一种混合核函数SVM建模方法及其应用

为了提高模型的泛化能力和精度,提出了一种基于混合核函数的支持向量机(SVM)建模方法.所提出的混合核函数由径向基函数和多项式函数加权组合而成,克服了支持向量机模型中单个核函数的局限性.并利用量子粒子群算法(QPSO)对惩罚系数、核参数以及混合权重系数进行综合寻优,求取最优化参数组合,从而提高模型的精度.采用锌湿法冶炼净化过程现场数据对建模的方法进行了测试,结果表明,所提出的混合核函数支持向量机模型具有较好的泛化性能和预测精度,预测结果满足现场工艺生产的要求.     

基于正交多项式的核函数性质研究

核函数及其参数的选择是支持向量机(SVM)研究中的一个核心问题.正交多项式的正交性和可变性使其可以构造通用核函数以代替多项式核、高斯核等常用核函数.基于正交多项式构造核函数的参数仅在自然数中取值,因而能较大地简化核参数的选择.分析基于切比雪夫多项式、埃尔米特多项式、勒让德多项式及拉盖尔多项式构造的6类正交多项式核函数的性质,并在多个数据集上对比这些核函数的鲁棒性和泛化性,所得结论可为选择这些核函数进行支持向量分类提供理论依据和技术支持.     

基于混合核支持向量机的金融时间序列分析

核函数是支持向量机（SVM）的重要部分,它直接影响到SVM的各项性能。当前SVM在金融时间序列分析中,基本上采用高斯径向核函数（RBF）,其次才是多项式核函数。然而,每种核函数都有它的优势和不足,整合两个或多个核函数对于学习能力和泛化能力的提高是一个有效的途径。采用高斯径向核函数与多项式核函数的混合核函数运用于金融时间序列预测中,且与其单个核函数的支持向量机的实验结果进行了比较。结果表明,混合核函数具有更好的性能。     

GCPSO优化混合核SVM的地铁车站客流预测

地铁中站点客流量为地铁运营调度部门提供实时调度管理依据。将径向基核函数与多项式核函数线性组合,构建了混合核支持向量回归机（SVM）预测模型。采用基于黄金分割的混沌粒子群（GCPSO）对混合核SVM的参数进行寻优,得到最佳的参数组合。利用该混合核SVM预测广州地铁3号线站点短期客流量。结果表明,GCPSO优化的混合核SVM预测模型对地铁站点的短期客流的预测精度高,预测数据和实测数据拟合良好,相对误差较小,明显优于SVM其他三种预测方法及Elman神经网络预测方法。     

基于测度学习支持向量机的钢琴乐谱难度等级识别

现有钢琴乐谱难度分类主要由人工方式完成,效率不高,而自动识别乐谱难度等级的算法对类别的拟合度较低。因此,与传统将乐谱难度等级识别归结为回归问题不同,本文直接将其建模为基于支持向量机的分类问题。并结合钢琴乐谱分类主观性强、特征之间普遍存在相关性等特点,利用测度学习理论有难度等级标签乐谱的先验知识,依据特征对难度区分的贡献度,改进高斯径向基核函数,从而提出一种测度学习支持向量机分类算法——ML-SVM算法。在9类和4类难度两个乐谱数据集上,我们将ML-SVM算法与逻辑回归,基于线性核函数、多项式核函数、高斯径向基核函数的支持向量机算法以及结合主成分分析的各个支持向量机算法进行了对比,实验结果表明我们提出算法的识别正确率优于现有算法,分别为68.74%和84.67%。所提算法有效提高了基于高斯径向基核函数支持向量机算法在本应用问题中的分类性能。     

用于说话人识别支持向量机模型的核函数选择

支持向量机(SVM)已广泛地应用于文本无关的说话人辨认系统,不同的核函数影响识别性能。基于此,在TIMIT语料库上对线性核、多项式核以及径向基核进行了对比实验。实验表明多项式核在多项式次数等于6的情况下具有最佳的识别性能,其识别率可以达到82.88%。     

基于支持向量机的记忆功率放大器预失真

提出了一种新的针对记忆非线性功率放大器的支持向量机（SVM）预失真器。通过对其建模中采用径向基核函数和多项式核函数所表现出的性能特点进行分析,为核函数的选取提供了参考。采用以多项式为核函数的SVM对3种典型的记忆非线性功率放大器模型进行线性化仿真,结果表明了该方法的有效性和鲁棒性。     

