基于模糊支持向量机的网络入侵检测

本文提出了一种基于模糊支持向量机的网络入侵检测方法。通过在样本中引入模糊隶属度,来减小噪声数据和孤立点的影响。根据网络入侵检测的特征,选择合适的核函数,构建了适合于网络入侵检测的模糊支持向量机分类器。实验表明这种分类器应用于网络入侵检测是可行的,有效的。     

基于改进的支持向量机的脱机中文签名验证

采用支持向量机算法来验证脱机中文签名。针对支持向量机算法的不足,将粗糙集和支持向量机相结合,利用粗糙集理论对数据属性进行约简,在某种程度上减少支持向量机求解的计算量。不但避免了特征提取中维数灾问题,还有效改善了训练时间。实验结果表明：粗糙集和支持向量机算法应用于离线签名识别,在相同条件下的识别效果优于支持向量机算法。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

一种基于粗糙间隔的模糊支持向量机

 以模糊支持向量机(FSVM)为基础,同时考虑样本在间隔中的位置对决策超平面的影响,提出了基于粗糙间隔的模糊支持向量机(RFSVM).通过计算各个数据点的模糊隶属度,并利用最大化粗糙间隔方法,对具有隶属度的数据进行训练以获得决策超平面.在此算法中,位于下间隔中的训练点比边界域中的训练点具有较大的惩罚值,以便更好地减少噪声或野点对超平面的影响.利用选择的标准数据集对几种不同算法进行了实验比较,结果表明了RFSVM算法的有效性.     

基于pinball损失的结构模糊孪生支持向量机

孪生支持向量机通过求解较小的二次规划问题,提高了分类器的性能,然而,该方法主要利用了类间可分的特性,并使用hinge损失函数构建相应的模型,它们并未充分考虑不同类中数据的结构信息以及不同样本对分类的影响,导致该方法对噪声具有较强的敏感性以及重取样的不稳定性.为了进一步提高孪生支持向量机的性能,基于pinball损失函数,将数据集中不同类的结构信息以及不同样本的作用引入到孪生支持向量机中,获得了基于pinball损失的结构模糊孪生支持向量机模型,从理论上导出了基于pinball损失的结构模糊孪生支持向量机算法pin-sftsvm,通过选取人工生成数据集与UCI标准数据集,对pin-sftsvm算法进行了实验,并与tbsvm、s-tsvm和pin-tsvm算法进行了性能比较,表明了提出算法的有效性.     

基于简约凸壳的一类模糊支持向量机

为解决传统一类支持向量机对噪声数据敏感和不适用于大规模分类等问题,提出了用于大规模噪声环境的基于简约凸壳的一类模糊支持向量机（OC-FSVM-RCH）.OC-FSVM-RCH根据简约凸壳的定义在核空间得到代表正常类数据几何特征的样本,然后基于改进的模糊支持向量域描述算法,使得正常类数据包含在最小超球内,异常数据与超球间隔最大化.OC-FSVM-RCH剔除正常类数据轮廓边缘处的噪声,同时对数据内部的噪声不敏感.实验结果表明了所提算法在性能和训练时间上取得了良好的效果.     

基于模糊K近邻的模糊支持向量机的语音情感识别

基于模糊K近邻算法对模糊支持向量机中模糊类别隶属度的计算进行了改进,将距离与样本之间的关系相结合进行加权弥补了FSVM算法的不足.引入CCA算法对语音特征矢量进行降维处理,有效减小了特征之间的冗余信息,通过识别实验对传统的SVM、FSVM以及基于模糊K近邻的FSVM的算法性能进行了比较和分析.     

基于非单点模糊支持向量机的判决反馈均衡器

该文提出了一种具有较强抗突发干扰能力的非单点模糊支持向量机判决反馈均衡器。该方法以支持向量机为框架,采用具有前置滤波特性的非单点模糊高斯核函数,利用梯度下降法调整核函数中的可调参数。通过仿真实验,并与支持向量机判决反馈均衡器和传统判决反馈均衡器进行比较,结果证明该方法具有优良的非线性均衡能力和抗突发干扰能力。     

基于核鲁棒k-均值的模糊支持向量机算法

支持向量机对训练数据中的噪声敏感,为了解决这一问题,本文提出基于核鲁棒k-均值算法的模糊支持向量机算法。算法首先在每类训练样本上应用核鲁棒k-均值算法,得到每个样本的模糊隶属度,将该隶属度赋予训练样本,得到模糊训练集,然后在模糊训练集上训练模糊支持向量机,得到分类决策函数。实验表明,对于带噪声的训练样本,本文的算法能够为噪声样本赋予小的隶属度,提高分类准确率。     

基于模糊C-均值的相似性特征转换光滑支持向量机

在用于非线性分类的光滑支持向量机（SSVM）模型中,核函数必须满足Mercer's条件,由此限制了核函数的选择范围;并且在面对大规模数据集时,SSVM模型的计算复杂度很高,训练时间长.针对这两点缺陷提出了基于模糊C-均值的相似性特征转换光滑支持向量机模型（SFT-SSVM-FCM）.首先,运用基于相似性的特征转换,使得核函数不需要再满足Mercer's条件,从而拓宽了核函数的选择范围;其次,运用模糊C-均值（FCM）分群技术,将完整的训练数据集划分成若干子簇,分别在每一个子簇上进行已经过相似性特征转换的SSVM模型训练.实验表明：与传统的SVM、SSVM模型及一系列变体模型相比较,该新模型在训练时间、分类精度方面都具有更好的表现.     

