基于壳向量的线性支持向量机快速增量学习算法

提出了一种新的基于壳向量的增量式支持向量机快速学习算法.在增量学习的过程中，利用训练样本集中的几何信息，在样本中选取一部分最有可能成为支持向量的样本--壳向量，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集，再进行支持向量训练.这在很大程度上减少了求取支持向量过程中的二次优化运算时间，使增量学习的训练速度大为提高.与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比，使用该算法使分类精度得到了提高.针对肝功能检测标准数据集（BUPA）的实验验证了该算法的有效性.     

边界偏转覆盖增量支持向量机

为了利用不断积累的网络样本提高故障诊断效能,针对标准支持向量机不直接支持增量学习的问题,提出一种边界偏转覆盖增量支持向量机. 根据违背Karush Kuhn Tucker条件的新增样本在特征空间中可引起原分类边界改变的情况,设计边界偏转覆盖算法预选支持向量再生区作为增量训练工作集,解决了难以确定的非支持向量向支持向量的转化问题. 理论分析和实验结果表明,该方法能有效简化训练工作集,在保证故障诊断精度的同时大幅度提高增量训练效率.     

支持向量机的快速分类算法

支持向量机（SVM）算法在训练集的规模很大特别是支持向量很多时,支持向量机的学习过程需要占用大量的内存,算法的速度较慢。为此,笔者提出一种新的SVM快速分类算法。该算法通过选择边界向量,构造新的训练样本,减少了参与训练的样本数目。实验证明,该算法不仅能保证原算法的精度,具有良好的推广能力,而且提高了算法的速度。     

改进的球结构SVM多分类增量学习算法

针对球结构支持向量机(support vector machine,SVM)增量学习算法在训练时间和分类精度上的不足,提出了一种改进的球结构SVM多分类增量学习算法.该算法首先构造一个完全二叉树用于多类分类;分析新增样本的加入对原支持向量集的影响,将新增样本集中部分样本和原始训练集中的支持向量以及分布在球体一定范围内的样本合并做为新的训练集,完成分类器的重构.实现通过减少训练样本缩短训练时间和完善分类器提高分类精度的目的.通过UCI标准数据集实验,结果表明,该算法在所需训练的样本数、训练时间以及准确率3方面都优于球结构SVM增量学习算法,尤其当样本分布不平衡时,该算法有更高的分类准确率.     

精简训练样本与支持向量

支持向量机基于统计学习理论并能较好地解决小样本问题,对许多含有大数量样本的数据库来说,支持向量机并不非常合适.训练样本的数量严重影响训练的速度与支持向量的数量.实验表明,保留训练样本的邻界样本,去除部分非邻界样本可以明显地减少训练样本的数量和支持向量的个数,而泛化能力几乎没有下降.     

一种改进的加权边界调节支持向量机算法

为了改进现有支持向量机所确定的边界抗干扰能力差、对噪声数据敏感等问题,减少野点数据对形成支持向量机边界存在的影响,根据各个样本在整个训练样本集中的重要性不同,将各个训练样本的重要性程度值作为权值赋予边界值上,提出了一种基于加权边界调节的支持向量机算法.通过对标准UCI数据集和人工数据集上的仿真实验表明,基于加权边界调节的支持向量机具有较好的野点免疫能力,具有更高的分类精度、更少的支持向量和更好的推广能力.     

结合投影与近邻操作的支持向量快速筛选方法

为减少支持向量机(SVM)的计算负担,提高运算效率,并保证分类精度,提出一种结合投影与近邻操作的支持向量快速筛选方法.该方法利用Fisher投影轴的全局特性将其作为SVM最优分类面的近似法方向,在该方向快速筛除大量非支持向量,将分类边界附近的样本集作为备选支持向量集,同时为解决投影操作未考虑样本局部结构信息造成的误删支持向量的问题,结合近邻操作回选样本空间中备选支持向量的近邻样本更新扩充备选支持向量集,以该子集中的样本作为SVM的输入.在多个UCI标准数据集上的实验结果表明,该方法在充分保证分类精度的前提下有效降低了SVM的计算负担,具有较好的推广性.     