多项式核函数SVM快速分类算法

标准的SVM分类计算过程中有大量的支持向量参与了计算,导致了分类速度缓慢。该文为提高SVM的分类速度,提出了一种快速的多项式核函数SVM分类算法,即将使用多项式核的SVM分类决策函数展开为关于待分类向量各分量的多项式,分类时通过计算各个多项式的值而得到分类结果,使分类计算量和支持向量数量无关,又保留了全部支持向量的信息。当多项式核函数的阶数或待分类向量的维数较低而支持向量数量较多时,使用该算法可以使SVM 分类的速度得到极大的提高。针对实际数据集的实验表明了该算法的有效性。     

支持向量回归与常用近似模型的非线性预测性能比较研究

为降低计算成本和提高优化效率,工程实践中广泛应用近似模型拟合或预测非线性系统响应是研究的前沿与热点。引入支持向量回归方法,通过典型数值案例对比分析其与多项式响应面、kriging和径向基函数的非线性预测性能。利用箱线图直观的证明支持向量回归的非线性预测性能明显优于多项式响应面、kriging和径向基函数,且支持向量回归的预测精度对DOE的依赖性最弱,体现出良好的稳健性能,进一步验证了支持向量回归适用于非线性系统响应的近似建模。     

基于KL散度的支持向量机方法及应用研究

针对ICA提取的说话人语音特征,导出以库尔贝克—莱布勒（KL）散度作为距离测度的KL核函数用来设计支持向量机,实现了一个高分辨率的ICA/SVM说话人确认系统.说话人确认的仿真实验结果表明,使用ICA特征基函数系数比直接使用语音数据训练SVM得到的分类间隔大,支持向量少,而且使用KL核函数的ICA/SVM系统确认的等差率也低于其它传统SVM方法,证明了基于KL散度的支持向量机方法在实现分类和判决上具有高效性能.     

基于BPNN的无机离子晶体晶格能的QSPR研究

以86个离子化合物的正、负离子的有效核电荷Z~(*+)、Z~(*-)、离子半径r_+、r_-,以及正离子的荷径比Z~(*+)/Υ_+5种结构参数作为自变量,以晶格能U作为因变量,采用BP神经网络建立关于无机离子晶体晶格能的结构-性质关系(QSPR)模型.该模型由输入层、隐含层和输出层构成3层BP神经网络,86个离子化合物样本则按文献分别划分为训练集和验证集.研究表明,当隐含层神经元个数为5时模型效果最佳:该模型对训练集拟合结果的决定系数R~2=0.9965,平均相对误差MRE=1.63%;对验证集预测结果的R~2=0.9952,MRE=1.85%.     

鬼臼脂素衍生物的结构表征和抗肿瘤活性预测

应用分子电性距离矢量(MEDV)对鬼臼脂素衍生物进行结构表征和抗肿瘤活性的活性预测，通过逐步回归(SMR)方法建立了MEDV与活性之间的定量模型，取得了良好的结果，其模型相关系数为R=0．949；继以留一法(Leave-one—out，LOO)进行交互检验，复相关系数为R^2=0．619，说明定量相关模型具有良好的稳定性和预测能力。     

对偶犹豫模糊集的相关系数及其应用

对偶犹豫模糊集因其可以给决策者提供更多的决策信息成为模糊决策的热点研究问题,相关性指标可以用来度量两个模糊信息之间的相关关系,熵可以用来度量模糊信息的不确定程度。提出了一种基于对偶犹豫模糊集相关系数和熵的模糊多属性群决策方法。定义了对偶犹豫模糊集相关系数的概念,讨论了其基本性质;提出了两种对偶犹豫模糊集的熵,在此基础上,给出了模糊多属性群决策的权重确定方法;基于对偶犹豫模糊集相关系数和熵,提出了一种属性权重完全未知条件下的模糊多属性群决策方法;通过案例分析说明了该方法的有效性和可行性。     

多氯联苯色谱保留指数QSPR建模的研究

以E-Dragon软件计算的拓扑指数和连接性指数作为变量,随机将209种多氯联苯化合物(PCBs)样本数据划分为训练集、验证集和预测集,采用微粒群-v-支持向量机(PSO-v-SVM)对其色谱保留指数建立QSPR模型,选定的最佳模型入选变量仅5个,对训练集、验证集和预测集计算结果的R2分别为0.999、0.998和0.999,预测的准确性很高.本文选定的模型较文献[16-19]的计算结果好,预测结果更可靠.     

