支持向量机核函数及优化研究

基于支持向量机的推广能力,提出选择核函数的依据.若训练样本总数一定,可采取减少支持向量数的原则减小分类错误率的产生,而减少支持向量的数量取决于核函数的选择.通过增大二次项系数的绝对值提高分类精度.实验验证改进后的核函数符合Vapnik的有关分类器推广性理论,有较高的分类精度和很好的普适性.     

基于多目标蚁群优化的单类支持向量机相似重复记录检测

为解决数据源中相似重复记录样本稀少问题,提出一种基于多目标蚁群优化的单类支持向量机相似重复记录分类检测方法。根据记录对中2条记录是否相似,将相似重复记录检测建模为二分类问题,用单类支持向量机进行分类,并且只用不相似重复记录样本对进行训练;选择合适的属性相似度函数计算记录对之间的相似特征向量,将其作为单类支持向量机分类器的输入进行二分类检测;建立以查准率、查全率、特征数量综合最优为目标的多目标特征选择模型,结合训练样本为单类样本的特点,将启发式因子定义为类内散度最小化约束,设计了求解模型的多目标蚁群算法。通过将单类支持向量机算法和支持向量域描述算法、传统二分类支持向量机算法进行对比,结果验证了单类支持向量机算法的有效性和优越性。     

基于支持向量机的模拟电路故障诊断方法

支持向量机（Support Vector Machines,SVM）故障分类器,在不易取得训练样本的情况下,实现较高准确率的故障诊断,并且具有较强的通用性和实用性。提出三种支持向量多类分类器（一对一算法、一对多算法,以及改进型一对多算法）,通过将其应用到实际电路进行故障诊断当中对其性能进行比较,得出串行支持向量机无论在分类速度上还是在分类精度上都好于其它两种方法,核函数的选择对故障诊断的性能也存在着一定的影响。     

基于支持向量机的磨削参数自适应系统

基于支持向量机的磨削参数决策系统通过多传感器信息融合获得磨削状态信息,用支持向量机分类器对其分类.经建立样本数据、选取核函数及其参数并求解拉格朗日系数,找出支持向量.再求解分类超平面系数,建立训练数据最优决策超平面,并根据样本数据学习.系统按分类学习结果自动选择工艺参数以控制磨削加工质量.     

基于多核优选的装备费用支持向量机预测法

针对支持向量机的核函数选择存在盲目性问题,提出多核优选的装备费用支持向量机预测方法。在不同核函数条件下,以提高推广能力拟合精度为目标,结合变步长多层次搜索算法选择最佳参数,确定拟合效果,通过判断选择最佳核函数。实例计算表明,多核优选的支持向量机预测方法精度高,通用性好。     

基于SVM的航空兵空运转场载机架次预测研究

分析影响载机架次的主要因素,利用支持向量机(SVM)理论建立非线性回归模型,通过反复试验和网格搜索算法确定预测模型的核函数及参数,进而对载机架次进行预测.预测结果表明:同BP神经网络预测模型相比,支持向量机预测模型具有良好的泛化能力及准确的预测结果.     

基于核函数支持向量机的雷达辐射源识别

文中针对雷达辐射源信号环境复杂导致的正确识别率较低的问题,提出了基于支持向量机理论的雷达辐射源识别方法,并构建了基于多种核函数支持向量机的雷达辐射源分类器。通过在不同噪声环境下进行仿真实验,证明了支持向量机理论在雷达辐射源识别中的有效性,并比较了多种核函数支持向量机的识别效果。     

支持向量机遥感图像几何校正中的不同核函数算法比较

支持向量机遥感图像近似几何校正算法可有效提高遥感图像校正的精度,是目前比较有效的遥感图像近似几何校正方法。对不同核函数支持向量机遥感图像近似几何校正算法的实验结果进行比较分析表明:基于RBF核函数的支持向量机遥感图像几何校正算法在支持向量机遥感图像几何校正算法中具有明显的优越性。     

基于V-支持向量机与ε-支持向量机的非线性系统辨识

介绍了V-支持向量机与ε-支持向量回归机的原理,并针对函数辨识问题作了仿真和比较,分析了其异同与优缺点.探讨了利用支持向量机进行非线性系统辨识的方法,仿真结果表明了V-支持向量机的有效性与优越性,并分析了V-支持向量机中参数V的变化对辨识结果的影响.     

