安全迁移支持向量机

迁移学习方法是一种新的机器学习框架,它将源领域数据通过学习迁移到相似的目标领域中,减弱了对已标记数据的依赖。但迁移学习方法中一个重大问题是使用目标领域数据与源领域数据得到的分类器很可能比仅利用目标领域数据得到的分类器的效果更差,从而造成一种“负迁移”现象。针对此问题,提出一种基于目标领域已标记数据知识的安全控制机制,并通过结合近年出现的一种迁移学习分类器(TL-SVM)提出了一种安全迁移支持向量机(SATL-SVM),从理论上解决了TL-SVM的负迁移问题,在人工数据集和真实数据集上的实验结果表明了所提方法的有效性。     

支持向量机的石油价格预测

研究石油价格变化趋势问题,石油价格是多种影响因素的综合结果,具有复杂非线性,影响因子间信息存在大量冗余,传统预测方法无法消除冗余信息和难以准确描述石油价格非线性变化规律,预测精度低.为了提高石油价格预测精度,提出一种将主成份分析和支持向量机相结合的石油价格预测方法.首先利用主成分分析对石油价格影响因子进行处理,消除因素间的冗余信息,降低支持向量机的输入变量维数,然后利用支持向量机对保留主成分进行建模和预测.模型对石油价格数据进行仿真实验,结果表明,模型消除冗余信息,加快学习速度,提高了石油价格预测精度,并能为石油价格预测提供有效的方法.     

基于物联网和PCA支持向量机的交通流量预测系统

为了解决已有交通流量监测系统存在的数据采集分散、车辆识别度低、实时性差和流量预测误差大等问题,设计了一种基于物联网技术和最小二乘支持向量机(Least Squares Support Vector Machine,LSSVM)的交通流量预测系统;首先,描述了系统原理和部署模型,然后对系统的硬件即车载传感器节点和Sink节点进行了设计,同时对系统的软件流程进行了描述,通过在监控中心执行PCA主成分分析方法实现对采集数据提取独立主成分,消除无关冗余数据,在此基础上采用LSSVM实现道路交流流量预测;最后,在十字路口布置实验环境,实验结果表明:文章方法能实时精确地实现交通流量预测,与其它方法相比,具有拟合精度高和的泛化能力强的优点,具有很强的实用性。     

支持向量机在期货价格预测中的应用研究

关于期货价格准确预测是投资者关心的问题.针对影响期货价格因素间存在高度的非线性、影响因子间存在冗余等特征,传统期货价格预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高期货价格预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)期货价格预测方法(PCA-SVM).首先利用主成分分析对期货价格影响因子进行分析和处理,消除各因子之间的高度冗余性,通过选择贡献大的主成分有效地除去无关的影响因子,加快支持向量机学习速度,提高预测精度,然后利用支持向量机对保留的主成成分进行建模预测.利用PCA-SVM模型对2009年8月Kcbt期货价格进行了验证性分析和测试,仿真结果表明,预测效果稳定,提高期货价格预测精度.证明PCA-SVM是一种有效、高精度的期货价格预测方法.     

支持向量机在税收预测中的应用研究

研究税收预测问题,针对税收数据存在着高度的非线性、冗余等特征,传统的税收预测方法精度较低,影响预测的准确性.为了保证正确税收,提出了一种基于主成分分析的支持向量机税收预测模型(PCA_SVM).首先对影响税收的各指标因子进行主成分分析,消除各指标间的冗余信息,从而减少了支持向量机的输入维数,提高了支持向量机的训练速度,利用PCA_SVM模型对国家2001-2004年税收进行了验证,仿真结果表明,相对于各参比模型,PCA_SVM模型预测精度明显高于各参比模型,具有较岛的泛化能力,是一种有效的税收预测模型.     