具有统计不相关性的核化图嵌入算法

提出统计不相关的核化图嵌入算法,为求解各种统计不相关的核化降维算法提供了一种统一方法。与已有核化降维算法相比,新的特征提取方法降低甚至消除了最佳鉴别矢量间的统计相关性,提高了识别率。通过在ORL,YALE和FERET人脸库上的实验结果表明,提出的具有统计不相关的核化图嵌入算法在识别率方面好于已有的核算法。另外,揭示了统计不相关的核化图嵌入与已有的核化图嵌入的内在关系。     

概率多值中智集的关联系数及其应用

为了研究不同概率多值中智集的相关关系,提出了概率多值中智集的关联系数。提出了概率多值中智集的期望关联系数、精确度关联系数和信息完全度关联系数,以便测量不同概率多值中智集在平均程度、精确程度和信息完全度之间的相关关系。为了测量不同概率多值中智集的整体相关关系,基于三种关联系数和加权平均算子的思想定义了包含参数的概率多值中智集的综合关联系数,并且给出了关联系数的性质。考虑到权重的重要性,提出了概率多值中智集的一系列加权关联系数。基于概率多值中智集的加权关联系数构建一种可以有效地确定参数且适用于属性权重已知的多属性决策模型,并通过具体案例和对比分析验证该模型的有效性和合理性。     

基于改进灰狼算法优化多核支持向量回归机及其应用

为更好发现数据中的复杂规律,避免核函数选择的盲目性和局部最优等非线性优化问题,本文提出一种基于改进灰狼算法优化多核支持向量回归机算法.首先,基于全局核函数和局部核函数构建多核支持向量机采油速度预测模型;其次,利用基于云模型和二次插值算法改进灰狼优化算法对核函数权值和参数的选取进行优化;最后,应用灰色关联分析理论确定采油速度影响因素集,并作为多核支持向量回归机预测模型的输入.与6种采油速度预测方法进行对比,所提方法具有较好的全局寻优能力和较高的预测率的优点.     

核典型相关性鉴别分析

提出一种新的基于典型相关性的核鉴别分析,以图片集为基础的人脸识别算法。把每个图片集映射到一个高维特征空间,然后通过核线性鉴别分析(KLDA)处理,得到相应的核子空间。通过计算两典型向量的典型差来估计两个子空间的相似度。根据核Fisher准则,基于类间典型差与类内典型差的比率建立核子空间的相关性来得到核典型相关性鉴别分析(KDCC)算法。在ORL、NUST603、FERNT和XM2VTS人脸库上的实验结果表明,该算法能够更有效提取样本特征,在识别率上要优于典型相关性鉴别分析(DCC)和核鉴别转换(KDT)算法。     

Correlation coefficient of single-valued neutrosophic hesitant fuzzy sets and its applications in decision making

As a combination of the hesitant fuzzy set (HFS) and the single-valued neutrosophic set (SVNS), the single-valued neutrosophic hesitant fuzzy set (SVNHFS) is an important concept to handle uncertain and vague information existing in real life, which consists of three membership functions including hesitancy, as the truth-hesitancy membership function, the indeterminacy-hesitancy membership function and the falsity-hesitancy membership function, and encompasses the fuzzy set, intuitionistic fuzzy set (IFS), HFS, dual hesitant fuzzy set (DHFS) and SVNS. Correlation and correlation coefficient have been applied widely in many research domains and practical fields. This paper, motivated by the idea of correlation coefficients derived for HFSs, IFSs, DHFSs and SVNSs, focuses on the correlation and correlation coefficient of SVNHFSs and investigates their some basic properties in detail. By using the weighted correlation coefficient information between each alternative and the optimal alternative, a decision-making method is established to handling the single-valued neutrosophic hesitant fuzzy information. Finally, an effective example is used to demonstrate the validity and applicability of the proposed approach in decision making, and the relationship between the each existing method and the developed method is given as a comparison study.

     

多标记数据特征提取方法的核改进

针对多标记数据特征提取方法中输出核函数没有准确刻画标记间的相关性的问题,在充分度量标记间相关性的基础上,提出了两种新的输出核函数构造方法。第一种方法首先将多标记数据转化为单标记数据,并使用标记集合来刻画标记间的相关性;然后从损失函数的角度出发定义新的输出核函数。第二种方法是利用互信息来度量标记间的两两相关性,在此基础上进一步构造新的输出核函数。3个多标记数据集上2种分类器的实验结果表明,与原有核函数对应的多标记特征提取方法相比,基于损失函数的输出核函数对应的特征提取方法性能最好,5个评价指标的性能平均提高了10%左右, 尤其在Yeast数据集上,Coverage指标下降幅度达到了30%左右;基于互信息的输出核函数次之,性能平均提高了5%左右。实验结果表明,基于新的输出核函数的特征提取方法能够更加有效地提取特征,并进一步简化分类器的学习过程,提高分类器的泛化性能。