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.     

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.     

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.     

矢量字符的全屏幕编辑与矢量信息的压缩技术

本文阐述了矢量汉字与符号的全屏幕编辑技术，充分体现了人机交互功能的优越性。矢量信息压缩对微机来讲是必要的，文中介绍了具体实施的办法和矢量字库的数据结构。     

加权最大夹角间隔核心集向量机的不平衡数据分类

为了处理大规模数据和不平衡数据分类问题,提出了一种新的分类方法,利用基于最大夹角间隔的核心集向量机算法实现对大样本数据的分类;针对不平衡数据分类问题,通过对不同的样本给予不同的权重,来提高算法的分类性能。加权最大夹角间隔核心集向量机方法不仅能够有效地解决不平衡数据的分类问题,而且能够实现对大样本数据的快速训练。     

平视场激光矢量扫描技术研究

介绍了激光矢量扫描获得平视场的方法；进一步导出了在前置扫描中残余畸变的校正公式、在后置扫描中扩大直线转换器动态聚焦范围的光学设计公式和扫描畸变的校正公式．通过对二维振镜矢量扫描的几何分析，得出下列结论：使用线性扫描物镜的前置扫描虽能消除离焦，但存在扫描的残余畸变；使用直线转换器的后置扫描只能用于小视场离焦校正，对扫描畸变并无校正作用     

改进的子帧矢量量化

提出了一种新的子帧划分方法 四叉树分裂法 .并对LBG算法中初始码书的分裂方法进行了修正 .模拟实验结果表明 ,在相同的压缩比的情况下 ,信噪比要优于传统的矢量量化 (VQ)和子帧矢量量化 (SVQ) ,且重构图像的主客观效果良好     

单矢量传感器的实验分析

单矢量传感器的有关理论得到了湖试数据的验证."雨滴"噪声场实验验证了声压、振速通道各向同性背景噪声的独立性."拉距"实验提供了方位统计量和互谱统计量,方位时间历程出现了有偏现象,声强谱与声压谱比较,前者有可能获得信号功率谱的一致性估计.提出的3种谱级信噪比的估计方法,适用于实验环境的评估.有秒量级的起伏,积分时间较短的数据样本所提供的实验分析与理论和实际经验有较好的一致性.     

空间矢量调制PWM算法研究

空间矢量调制算法生成PWM波因电压利用率高,开关损耗小,易于数字实现,在电力变换设备中应用日益广泛。本文首先分析其基本原理,推导出各空间电压矢量的作用时间与次序,然后利用MATLAB／Simulink仿真软件对算法进行了仿真研究。     

指数光滑支持向量分类机

为了提高光滑支持向量机的分类性能,给出一种具有更强逼近正号函数能力的指数光滑函数,并利用光滑技术克服支持向量机模型的不可微性,得到指数光滑支持向量分类机(ESSVM)。通过理论分析,利用数学方法证明了指数光滑支持向量分类机的收敛性。数值实验表明,指数光滑支持向量机比多项式光滑支持向量机在分类性能上更有优势。     

自动心向量图机系统

充分利用了8031的特点研制一种利用单片机控制的自动心向量图机,并对系统的组成作了详细论述,该设备获得较高的计算精度,为了提高程序的通用性和实用性,使一般技术人员能够使用,对于前处理、主程序和后处理部分进行了处理,使计算程序在向通用化、商业化发展的方向上迈进一步。     

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

关于连接向量图及其在软科学中的应用

在工程问题中,常需将测试若干个变量所得到的几组数据通过处理后,用连接向量图的方法,去直观地分析这几个变量间的相关关系。本文在(1)所介绍的这种基本方法的基础上,做了以下儿方面工作:(1)给出了处理测试数据的变换公式(a),(b),使此方法公式化;(2)给出了计算变换测试数据的程序框图,采用计算机计算及作图;(3)本文首次将此方法用于科学管理教学工作中,从而提高了教学质量。