基于独立成分分析和核向量机的人脸识别

提出利用独立成分分析提取人脸特征并用核向量机进行识别的方法。独立成分分析能更本质地描述图像特征,通过选择合适的特征个数达到较高的识别准确率。利用核向量机进行分类判决,可以快速地对大样本数据进行准确分类,产生较少的支持向量。实验证明了该方法的可行性和有效性,在ORL人脸数据库上达到了94.38%的准确率。     

基于支持向量机的时态数据预测方法

支持向量回归机使用由经验误差项和常数项所构成的风险函数,满足结构风险最小原则。在时态数据预测领域,它将成为一种很有前途的预测方法。简要介绍了回归支持向量机的基本理论。基于回归支持向量机模型,建立了一个对时态数据预测的方法,可以对多属性时态数据进行预测,并与其它预测模型（BP神经网络）进行比较。实验结果表明所提出的方法在预测的稳定性和准确性方面都要优于BP神经网络模型。     

支持向量机在天然气企业产量预测中的应用

天然气企业副产品产量受市场的波动影响很大,对于副产品产量的预测,通常都是依靠工作人员的经验,工作量大,效率不高。回归统计分析方法及传统的机器学习方法在这个领域的应用存在着一些局限性,介绍一种新的机器学习算法—支持向量机,以企业为背景,运用支持向量机算法来解决预测问题,实验证明采用支持向量机能够满足企业的需求,得到满意的效果。     

基于独立成分分析和模糊支持向量机的车标识别新方法

提出了一种新的车标识别方法。首先,利用独立成分分析提取车标特征,然后,采用模糊支持向量机设计分类器进行车标识别。实验结果表明,与现有车标识别方法相比,该方法识别率高、速度快。     

基于独立成分分析和支持向量机的图像型火灾探测

图像型火灾探测具有非接触性、反应快等优点,可有效解决大空间火灾探测难题,是火灾探测新的研究方向,其核心问题是火焰和干扰物的分类识别。常用方法是提取火焰在图像上表现的单个或某几个特征信息作为识别依据,需要设置大量经验阈值,识别率常因特征选择不合适而受到影响。通过对火焰整体特性的研究,提出了基于独立成分分析和支持向量机的火焰探测方法。首先在RGB空间建立颜色模型对连续数帧火灾图像预处理,并进行频闪特性和模糊聚类分析提取疑似目标区域,根据独立成分分析线性变换一对一和可逆性估计出基函数描述火焰图像特征,最后用支持向量机模型实现火灾探测。实验结果表明,该方法提高了图像型火灾探测精度和速度,可适用于多种火灾探测场景。     

基于ICA和SVM的道路网短时交通流量预测方法

交通流量预测是智能交通系统(ITS)研究的一个重要课题。通过对多个观测点交通流量数据特点进行分析,采用一种基于独立成分分析(ICA)与支持向量机(SVM)相结合的短时交通流量预测方法。首先,通过独立成分分析得到同一条道路上各个观测点的交通流量的独立源信号;接着利用支持向量机预测模型对源信号进行建模和预测,并通过遗传算法(GA)优化参数;最后将其转换为交通流量数据,得到预测结果。实例分析结果显示,该算法优于直接利用支持向量机对交通流量进行预测的方法,并能去除同一条道路上多个观测点测量数据之间的相互影响。     

基于改进的F-score与支持向量机的特征选择方法

将传统F-score度量样本特征在两类之间的辨别能力进行推广,提出了改进的F-score,使其不但能够评价样本特征在两类之间的辨别能力,而且能够度量样本特征在多类之间的辨别能力大小。以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择。通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法。     

核向量机与支持向量机相结合的二阶段快速学习方法

支持向量机(SVM)作为一种有效的模式分类方法,当数据集规模较大时,学习时间长、泛化能力下降;而核向量机(CVM)分类算法的时间复杂度与样本规模无关,但随着支持向量的增加,CVM的学习时间会快速增长。针对以上问题,提出一种CVM与SVM相结合的二阶段快速学习算法(CCS),首先使用CVM初步训练样本,基于最小包围球(MEB)筛选出潜在核向量,构建新的最有可能影响问题解的训练样本,以此降低样本规模,并使用标记方法快速提取新样本;然后对得到的新训练样本使用SVM进行训练。通过在6个数据集上与SVM和CVM进行比较,实验结果表明,CCS在保持分类精度的同时训练时间平均减少了30%以上,是一种有效的大规模分类学习算法。     

