一种改进的支持向量机多类分类方法

提出一种新的基于二叉树结构的支持向量机(SVM)多类分类方法.该方法解决了现有主要算法中存在的不可分区域问题,具有简单、直观、重复训练样本少的优点.为了提高分类模型的推广能力,必须使样本分布好的类处于二又树的上层节点,才能获得更大的划分空间.因此,该算法采用类间散布度量与类内散布度量的比值作为二叉树的生成算法.采用UCI标准数据集实验,实验结果表明该算法具有一定的优越性.     

基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

支撑向量机多类分类方法的研究

支撑向量机是一种基于统计学理论的新的学习算法,它采用了结构风险最小化原则,能有效地解决过学习问题,具有很强的泛化能力。传统支撑向量机针对两类分类问题,为了深入地分析实际应用中的大规模和多类别的问题,通过对一次性求解法、一对多、一对一、有向无环图方法的原理和实现方法进行分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,并通过实验进行了验证和比较。实验结果表明,各种方法可以获得不同的分类器推广能力及训练速度和测试速度,也为今后如何更好地解决支撑向量机多类分类问题指明了方向。     

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

支撑向量机的多类分类方法

基于结构风险最小化原则的支撑向量机(SVM)具有良好的学习推广性。但是由于常规的SVM是从二类分类问题中推导出来的，在多类分类问题中就必须进行改进。文中讨论了支撑向量机的多类分类改进方法．运用在手写体数字识别中，并取得较好的结果。     

基于特征值分解的中心支持向量机算法

针对广义特征值中心支持向量机(GEPSVM)训练和决策过程不一致问题,该文提出一类改进的基于特征值分解的中心支持向量机,简称为IGEPSVM。首先针对二分类问题提出了基于特征值分解的中心支持向量机,然后基于一类对余类策略将其推广到多类分类问题。将GEPSVM求解广义特征值问题转化为求解标准特征值问题,降低了计算复杂度。引入了一个新的参数,可以调节模型的性能,提高了GEPSVM的分类精度。提出了基于IGEPSVM的多类分类算法。实验结果表明,与GEPSVM算法相比较,IGEPSVM不仅提高了分类精度,而且缩短了训练时间。     

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用.探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能.     

基于类加权的双ν支持向量机

该文提出了一种类加权的双ν支持向量机,称为WDν-SVM。给出了求解WDν-SVM的KKT条件。理论分析表明,WDν-SVM中的参数v 和v_具有与ν-SVM类似的物理含义,分别对应于加权正类和负类中边界向量比例的上界和支持向量比例的下界,从而有利于分类识别中的参数取值。此外,通过调整类加权可提高WDν-SVM对小样本类的分类性能。实验结果表明WDν-SVM既保持了ν-SVM的优势,即WDν-SVM的参数具有明确的物理含义,又解决了ν-SVM由于样本类不平衡导致的分类错误偏差问题。     

基于类加权的双v支持向量机

该文提出了一种类加权的双v支持向量机,称为WD v-SVM。给出了求解WD v-SVM的KKT条件。理论分析表明,WD v-SVM中的参数v+和v-具有与v-SVM类似的物理含义,分别对应于加权正类和负类中边界向量比例的上界和支持向量比例的下界,从而有利于分类识别中的参数取值。此外,通过调整类加权可提高WD v-SVM对小样本类的分类性能。实验结果表明WD v-SVM既保持了v-SVM的优势,即WD v-SVM的参数具有明确的物理含义,又解决了v-SVM由于样本类不平衡导致的分类错误偏差问题。     

基于支持向量机的电子邮件分类模型设计

本文就目前电子邮件的数量越来越多，人们急需一种分类机制，设计了基于支持向量机的电子邮件分类模型，有效的对电子邮件进行分类，并可对垃圾邮件进行过滤。     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

