基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

基于聚类的支持向量机在洪水预报中的应用

半干旱地区的特殊特点使其径流模拟计算难度增大,且难以获得较详细的资料,因而洪水预报难度大,尤其是洪峰流量的预报.若应用所有样本进行模型参数确定并预报,不能完全反映洪水的不同特性.因此采用了基于聚类分析的支持向量机模型,以半干旱半湿润地区的岚河流域为例,进行了模拟检验,结果表明,效率系数大部分达到85%以上,平均相对误差绝对值多数都小于1.5%.另外洪峰流量相对误差绝对值均在15%以内,特别洪峰流量较大的几场洪水,相对误差小于1%.洪峰流量和峰现时差合格率均达100%.     

一种改进的基于密度聚类的支持向量机

运用OPTICS算法能发现任意形状的聚类,且对输入参数不敏感的优势,提出一种基于OPTICS密度聚类的支持向量机算法,通过对原始数据进行预处理,利用可达图得到约简样本代替原始训练样本用支持向量机进行训练,降低了SVM训练所需的时间及空间复杂度.实验表明,该方法在保持分类精度的同时,大大缩短了训练时间,提高了分类效率.     

一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域．支持向量机是一种高效的分类识别方法，在解决高维模式识别问题中表现出许多特有的优势．但支持向量机本身是一个两类问题的判别方法。不能直接应用于多类问题．总结了当前常用的几种支持向量机多类分类算法。分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论，并给出了进一步的研究方向．     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

基于模糊支持向量机的医学图像分类技术

对每一个训练点都定义点模糊度,利用其隶属函数所包含的信息量来确定模糊度,在此基础上对传统的支持向量机算法进行了改进,提出了基于模糊支持向量机的医学图像分类技术。采用不同噪声图像进行的试验结果表明,模糊支持向量机方法能够较好地对MRI图像中脑组织进行分类,并且具有较高的精度。使用该方法还可以减少计算量,提高运算速度。     

基于空间分布支持向量机的图像分割

利用模糊聚类与支持向量机结合的方法,将图像的空间分布信息作为支持向量机的特征分量,并用模糊聚类获得的分类结果作为支持向量机的初始训练样本对图像的所有像素点进行分类,同一类中的像素点形成一个分割区域,以此获得图像分割.实验表明,该方法获得的图像分割效果较好,在一定程度上解决了特征维数过大所导致的维数灾难问题.     

分级聚类支持向量机在汽轮机故障诊断中的应用

在两类支持向量机的基础上,综合分级聚类和决策树的思想构造多类支持向量机,从而简化了分类器结构,减少了分类器数量,避免了拒绝分类区的出现,并加快了训练和识别速度。在小样本情况下对多类汽轮发电机组故障进行了诊断研究,结果表明该方法能够正确地对故障进行识别。     

基于核K-均值聚类和支持向量机结合的说话人识别方法

提出了基于核K-均值聚类方法与支持向量机结合的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好的聚类并约简数据,提高了识别率.实验比较了在用支持向量机作为分类器的情况下,该核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性.     

一种基于聚类的快速局部支持向量机算法

为进一步改善局部支持向量机的分类效率和分类精度,提出一种改进的局部支持向量机算法。该算法对每类训练样本分别进行聚类,使用聚类生成的样本中心点集代替样本,使用改进的k最近邻算法选取测试样本的k个近邻。分别在UCI数据集和自建树皮图像数据集上对本研究算法的有效性进行测试。实验结果表明,本研究提出的算法在分类精度和效率上具有一定的优势。     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

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.     

基于鲁棒支持向量机的光谱解译

在传统基于线性光谱混合模型的光谱解译方法中,模型自身的不足以及在光谱解译过程中无关类别的参与都影响着解译效果。为此,提出一种基于支持向量机并结合空间信息的光谱解译方法。首先创建一种具有鲁棒特性的线性最小平方支持向量机(LLSSVM),并将其应用于初次光谱解译;然后利用空间信息进行智能性纯像素判定、解译结果校正,并对混合像素进行相关类别选择;最后再次应用LLSSVM在相关类别内进行二次解译。仿真试验中,本文方法比传统方法在解译精度上提高了10%,表明了该方法具有良好的解译效果。     

基于SVM的软件质量评价

为了提高软件质量评价的准确性,参考各软件质量模型中的质量因素,构建评价指标体系并构建基于SVM的软件质量评价模型,通过在WEKA下实例仿真,基于SVM的评价结果与期望的结果是一致的,表明该方法能够准确、科学和客观地评价软件质量。     

变粒度二次聚类方法

为了克服单一聚类算法的不足,将粒度计算与聚类算法相结合,提出基于聚合网络的变粒度二次聚类方法(twice clustering method based on the variable granularity and clustering network, VGTC)。首次聚类的目的是寻找合适的聚合粒层,以发现数据的局部结构,二次聚类在此基础之上完成对论域的聚类操作。创新之处在于依据聚类算法参数的改变来调整聚类的粒度,通过粒度计算将两种聚类算法的优点融合在一起。以基于k均值与层次聚类算法的变粒度自适应二次聚类方法(Twice clustering adaptive method of variable granulation based on k-means and hierarchical clustering algorithms, KHVGTC)为例,从理论和实验验证了VGTC算法的准确率和效率。     

基于特征加权的多核支持向量机

提出一种改进的多核支持向量机算法。利用特征向量的信息熵,计算出特征向量关于分类标签的信息增益,用该信息增益作为数据集特征向量的权重系数,然后结合多核支持向量机的核学习能力,对特征向量非均等区别对待,使得分类更加准确。对比实验结果表明,与支持向量机、多核支持向量机相比,改进算法分类正确率得以提升。     

基于支持向量机的软测量技术应用研究

讨论了支持向量机的回归计算理论,并针对某炼油厂加氢裂化分馏汽油干点无法实时在线监测的问题,建立了基于支持向量机的软测量模型对汽油干点进行实时预测．