基于多特征结合与加权支持向量机的图像去噪方法

在基于支持向量机(SVM)的图像去噪方法的基础上,提出了一种基于多特征结合与加权SVM的图像去噪方法。首先,根据图像中相邻像素的相关性及椒盐噪声的特点,提取含噪图像中的多种特征;然后,利用针对不平衡数据集所改进的加权SVM分类器,识别出含噪图像中的噪声点,再利用支持向量回归机(SVR)对噪声点的原始灰度值进行回归预测;最后,重构图像以达到去噪的目的。实验结果表明,该方法能提高SVM分类器对噪声点的识别率,改善分类器的性能,并能在去噪的同时较好地保留图像的边缘信息,获得较高的峰值信噪比(PSNR)。     

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系,提出了基于中心距离比值的增量支持向量机。与传统方法相比,基于中心距离比值的增量支持向量机有效的利用了中心距离比值,解决了CDRM+SVM的阈值选取问题;且适合于增量学习;从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。     

基于支持向量机协同训练的半监督回归

将支持向量机与半监督学习理论相结合,提出基于支持向量机协同训练的半监督回归模型,使用两个支持向量机回归模型相互影响,协同训练。利用实验数据集进行实验,并与监督支持向量机回归模型、半监督自训练支持向量机回归模型作比较。实验结果表明,基于支持向量机协同训练的半监督回归模型在缺少标记样本的情况下,提高了回归估计的精度。     

集成灰色支持向量机预测模型研究与应用

对灰色预测GM(1,1)模型进行了分析,提出了集成灰色支持向量机的预测模型。分别对影响灰色预测GM(1,1)模型精度的背景值的计算、初值的选取以及数据序列的光滑度进行改进,提出了背景GM模型、初值GM模型、光滑度GM模型,并结合支持向量机的特点,将一维原始数据序列通过三个灰色模型得到的三组值作为支持向量机的输入,原始序列作为支持向量机的输出,训练得到最佳支持向量回归机模型。仿真结果表明了该模型的有效性。     

集合经验模态分解主成分分析分解消噪下的支持向量机组合模型预测

针对工业现场间歇性非平稳时间序列中的特征提取与状态预测问题,提出了一种基于集合经验模态分解(EEMD)、主成分分析(PCA)和支持向量机(SVM)的预测新方法。首先,利用EEMD算法对间歇性非平稳时间序列进行多时间尺度分析,得到一组不同尺度的本征模函数(IMF)分量;然后,基于"3σ"原则估计噪声能量,自适应确定累计贡献率,利用PCA算法去除IMF中存在的噪声,降低特征维数和冗余度;最后,在确定SVM关键参数的基础上,以主分量作为输入变量预测未来。实例测试效果显示:平均绝对误差(MAE)、均方误差(MSE)、平均绝对误差百分比(MAPE)和均方误差百分比(MSPE)分别为514.774,78.216,12.03%和1.862%。实验结果表明:风能场输出功率时间序列经过EEMD算法和PCA算法的进一步消去噪声处理,在抑制混频现象发生的同时降低了非平稳性,使得最后进行SVM预测的精度较未经PCA处理更高。     

基于Rescaled Hinge损失函数的多子支持向量机

针对多分类学习模型性能会受异常值影响的问题,提出基于Rescaled Hinge损失函数的多子支持向量机（RHMBSVM）。首先,该方法通过引入有界、非凸的Rescaled Hinge损失函数来构建相应的优化问题;然后,利用共轭函数理论将优化问题作等价变换;最后,使用变量交替策略形成一个迭代算法来求解非凸优化问题,该方法在求解的过程中可自动调节每个样本点的惩罚权重,从而削弱了异常值对K个超平面的影响,增强了鲁棒性。使用5折交叉验证的方法进行数值实验,实验结果表明,在数据集无异常值的情况下,该方法的正确率比多子支持向量机（MBSVM）提升了1.11个百分点,比基于Rescaled Hinge损失函数的鲁棒支持向量机（RSVM-RHHQ）提升了0.74个百分点;在数据集有异常值的情况下,该方法的正确率比MBSVM提升了2.10个百分点,比RSVM-RHHQ提升了1.47个百分点。实验结果证明了所提方法在解决有异常值的多分类问题上的鲁棒性。