基于最小二乘孪生支持向量机的不确定数据学习算法

孪生支持向量机通过计算2个二次规划问题,得到2个不平行的超平面,用于解决二分类问题。然而在实际的应用中,数据通常包含不确定信息,这将会对构建模型带来困难。对此,提出了一种用于求解带有不确定数据的最小二乘孪生支持向量机模型。首先,对于每个实例,该方法都分配一个噪声向量来构建噪声信息。其次,将噪声向量结合到最小二乘孪生支持向量机,并在训练阶段得到优化。最后,采用一个2步循环迭代的启发式框架求解得到分类器和更新噪声向量。实验表明,跟其他对比方法比较,本方法采用噪声向量对不确定信息进行建模,并将孪生支持向量机的二次规划问题转化为线性方程,具有更好的分类精度和更高的训练效率。     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

基于不确定多分类支持向量机在滑坡危险性预测的应用

为了提高滑坡危险性预测的准确度,提出一种基于不确定多分类的支持向量机在滑坡危险性预测的方法.针对诱发滑坡的不确定因子降雨量数据难以有效刻画等问题,引入不确定支持向量机算法理论,结合其他评价因子,构建不确定多分类支持向量机分类器,建立滑坡危险性预测模型,以延安市宝塔区为例进行预测实验.结果表明,该方法不仅能够达到滑坡危险性预测的精度标准,且比传统的支持向量机分类方法有更高的预测精度.     

支持向量机与哈夫曼树实现多分类的研究

基于支持向量机和决策树的多分类方法存在错误累积问题,累积的错误往往使分类准确率下降,分类效果变差.在仔细分析了其产生错误累积原因的基础上,提出了基于哈夫曼树的支持向量机多分类方法.该方法首先将一个多分类问题分解为多个二分类问题,针对每个二分类问题使用支持向量机二分类方法解决;然后根据相异度来决策分类的优先顺序,构建基于哈夫曼树的支持向量机多分类模型;最后使用勒卡斯开源数据集进行验证,并将它与传统的支持向量机多分类方法进行实验比较.实验结果表明,新的方法在分类速度和分类精度上较传统的支持向量机多分类方法优越.     

有序分类与企业信用评级模型

提出了基于有序分类和支持向量机方法的企业信用评级模型。因企业的信用等级是有序的，使用一般分类方法或回归方法建立的模型不能完全反映数据的内在结构。内置空间法将分类变量之间的有序信息嵌入输入向量的扩展位，使得有序分类问题转化为标准的二类分类问题；然后对此二类分类问题采用核分类器——支持向量机进行求解得到有序分类模型。实证结果表明，基于该方法建立的企业信用评级模型显示出较强的泛化能力。     

基于先验知识的多类CVM航班延误预警模型

基于使用现有的支持向量机解决机场航班延误预警问题存在未充分利用先验知识和训练需花费大量时间和空间的问题,提出了基于中心约束最小闭包球的加权多类算法。该算法首先利用先验知识确定一种新的基于相对紧密度的方法计算样本权值并将其融合到支持向量机中,然后转化为中心约束的最小闭包球进行训练。实验结果表明,该方法比现有的支持向量机具有更合理的分类面并且训练速度得到大大提高。     

粗支持向量机分类建模方法

为了克服样本模式的复杂性、噪声的影响以及信息的不完整性问题,利用粗糙集和支持向量机(SVM)的优点,把粗糙集理论用于二分类球形SVM,提出一种称为粗支持向量机分类建模方法.粗糙集具有刻画不确定、不完整数据和复杂模式的能力,分类结果能够体现出数据的不确定性,但是它不仅不具备良好的学习能力,而且也不能保证分类模型具有良好的推广能力;SVM具有良好的推广性能,但是对不确定数据的建模能力较差.本文把分类结果分为正域、边界域和负域,由此来判断不确定数据样本的分类结果的不确定性程度.通过调整参数来调节边界的宽度和允许建模的在野点样本的比例,提高分类模型的灵活性.仿真结果说明了算法的有效性.     

一种改进的高效贝叶斯短信文本分类器

针对短信分类问题,提出了分类能量空间的概念,将特征词转换为分类能量空间上的一个能量元,以此为基础计算短信的能量特征向量.通过计算短信能量特征向量的领域密度,结合贝叶斯公式输出了短信在不同分类的分类概率.在分类过程中,还对分类概率差别较小的短信采用支持向量机进行了二次分类以提高分类效果.实验结果表明,该分类器模型具有良好的分类效果.     

基于后验概率加权的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点,提出了一种基于后验概率的加权模糊支持向量机.在模糊支持向量机中引入样本后验概率加权系数后,得到的样本点的隶属度在减弱噪音及孤立点对支持向量机分类的影响的同时,不影响支持向量对分类超平面的作用.实验结果证明,在抗击孤立点和噪音点的干扰方面,该法取得了很好的效果,提高了支持向量机分类的泛化能力和应用范围.     