飞机完好率预测仿真研究

利用飞机完好率时间序列特性,建立了NAR神经网络模型和基于不同核函数的3种支持向量机模型对平时状态下的飞机完好率变化趋势进行建模、训练和预测;运用Matlab仿真软件进行试验验证,结果表明:支持向量机模型具有较好的拟合效果,预测精度优于NAR神经网络模型,基于RBF核函数的支持向量机预测准确率相对较高.两种预测模型相比于部队现行的预测方法均具有更高的准确度和可靠度.     

基于自适应助推算法的集成支持向量机在柴油机故障诊断中的应用

利用支持向量机( SVM)进行机械故障诊断时,分类效果与核函数紧密相关。但核函数的选取一直缺少明确的理论指导,而且由于学习过程中常采取近似计算,致使分类结果远非期望水平。本研究首先利用匀幅、互信息指标构造特征向量;而后基于自适应助推法得到一系列基本SVM;并基于多样性准则对这些基本SVM进行筛选,最后对满足条件的基本SVM加权得到集成SVM。将集成SVM应用到某型坦克柴油机的故障诊断中,性能评价及分类结果表明,集成SVM比单- SVM具有更好的分类性能,故障诊断准确率更高。     

基于LS-SVM的飞机部件故障率预测

支持向量机具有完备的统计学习理论基础和学习功能。它用核函数建立预测模型,再用已知数据为学习样本训练学习机,用检验样本进行验证、预测系统未来故障。最小二乘支持向量机(LS-SVM)采用最小二乘线性系统作为损失函数,函数估计精度高、收敛速度快。基于支持向量机的多层参数寻优、等维信息一步预测和不等维信息多步预测,可用于飞机状态评估、故障诊断和参数预测以及故障率分析。     

支持向量机非线性辨识与控制概述

首先讲述非线性系统辨识的一般模型、基于支持向量机（support vector machine．SVM）非线性辨识的结构和SVM辨识与控制的优势、特点,然后阐述了SVM在控制中的应用,包括SVM在内模控制,SVM预测控制及多核SVM控制等,最后探讨了SVM本身在算法快速性,核函数的改进,错误惩罚参数选择以及在SVM中损失函数的选择上存在的问题。     

一种基于核方法的LMF 自适应多用户检测器

为加快收敛速度,获得稳定的性能,提出一种基于核方法的LMF(kernel least mean fourth,KLMF)多用户检测器。将DS-CDMA接收机收到的信号通过高斯核函数映射到高维特征空间(核空间),进行线性检测,并以实例在同步高斯信道环境下进行仿真试验比较。仿真结果表明:该方法能避免高维特征空间的复杂运算,通过选择合适的核参数,KLMF检测比LMF检测具有更好的收敛性能。     

贝叶斯证据框架下的支持向量机及其在陀螺漂移预测中的应用

将贝叶斯证据框架引入到标准支持向量机中去，研究了贝叶斯证据框架下标准支持向量机的参数调整方法，并具体研究了高斯核情况下参数的调整．利用获得的结论对陀螺漂移数据进行了预测．结果表明，该方法为参数的选取提供了一个统一的框架，克服了在样本改变的情况下标准回归支撑矢量机方法中某些参数只能凭经验通过交叉验证的方法进行频繁的手动调整的不足，且具有较高的精度．     

RBF神经网络在进出口总额预测中的应用

径向基函数(RBF)神经网络隐含层R由一组径向基函数构成.其执行通过非线性基函数的线性组合,从Rn到Rm的非线性变换.模型设计含数值归一化、样本数据预处理、模拟预测结果及分析.在进出口总额预测的应用证明,RBF网络可在数值上有效逼近时间序列内难以定时描述的相互关系,优于非线形回归和BP网络预测.     

基于支持向量机的雷达高分辨距离像识别

以支持向量机（SVM）作为分类器。研究了雷达目标高分辨距离像（HRRP）分类法,设计了相应的预处理算法,提出一种结合留一法和单一验证法的参数选择新方案。基于三种雷达目标的HRRP数据,比较了SVM分类法和匹配相关分类法性能。实验结果表明SVM算法在目标姿态的稳定性、对训练集大小的稳定性和抗噪能力方面都占有相当优势。