基于支持向量机的蒸煮过程卡伯值软测量

卡伯值是制浆蒸煮过程表征纸浆质量的一个重要质量指标，卡伯值软测量是实现蒸煮过程质量控制的重要途径。支持向量机是一种新型的机器学习方法。该方法采用了结构风险最小化原则，与传统机器学习方法相比，在最小化学习误差的同时可以保证有较小的泛化误差。将支持向量机应用于制浆蒸煮过程卡伯值的软测量建模，取得了比经验模型更好的预测效果。     

基于支持向量回归的唇动参数预测

支持向量机学习方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则，在有限样本的机器学习中显示出优异的性能．将这一新的统计学习方法应用到多媒体交互作用的研究中，用支持向量回归的方法由语音预测唇动参数．通过对语音的线性预测系数进行主分量分析，有效地压缩了声学特征参数的维数．结合交叉校验和最速下降优化方法，选择最佳的支持向量回归学习参数．在汉语0～9的任意数字串上对唇高参数的预测实验结果达到了均方误差0．0096，平均幅度误差7．2％及相关系数0．8的效果．这一结果优于一个文中优化过的人工神经网络所达到的性能，说明这一方法很有潜力．     

基于支持向量机的上证指数预测和分析

研究上证指数预测问题,针对证券指数变化具有随机性、时变、波动性较大等特点,传统线性预测方法预测精度低等缺陷,提出一种基于支持向量机的证券指数预测方法。支持向量机是一种基于统计学理论和结构风险最小化原则的机器学习方法,克服了类似神经网络经验见险最小化原则算法的过拟合、局部极值等缺陷,泛化能力优异。采用1990～2009年上证指数对算法性能进行测试,仿真结果表明,支持向量机是一种预测精度高、误差小的证券指数预测算法,预测结果可以为用户提供有价值的参考意见。     

小置信范围下指示函数的沃尔什逼近

文章讨论了基于统计学习理论中满足较小置信范围时，采用沃尔什函数逼近机器学习响应函数，从而在结构风险最小化原则条件下使风险泛函最小，保证了小样本环境下机器学习的误差最小，并且获得较好的学习推广能力。     

基于支持向量机的非线性系统模型预测控制

支持向量机是基于统计学习理论的新一代机器学习技术。由于使用结构风险最小化原则代替经验风险最小化原则．使它较好的解决了小样本情况下的学习问题。又由于其采用了核函数思想．使它把非线性问题转化为线性问题来解决,降低了算法的难度．具有全局最优、良好泛化能力等优越性能．得到广泛的研究。基于上述特性提出了一种基于支持向量机的非线性模型预测控制结构．其中使用遗传算法来求解预测控制律．随后用计算机仿真证明了此控制算法的正确性和有效性。     

基于粒子群算法和支持向量机的故障诊断研究

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中;支持向量机中核函数的参数选择非常重要,它决定着故障诊断的精确度;为了提高电气设备故障诊断的精度和效率,将粒子群优化算法和最小二乘支持向量机相结合,提出了一种基于粒子群支持向量机的故障诊断方法,能够实现对核函数的σ参数进行快速动态选取,提高故障诊断的准确率和效率;实验表明,该方法能够有效地找出合适的核参数,并能取得较好的分类效果。     

基于最小二乘支持向量机的混沌背景弱信号检测

将最小二乘支持向量机算法应用于混沌时间序列预测中,提出了一种基于最小二乘支持向量机的混沌背景弱信号检测算法。最小二乘支持向量机的训练过程遵循结构风险最小化原则,解决了传统机器学习的模型选择与过学习问题、局部极小问题等。仿真结果表明,本文算法在信混比达到-70 dB时,仍能检测混沌背景中微弱信号。     

基于支持向量机的烟叶感官品质评价

支持向量机是一种新的机器学习算法,它采用结构风险最小化准则,在最小化样本点误差的同时,缩小模型预测误差的上界,从而提高了模型的泛化能力。通过SVM在烟叶感官品质评价中的应用,研究了SVM的小样本学习、泛化能力和抗噪声扰动能力。     

一种改进的模糊多类支持向量机算法

支持向量机是基于统计学习理论的新一代机器学习技术;由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题;针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,以统计学习理论和支持向量机为基础,提出了一种改进的模糊多类支持向量机方法,它是在全局优化分类的基础上,引入模糊隶属函数,然后利用改进的序列最小最优化算法求解模糊多类支持向量机,实验结果显示运行时间减少了,方法是可行的和有效的.     

粗糙集学习机器泛化性能控制的结构风险最小化方法

对影响粗糙集学习机器泛化性能的因素进行了分析,通过将结构风险最小化原则引入到粗糙集学习中,提出了粗糙集学习的结构风险最小化方法;通过12个UCI数据集上的实验分析,验证了提出方法的有效性.     

