含有交叉噪声样本的数据集分类.     

混合核函数SVM在变压器状态评估中的应用

核函数是SVM(Support Vector Machine,支持向量机)的重要组成部分,核函数的选取对分类效果有明显的影响。该文把混合核函数引入到变压器状态评估中。实例分析表明,混合核函数支持向量机提高了状态评估的准确率。     

支持向量机的远程教学质量评估模型

为了提高远程教学质量的评估精度,针对当前远程教学评估模型的不足,提出支持向量机的远程教学质量评估模型。首先建立远程教学质量评估指标体系,采用核主成分分析选择重要指标,然后根据重要指标收集数据,采用支持向量机进行远程教学质量评估,最后采用某高校远程教学质量数据进行性能验证。结果表明,支持向量机显著改善了远程教学质量的评估效果,可以为高校教学管理者提供有价值的信息。     

基于PCA与SVM的焊缝缺陷信号分类方法

为保证焊接结构处于安全工作状态,文中针对焊缝缺陷的分类问题提出一种结合主成分分析和支持向量机的焊缝特征导波缺陷信号的分类方法。该方法首先以缺陷回波的稀疏重构信号为基础提取了缺陷信号的特征参数矩阵,然后利用主成分分析法对参数矩阵进行降维优化以消除冗余信息。将优化的低维特征矩阵应用于支持向量机进行分类训练,并对比不同主成分的分类效果。最后选择核函数和相关参数来提高分类器的准确率。实验结果表明,该方法能够有效地对焊缝缺陷进行分类。     

高分辨距离像识别中支持向量机分类技术研究

核函数参数对支持向量机分类器性能有很大影响。首先定性分析了核函数参数对分类器分类边界的影响,然后基于高分辨距离像比较了各种泛化误差估计方法性能,得到了适合高分辨距离像识别的泛化误差估计方法,最后基于该方法优化支持向量机分类器参数实现了对4类目标的分类识别,通过识别混淆矩阵、识别ROC曲线验证了有效性。     

声源DOA估计中LS-SVR核函数选取研究

基于多通道到达时间差(TDOA)的定位方法是声源到达方向(DOA)估计中的重要方法。其中,由TDOA到DOA的映射是该方法的一个关键,目前广泛采用的映射方法为最小二乘法。然而最小二乘法存在诸如声源位于阵列端射方向时性能急剧下降的问题。为克服这一缺点,提出了基于最小二乘支持向量回归机(LS-SVR)的映射方法。在支持向量机技术中,核函数的选取直接影响着支持向量机的性能,但之前的工作仅讨论了径向基核函数。针对声源DOA估计中的TDOA映射问题,研究了径向基核、多项式核以及线性核函数构造的LS-SVR对声源DOA估计的影响。     

基于负相关学习的支持向量机集成算法

提出一种基于负相关学习理论的支持向量机集成方法，该方法能有效解除各支持向量机之问的相关性，使得集成个体有较大的差异。并采用了演化策略对支持向量机的核函数和相关参数白适应地进行选择。仿真实验表明．该方法不仅能有效地解决支持向量机模型选择的难题，而且能以很小的代价显著提高学习系统的泛化能力。     

基于核主元分析法的组合核函数改进算法

提出了一种新型的组合核函数应用于构建支持向量机当中.这种组合核函数将高斯核函数与多项式核函数各自的特点融合在一起,构建了一种兼具内推和外推性能的核函数.经实验验证,将这一核函数应用在核主元分析法中,可以有效地提高识别精确度和效率.     

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于大数据技术的网络流量分析与异常检测

文中基于大数据技术，研究了基于支持向量机的网络流量分析与异常检测方法。首先，对网络流量数据进行预处理，如清洗、集成和转换等，以获取适合支持向量机分析的特征向量表示。然后，应用支持向量机分析技术对网络流量进行异常检测，通过构建超平面实现对正常样本和异常样本的分类。最后，利用NSL-KDD数据集进行实验验证，并评估该方法在网络流量异常检测中的性能。实验结果表明，基于支持向量机的网络流量异常检测方法在NSL-KDD数据集上取得了较好的准确率、召回率和精确率。     

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。     

基于K-medoids聚类的层次化教学质量提升评估研究

研究基于K-medoids聚类的层次化教学质量提升评估方法。通过K-medoids聚类分析数据样本间的最优路径和聚类中心,获取数据样本集的历史最优位置,将历史最优位置点看成不同评估指标;以教学队伍、教学内容、教学条件等两级教学质量评估指标体系作为评估指标构建教学质量评估指标体系;采用多层次评价模型对历史最优位置点,即评估指标实行层次分析,通过分层综合评估过程先对评估指标实施一级评估,确定各评估指标权重,依据权重构建教学质量效果判断矩阵;再采用判断矩阵完成二级评估,评估层次化教学质量。实验结果表明,该方法评估计算机学院教师教学质量为较高,且二班教师教学质量优于一班教学质量。     

基于非单点模糊支持向量机的判决反馈均衡器

该文提出了一种具有较强抗突发干扰能力的非单点模糊支持向量机判决反馈均衡器。该方法以支持向量机为框架,采用具有前置滤波特性的非单点模糊高斯核函数,利用梯度下降法调整核函数中的可调参数。通过仿真实验,并与支持向量机判决反馈均衡器和传统判决反馈均衡器进行比较,结果证明该方法具有优良的非线性均衡能力和抗突发干扰能力。     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

基于矩阵模式的最小类内散度支持向量机

 基于最小类内散度支持向量机(MCSVMs)提出一种新的矩阵模式的最小类内散度支持向量机(MCSVMs^matrix).同时为了更好地解决非线性分类问题,将Mercer核函数引入到MCSVMs^matrix方法中,并提出基于矩阵模式的非线性支持向量机:Ker-MCSVMs^matrix.上述两种方法不但继承了MCSVMs的优点,而且由于将矩阵模式的类内散度矩阵引入到支持向量机中,从而在理论上可以较好地解决了MCSVMs方法在处理小样本高维数据集时类内散度矩阵奇异性问题,同时降低了求解类内散度矩阵及其逆矩阵和权重矢量的时间、空间复杂度.因此,在一定程度上提高了分类精度.实验结果也表明MCSVMs^matrix、Ker-MCSVMs matrix具有上述优势.