基于改进的支持向量机的脱机中文签名验证

采用支持向量机算法来验证脱机中文签名。针对支持向量机算法的不足,将粗糙集和支持向量机相结合,利用粗糙集理论对数据属性进行约简,在某种程度上减少支持向量机求解的计算量。不但避免了特征提取中维数灾问题,还有效改善了训练时间。实验结果表明：粗糙集和支持向量机算法应用于离线签名识别,在相同条件下的识别效果优于支持向量机算法。     

粒子群算法支持向量机的半监督回归

将基于粒子群算法的支持向量机与半监督学习理论相结合,提出了粒子群算法支持向量机的半监督回归模型。针对典型的实验数据集进行实验,并将实验结果与常规的遗传算法支持向量机和粒子群支持向量机模型进行对比。实验结果表明,粒子群算法支持半监督回归模型明显提高了回归估计的精度。     

一种基于支持向量机的分类算法

支持向量机是在统计学理论基础上提出的一种新的机器学习方法，由于其出色的学习性能，该技术已成为机器学习界的研究热点，并成功地应用在文本分类、图像识别、生物信息处理等领域。这里简要介绍了支持向量机算法及其应用，并且讨论了其未来的发展方向。     

支持向量机训练算法及其应用

支持向量机是在统计学习理论基础上提出的一种新的机器学习方法。由于其出．色尊学习性能，该技术已成为机器学习界的研究热点，并成功地应用在模式识别、时间序列预测、苛线性系统辨识、控制及其它方面。本文简要介绍了支持向量机训练算法及其应用，并且讨论了未来的发展方向。     

支持向量机算法的改进及其在邮件过滤中的应用

本文介绍了基于统计学习理论的支持向量机的基本思想。在分析了支持向量机的优点的基础上，对支持向量机算法进行了改进，并应用于邮件过滤。实验证明改进的支持向量机提高了垃圾邮件的过滤性能。     

LSSVM在酒类近红外光谱检测中的应用

介绍了最小二乘支持向量机及光谱检测的基本理论,利用最小二乘支持向量机建立了光谱校正模型,对各种白酒进行了实验模拟,测量其酒精度的数值。得到的结果显示最小二乘支持向量机算法比其它算法,如主成份分析、偏最小二乘法等方法的精度更高。     

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

支持向量机算法及应用

系统介绍了统计学习理论和支持向量机的基本思想，总结、比较了二分类和多分类2种情况下支持向量机的主要训练算法。与人工神经网络相比，分析了支持向量机的优点。归纳了支持向量机在模式识别、函数逼近、时间序列预测、故障预测和识别、信息安全、电力系统以及电力电子中的应用。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于SVM算法的烟雾粒子识别系统

本文介绍了一种基于Ｍｉｅ散射理论的烟雾粒子识别系统，并主要介绍了后端ＳＶＭ算法的模式识别处理方法。文章详细给出了系红的原理、结构、以及ＳＶＭ算法的原理及其处理效果，并将ＳＶＭ算法与ＢＰ神经网络算法的应用效果进行了比较。     

去噪声的加权SVM分类方法

针对支持向量机(SVM)本身抗噪声能力低和训练数据类别不均匀会造成分类结果偏向数目较大一类的倾向性等问题，本文提出了去噪声的加权SVM分类方法。在该方法中，通过引入主成分分析方法来降维去除噪声，再通过引入加权系数的方式，补偿了上述倾向性造成的不利影响，提高了预测分类精度。对污水处理过程运行状态的分类实验表明该方法的有效性。     