Response modeling with support vector machines

Support Vector Machine (SVM) employs Structural Risk Minimization (SRM) principle to generalize better than conventional machine learning methods employing the traditional Empirical Risk Minimization (ERM) principle. When applying SVM to response modeling in direct marketing, however, one has to deal with the practical difficulties: large training data, class imbalance and scoring from binary SVM output. For the first difficulty, we propose a way to alleviate or solve it through a novel informative sampling. For the latter two difficulties, we provide guidelines within SVM framework so that one can readily use the paper as a quick reference for SVM response modeling: use of different costs for different classes and use of distance to decision boundary, respectively. This paper also provides various evaluation measures for response models in terms of accuracies, lift chart analysis, and computational efficiency.     

基于支持向量机的设备异常状态时间预测

提出了一种支持向量机(SVM)理论的设备异常状态时间预测方法.该方法采用结构风险最小化原则(SRM),与采用经验风险最小化原则(ERM)的传统神经网络方法相比,具有更好的泛化能力和精度,减少了对经验的依赖.通过和BP神经网络进行比较试验,证明了基于支持向量机的预测时间与实际到达危险极限值的时间是相符合的,这种方法精度高,明显优于BP神经网络的预测.最后说明准确预测极限值的时间可使设备远离异常状态,保障设备运行的安全性和经济性.     

模糊样本下学习问题的研究

支持向量机是机器学习领域一个研究热点,而统计学习理论中的关键定理为支持向量机的研究提供了重要的理论基础。基于模糊样本,提出了模糊经验风险最小化原则和非平凡一致性的概念,提出并证明了基于模糊样本的学习理论的关键定理,为研究模糊支持向量机提供了依据。     

基于支持向量机的分解合作的加权算法及其应用

支持向量机是基于统计学习理论的新一代学习机器。它使用结构风险最小化原则,运用核技巧,较好地解决了学习问题。当训练数据相当大时,其训练速度是制约其应用的瓶颈。本文提出了一种基于支持向量机的分解合作的加权算法并将其应用于股票指数预测,与标准算法相比较,分解合作加权算法表现出了良好的性能。     

滚动轴承技术故障诊断的支持向量机方法研究

针对当前故障诊断中几种常用方法的不足,首次提出将支持向量机方法应用于滚动轴承技术故障诊断。该文提出的两种算法其核心均是利用支持向量机方法对样本进行分类。支持向量机方法基于小学习样本条件下,通过寻求结构风险最小,以期获得良好的分类效果和泛化能力。两种实验结果表明,在选用合适核函数及参数条件下,支持向量机具有学习速度快、诊断正确率高的优良性能,这一结论表明了该文所提出方法的优越性。     

基于支持向量机的逆控制及其稳定性分析

支持向量机(SVM)是一种基于结构风险最小化(SRM)的新的机器学习方法,具有良好的推广性能。给出了利用其构造逆控制器的方法,并将逆控制器串联于原系统前构成伪线性复合系统。针对此开环逆控制系统,在核函数为局部Lipschitz的前提下,证明了控制器是有限增益稳定的,并给出Gaussian核函数对任一变量的局部Lipschitz性的充分条件,在一定合理的假设下给出了控制系统的稳定性结论。     

基于近似结构风险的ELM隐层节点数优化

隐层节点数是影响极端学习机(ELM)泛化性能的关键参数,针对传统的ELM隐层节点数确定算法中优化过程复杂、容易过学习或陷入局部最优的问题,提出结构风险最小化-极端学习机(SRM-ELM)算法。通过分析VC维与隐层节点数量之间的关联,对VC信任函数进行近似改进,使其为凹函数,并结合经验风险重构近似的SRM。在此基础上,将粒子群优化的位置值直接作为ELM的隐层节点数,利用粒子群算法最小化结构风险函数获得极端学习机的隐层节点数,作为最优节点数。使用6组UCI数据和胶囊缺陷数据进行仿真验证,结果表明,该算法能获得极端学习机的最优节点数,并具有更好的泛化能力。     

一种基于支持向量机的模糊施肥预测方法研究

提出了一种利用支持向量机(SVM)学习算法提取模糊规则进而实现施肥预测的方法.对于农业施肥中常用的正交实验法,由于其数据均衡分散使得曲线拟合的回归预测方法效果不佳.提出了一种利用SVM学习样本数据,再利用隶属度来提取模糊规则,通过阈值和可信度来控制规则的激活和准确性的预测方法,这一方法不仅避免了回归预测所产生的误差,并且模糊规则更具有实际意义,从而大大提高了知识获取的能力.