基于不完备知识的模糊本体构建(英文)

There exists widely incomplete knowledge all over the world, but incomplete knowledge still cannot be dealt with in the process of ontology construction. Hence, a method for fuzzy ontology construction based on incomplete knowledge is proposed. First, the calculation principle of the attribute weight of the ontology concept is presented, and the calculation function of the attribute weight is derived through experiments. Then, the membership degree of the incomplete individual to the concept is computed. Finally, the incomplete individual is classified according to the principle of the variable precision rough set model. The experimental results show that the average precision of the classification of the incomplete individuals is 81.7% when the common attributes are omitted and that it is difficult to classify the incomplete individuals correctly when the private attributes are omitted. This method is significant for handling incomplete knowledge in the process of ontology construction.     

模糊多类SVM模型

利用SVM处理多类分类问题,是当前的研究热点之一.本文提出了一种模糊多类支持向量机模型,即FMSVM.该方法是在Weston等人提出的多类SVM模型中引入模糊成员函数,针对每个输入数据对分类结果的不同影响,该模糊成员函数得到相应的值,由此得到不同的惩罚值.从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据.理论分析与数值实验都表明,该算法具有良好的鲁棒性.     

基于模式结构分类的本体映射方法

本体映射是语义集成的关键技术,本文基于本体的模式结构提出了一种自顶向下的本体映射方法,该方法在考虑四种基本映射关系并假定所有映射关系均为1:1的情况下,首先将本体描述为图,并将本体中的每个概念都定义为树,在此基础上给出了树中叶节点、非叶节点相似度的计算方法,通过概念分类将子树进一步合并,根据分类的结果重新组织图结构,最...     

基于模糊语义的本体概念相似度计算算法

针对现有本体概念相似度计算方法无法处理概念特征属性的模糊性问题,基于本体的语义结构特点提出了通过语义扩展集来对概念特征进行描述的方法,并在此基础上定义概念的模糊特征集合。在特征的量化过程中,充分考虑了本体概念相似度的不对称性、概念的层次深度及区域密度对相似度的影响,最后,通过模糊集合之间的相似度来衡量本体概念的相似度。在通用数据集上的实验表明,该方法的相似度计算性能要优于以往的计算方法。     

本体映射的集成和语义挖掘研究

对于不同的待映射本体,各种映射策略的表现可能有较大差异,传统的映射方法并没有根据具体语境和策略的可信度进行映射结果集成,对产生的映射对也没有做进一步的语义挖掘。为了解决这个问题,根据本体和谐度对各策略权值进行自适应计算;利用结构语义信息进行语义传播(或利用在线本体作为背景知识)挖掘新的映射对。实验表明改进的方法可以明显提高查准率,获得更准确的映射结果。     

FCM聚类的模糊SVM法在雷达信号识别中的应用

支持向量机(SVM)是一种新的很有效的模式识别方法,将其应用到雷达信号识别中可以较好地解决此类问题.由于传统的支持向量机由两类扩展到多类问题时,会出现不可分区域.针对雷达信号的多类识别这一实际问题,提出解决这一现象的模糊支持向量机理论(FSVM),并定义输入向量对于某类的隶属度函数,更符合实际情况.此外,支持向量机理论本身对于支持向量的选择并没有指导性,对此利用模糊C均值(FCM,Fuzzy C-Means)聚类,对训练样本进行预处理,可以大大减少训练样本的数量,从而提高支持向量机的训练速度.仿真对比实验和结果证实了结合FCM对训练样本预处理的FSVM法对雷达信号识别具有训练速度快、识别准确率高的特点.     

基于排序学习方法的本体映射算法

本体映射作为实现多本体间相互操作的重要手段,已广泛应用于诸多科学领域.根据本体自身的结构设计边权值函数和函数,利用排序算法将多本体图映射成实直线,通过比较两概念对应实数间的差值或排名的接近程度判断它们的相似程度,由此得到对应的本体映射.实验表明,该算法有较高的效率.     

一种基于SVM的多目标模糊识别方法

支持矢量机是近年来在统计学习理论的基础上发展起来的一种新的模式识剐方法，在解决小样本、非线性及高维模式识剐问题中表现出许多特有的优势。本文重点分析了支持矢量机多分类问题中存在的错分、拒分现象，提出了一种基于支持矢量机特征空问的模糊隶属度函数。多目标识剐的仿真结果表明，采用这种模糊隶属度函数，能够减少目标的错分和拒分数量，提高识剐率。