基于支持向量机的多传感器探测目标分类方法

针对传感器探测的数据常含有噪声,分类算法易受噪声数据干扰、容错能力差而产生错分问题,研究对多传感器探测目标进行分类的方法.提出容噪最小二乘投影双支持向量机(NLSPTSVM),去除离群点,提高容噪性能;通过定义NLSPTSVM置信度,以样本的最小超球体距为依据,根据“越是上层分类器的分类性能对分类模型的推广性能影响越大”的思想,以置信度NLSPTSVM作为二分类器,将NLSPTSVM的降噪过程提前到生成有向图之前,提出分类精度高、容噪性和容错性强的多分类支持向量机--容噪上层择优多路支持向量机(NUMDAG-SVMs).实验表明,NUMDAG-SVMs与同类算法相比具有更优的分类准确率和更强的容噪性和容错性.采用NUMDAG-SVMs对传感器采集的真实数据进行分类,取得了很好的结果.     

基于GWO-SVM的下肢假肢穿戴者骑行相位识别

针对下肢假肢穿戴者骑行相位识别的问题,提出基于灰狼算法优化的支持向量机(GWO-SVM)分类模型. 建立下肢多源信息系统,采集膝关节、踝关节的加速度信号以及膝关节角度信号. 应用奇异值分解,对采集到的信号进行降噪处理. 在对信号进行降噪处理之后,为了避免单一信号不确定的影响,从数据冗余角度,选取各信号的特征点,开展归一化处理,组成多维特征向量,作为SVM分类模型的输入. 为了能够进一步提高分类精度,加强全局优化能力,利用GWO算法对核参数进行优化. 通过与PSO-SVM分类模型、GA-SVM分类模型对比表明,基于GWO优化的SVM分类模型对骑行相位的识别率为94%,高于其他方法优化的SVM分类模型.     

基于RVM的网络流量分类研究

将相关向量机(RVM)分类模型应用于网络流量分类问题中. 首先对实验数据进行了标准化处理, 然后将RVM与其他机器学习算法进行了性能比较, 最后在RVM分类结果预测概率中引入置疑区间概念, 研究了置疑区间范围及其对分类准确性的影响, 并基于此提出了一种新的混合流量分类方法. 实验结果表明: 1) RVM在准确性等3方面性能指标上优于SVM, 且在小样本情况下仍具有较高的分类准确率; 2) 置疑区间[0.1,0.9]内的分类预测准确率较低, 而置疑区间之外的分类预测准确率在98%以上.     

不确定性闭环系统特征上下界的二阶摄动法

用凸模型理论讨论了参数不确定系统的振动控制问题,把不确定系统的振动控制转化为确定性问题来处理。讨论了不确定参数对闭环系统特征值的影响,提出了闭环系统特征值上下界的二阶摄动估计的计算方法,并通过数值算例证明了该方法的有效性。     

Support vector machine based nonlinear model multi-step-ahead optimizing predictive control

1INTRODUCTION Modelpredictivecontrol(MPC)isaclassof controlalgorithmsinwhichadynamicprocessmodelisusedtopredictandoptimizeprocessper formance[1].Becausemanyindustrialprocessesare intrinsicallynonlinear,especiallyintwocases[2]:strongnonlinearregulatorcontrolproblemsand servocontrolproblemswithfrequentchangesof operatingpoints.Nonlinearmodelpredictivecon trol(NMPC)techniquesshouldbedevelopedto overcometheeffectofthehardnonlinear.Re cently,someNMPCalgorithmshavebeenputfor ward,whicharema…     

基于支持向量机的增量学习算法研究

分析了支持向量机理论中支持向量的特性,利用支持向量与样本空间划分的等价性,提出一种新的基于支持向量机的增量学习算法.该算法考虑新增样本集的分布可能改变对已有样本的分类结果,利用支持向量的分布特性,用对样本的划分差集构造新的支持向量集和分类平面,使差集中的样本点对分类贡献尽可能最大,有效提高了分类精度.同时差集操作简单易行,有效降低了问题的计算复杂度.实验结果表明,与常规增量算法相比,该算法在不改变时间复杂度量级的前提下对分类精度有显著提高.     

基于支持向量机的增量式算法

为了扩展支持向量机在大规模数据集和成批出现数据领域的应用,提出了一种基于支持向量机的增量式学习算法.利用标准的支持向量机算法训练得到初始的目标概念,通过增量式步骤不断更新初始的目标概念.更新模型是求解一个与标准支持向量机具有类似的数学形式的凸二次规划问题.证明了在可分情况下,如果新增加的样本不是位于边界区,那么增量式过程既不会改变分类平面也不会改变分类平面的表达.与现有的增量式支持向量机算法相比,该算法无需额外计算就可实现增量式的逆过程并且训练时间与增量式步骤数成反比.实验结果表明,该算法满足稳定性、能够不断改进性能以及性能回复三个准则.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.     

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向昔机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大．将该模型应用于新疆伊犁河雅码渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用．     

独立成分分析和模糊支持向量机在财务困境预测中的应用

为了降低支持向量机对不平衡数据的倾向性影响,作者将模糊支持向量机方法应用到企业财务困境预测,同时将独立成分分析作为特征提取工具,对企业财务数据中的财务指标比率进行有效选取,从而提高了模糊支持向量机对财务困境预测的性能.通过与其他方法比较,证实了独立成分分析与模糊支持向量机建立的企业财务困境预测模型的有效性与实用性.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.