利用支持向量机补偿温度对光纤光栅传感的影响

不同于以往温度、应变与光纤Bragg光栅(FBG)峰值波长偏移量之间的数学模型,本文提出利用支持向量机(SVM,support vector machine)补偿温度的影响,并以FBG压力传感器为例,利用标定的压力传感器数据对SVM模型的惩罚系数C和径向基核函数(RBF)核参数γ进行优化,得到SVM温度补偿模型,选择核参数γ为100、惩罚系数C为16。经过补偿后,压力传感器的零位温度系数和灵敏度温度系数由补偿前的34.5%/℃和34.2%/℃减小到1.7×10-5%/℃和7.7×10-5/%/℃。充分说明,利用SVM补偿温度对FBG压力传感器的影响是有效的。     

基于特征级融合和支持向量机的飞机识别

提出一种新的基于组合不变量的飞机识别方法。对不同飞机机型图像,提取Hu矩、仿射矩和归一化傅里叶描述子（NFD）3类不变量进行特征级融合。针对组合不变量取值范围较大问题,提出采用4种归一化方法,结合支持向量机（SVM）以提高飞机识别系统的分类性能。仿真实验表明,提取飞机的组合不变量特征,采用传统神经网络或SVM构建分类器...     

基于支持向量机的光寻址电位传感器温度补偿研究

针对光寻址电位传感器(LAPS,light addressable potentiometric sensor)测量精度易受温度 影响的问题,提出一种基于支持向量机(SVM)的LAPS温度补偿方法。根据在多温度条件下LAP S传感 器对缓冲液pH的实测数据,利用SVM建立LAPS温度补偿模型,通 过核函数把LAPS输出饱和光电流与温度间的非线性关系映射到高维特征空间,在高维空间中 用线性回归实 现该映射的非线性处理,对LAPS的温度特性进行非线性逼近,补偿温度对LAPS输出的影响。 实验结果表 明,在(20±1)、(20±2)和(20±5) ℃温度变化情况下,经过温度补偿后LAPS系统输出 pH的标准偏差 分别为补偿前的1/3、1/4和1/6,均小于0.05pH,LAPS 温度补偿算法可以明显补偿温度影响,提高LAPS的测量精度。     

基于生物免疫优化支持向量机算法的居民区负荷预测

针对居民区用电负荷随机性强、稳定性差等问题,综合考虑各因素对居民用电负荷的影响,提出一种免疫支持向量机(support vector machine,SVM)算法负荷预测模型。以居民区历史用电量及相关气候数据为处理对象,使用PCA(principal component analysis)算法对电网历史数据进行处理,并结合免疫算法对电网历史数据进行预处理,形成数据簇并划定标签提供给预测模型进行训练。为提高模型精度,采用生物免疫优化算法对SVM模型参数进行优化,并在负荷预测环节,将预测误差作为调优依据,对预测模型进行反馈调优。将预测效果与常用于负荷预测的BP(back propagation)神经网络、SVM算法模型进行对比,免疫SVM算法负荷预测模型的短期、中期预测精准度均在98%以上,具有较好的精度与鲁棒性。     

基于高斯过程的多元分类方法

高斯过程是一种已应用在回归和分类问题上的非常有前途的技术。近年来,基于高斯过程的先验模型引起了在机器学习领域的重视。基于高斯过程的二元分类是一种非常成熟的方法。文中阐述了一种基于二元高斯分类的多元分类方法。通过这种方法可以得到一个很好的精度。同时,在实验过程中,对此种方法和支持向量机(SVM)在决策时间和精度上进行了比较。     

支持向量机在交通量预测中的应用

交通量预测对于区域交通规划有重要意义。提出一种基于支持向量机理论的交通量预测方法。该方法以统计学习理论为基础，通过和BP神经网络进行比较的实验，证明其在交通量预测中的有效性。     

支持向量机及其改进算法研究

支持向量机基于结构风险最小化原则，在经验风险和泛化能力之间折衷。它以其良好的性能。在分类领域得到越来越广泛的应用。探讨了SVM的基本原理，研究了在其基础上的一些改进算法，分析了它们之间的联系和区别，为在实际应用中选择最佳的模型提供参考。     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.