应用SVM算法进行TM多光谱图像地物分类

SVM算法是近年来统计模式识别领域流行的算法。因为有统计学习理论（SLT）作为基础,SVM算法具有良好的计算有效性、健壮性和统计稳定性,被广泛地应用在图像识别、语音识别、文字识别等多种模式识别领域。TM多光谱遥感图像的地物分类一直是遥感图像处理领域比较困难的问题。现尝试应用SVM算法对北京市怀柔水库附近地区的地物进行分类,收到了较好的效果。     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域,证据理论是有效的数据融合方法之一,但基本概率分配一般不易确定,从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法,具有普适性和全局优化等特点,但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法,通过建立基于分类超平面距离的模糊隶属度,训练模糊支持向量机提高传统支持向量机的基本概率分配,并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验,经精度、平均绝对百分误差、均方根误差等指标验证,精度提高10. 5%,表明所提方法是一种可靠的多传感器的水质融合方法,较其他方法具有更高的融合精度。     

基于混合核的PSO-SVM的L形天线谐振频率建模

人工神经网络进行建模时通常需要准备大量的数据样本,同时,网络结构一般都比较复杂;而采用支持向量机（SVM）进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,文中提出了一种基于粒子群优化（PSO）算法的新的SVM混合核函数,这种混合核函数是将局部核函数中的柯西核函数和全局核函数中的多项式核函数进行线性组合,且组合系数和各个核函数中的参数采用PSO算法来优化选取。采用UCI数据库中的wine-red数据集对该混合核函数进行了验证,仿真结果表明,该混合核函数可以提高模型的学习能力和泛化能力。最后,将基于混合核函数的PSO SVM方法用于L形微带天线谐振频率建模,进一步证明了这种方法是可行的和有效的。     

基于混沌鲶鱼效应的人工蜂群算法及应用

针对目前人工蜂群算法的早熟收敛、陷入局部极值等问题,提出一种基于混沌鲶鱼效应的改进人工蜂群算法.首先,采用随机性更高的混沌序列初始化蜂群以扩大其遍布范围;其次,集成了鲶鱼效应和混沌理论提出了混沌鲶鱼蜂,并引入了它与跌入局部极值的蜂群之间的有效竞争协调机制,从而增进蜜蜂群体跳出局部最优解、加速收敛的能力.支持向量机的学习能力主要取决于其惩罚因子C和核函数参数的合理选择,对其参数的优化可以提升其学习效果,然而现行算法均存在一定局限性.基于我们提出的改进人工蜂群算法,对支持向量机的参数进行了优化.最后,在UCI（加州大学欧文分校）数据集和行为识别真实数据集上进行了测试,验证基于改进人工蜂群算法的支持向量机具有更强的分类性能.     

基于改进的支持向量机的开关磁阻电机的模型建立

开关磁阻电机具有结构简单、工作可靠、运行效率高等优点。但开关磁阻电机的磁路高度饱和、非线性化,很难建立准确的数学模型,难以实现高精度控制。在研究开关磁阻电机的电磁与转矩特性的基础上,结合支持向量机算法在解决小样本、非线性、高维数、局部极小值问题上的优势,建立了径向基函数核函数的支持向量机的开关磁阻电机的数学模型,通过仿真与传统BP神经网络算法对比,证明该算法具有较高的性能,实验平台检测的数据表明,所构建的开关磁阻电机模型是可行的,证明了模型的正确性和有效性。     

基于生物免疫优化支持向量机算法的居民区负荷预测

针对居民区用电负荷随机性强、稳定性差等问题,综合考虑各因素对居民用电负荷的影响,提出一种免疫支持向量机(support vector machine,SVM)算法负荷预测模型。以居民区历史用电量及相关气候数据为处理对象,使用PCA(principal component analysis)算法对电网历史数据进行处理,并结合免疫算法对电网历史数据进行预处理,形成数据簇并划定标签提供给预测模型进行训练。为提高模型精度,采用生物免疫优化算法对SVM模型参数进行优化,并在负荷预测环节,将预测误差作为调优依据,对预测模型进行反馈调优。将预测效果与常用于负荷预测的BP(back propagation)神经网络、SVM算法模型进行对比,免疫SVM算法负荷预测模型的短期、中期预测精准度均在98%以上,具有较好的精度与鲁棒性。