基于支持向量机的网络故障在线诊断方法研究

介绍了网络故障诊断的发展趋势和支持向量机的基本原理,采用一种改进的支持向量机用于网络故障的在线诊断和分析,并且以实验网中采集的数据进行了实验,实验表明该方法能够快速准确地在线诊断网络故障,为网络故障在线诊断向智能化方向发展提供了新的途径.     

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.     

一种基于不平衡样本集的摩托车识别算法

提出了一种基于HSV(Hue-Saturation-Value)空间的Haar小波特征和多SVM(Support Vector Machine)分类器的摩托车识别算法,以解决因样本比例不平衡所导致的对摩托车识别性能差的问题.首先在HSV颜色空间基于无符号小波系数构造特征提取算法,然后对训练数据应用所提出的样本重构方法得到若干训练子集,基于各个训练子集训练相应的SVM分类器,识别时将各SVM的输出结果进行融合即可得到最终识别结果.实验结果表明:该方法识别性能高,鲁棒性好,对于受数据的不平衡性严重影响的对象识别具有较好的应用和推广价值.     

基于支持向量机的故障模式识别研究

支持向量机为因缺乏大量故障样本受到制约的智能诊断提供了一个全新的途径.从振动信号中提取特征向量作为支持向量机的输入,对滚动轴承故障模式进行识别.实验表明,在含噪声条件下支持向量机对滚动轴承故障模式仍然具有优秀的分类性能.     

一种基于反馈学习机制的支持向量机网页分类方法

本文以SVM分类方法为基础,研究了SVM在网页分类方面的应用并给出了基于KKT条件的反馈机制对SVM方法进行改进的方法。通过对中等规模的Web网页测试实验表明基于KKT（karush—Kuhn—Tucker）条件的反馈学习机制的支持向量机对Web网页分类方法是有效的。     

一种改进的简化支持向量机

在针对大样本问题时,支持向量机所需训练时间和内存都急剧增加。为解决这一问题,提出一种改进的支持向量机简化方案。根据能成为支持向量的样本主要分布在边界上,该方案提出改进提取边界样本的方法提高约简率,保留边界样本并约简非边界样本来减小样本规模。经实验验证,此约简方法约简效果好,泛化性能几乎没有损失,表明该方案有效可行。     

基于支持向量机(SVM)算法的加工机械故障分析

针对工业领域中加工机械故障数据集的复杂性和海量性,对经典支持向量机(SVM)算法进行深度优化,引入规范化超平面分割数据集,并求解最优解;选择高斯径向基函数作为算法模型核函数,改善算法的泛化性能;基于样本熵排列方式提取故障信号特征,在不可分空间内也可以实现对非线性数据集的精确分割.仿真结果与实例验证表明,优化SVM算法具...     

基于SVM的查询向量微博话题跟踪技术研究

为了使人们能够更准确地了解所关注微博话题的后续发展情况,在分析支持向量机（SVM）算法和基于查询向量的话题跟踪算法这两种传统算法的基础上,提出了一种新的微博话题跟踪算法,即基于SVM的查询向量话题跟踪算法,给出了该算法在微博话题跟踪应用中的流程,并通过数据模拟实验对该算法的性能进行验证。实验表明,该算法能够提高话题跟踪准确率及综合性能。     

一种改进的快速嵌入式字符识别方法

针对手持式字符识别系统开发中系统对实时性要求较高、系统资源有限以及传统的支持向量机(SVM)分类方法难以同时满足识别率和识别速度的缺点,提出一种快速的SVM(FCSVM)分类算法。对支持向量集采用变换的方式,用少量的支持向量代替全部支持向量进行分类计算,在保证不损失分类精度的前提下使得分类速度较传统SVM算法有较大提高。实验结果表明,FCSVM算法较大幅度地减少了计算复杂度,提高了分类速度,尤其在嵌入式系统中效果更加明显。     

基于支持向量机与粗糙集理论的病例诊断

针对支持向量分类机在病例诊断中,训练样本大、诊断速度慢的不足,根据粗糙集理论的属性约简和支持向量机的分类机理,提出了一种混合分类算法,对病例进行诊断.应用粗糙集理论在不损失有效信息的情况下对属性进行预处理,从决策表中删除冗余的属性和冲突对象,降低支持向量机的维数和分类过程中的复杂度.然后利用支持向量机的分类机原理,对对象进行分类和预测,从而达到对病例进行诊断.实验证明在通过粗糙集对信息约简后,在合理降低准确率的情况下提高了诊断速度,从而解决了支持向量分类机在处理大量病例信息情况下,诊断速度慢的问题.     

网络钓鱼邮件分析系统的设计与实现

针对钓鱼邮件检测过程中提取特征数量愈加庞大,检测效果没有明显提升且时间成本增加这一问题,提出了一种钓鱼邮件检测方法.该方法提出将原始的42维邮件特征转换为2个新特征,即基于密度的特征和基于距离的特征,检测准确率最高可达99.74%,分类时间仅需3.39 s,是传统算法的1/20.实验结果表明,该方法具有较好的检测效果,并且降低了时间成本.

     

Improved Approach Based on SVM for License Plate Character Recognition

An improved approach based on support vector machine （SVM） called the center distance ratio method is presented for license plate character recognition. First the support vectors are pre-extraeted. A minimal set called the margin vector set, which contains all support vectors, is extracted. These margin vectors compose new training data and construct the classifier by using the general SVM optimized. The experimental resuhs show that the improved SVM method does well at correct rate and training speed.     

基于遗传编程的线性鉴别分析及其在故障诊断中的应用

针对线性鉴别分析在提取非线性特征时不能取得很好效果的问题,提出了基于遗传编程的线性鉴别分析方法。首先利用遗传编程对传统的时域指标进行特征提取,得到更能反映信号本质的复合指标,然后通过线性鉴别分析提取最佳特征向量,作为识别特征输入多类支持向量机,实现了对机器不同类型故障的识别。实验表明,经过基于遗传编程的线性鉴别分析提取的特征对轴承的故障具有很好的识别能力,进而提高了多类支持向量机的分类准确性。     

最小二乘大间隔孪生支持向量机

针对最小二乘孪生支持向量机（LSTWSVM）精度较低和可能存在的"奇异性"问题,提出了一种最小二乘大间隔孪生支持向量机（LSLMTSVM）.该算法在最小二乘孪生支持向量机的优化目标函数中引入了间隔分布,提高了算法的泛化性能.在目标函数中加入正则项,实现了结构风险最小化,进一步提高了分类能力.实验结果表明,最小二乘大间隔孪生支持向量机比已有的相关算法性能更优.     

最小二乘支持向量机的两点改进

最小二乘支持向量机以其较好的性能得到了广泛应用,但仍存在2点不足:一方面,最小二乘支持向量机将所有训练样本都作为支持向量参与未知样本的分类,导致该算法在泛化过程中处理速度较慢;另一方面,最小二乘支持向量机主要利用光谱数据进行训练和分类,忽略了对地物空间信息的挖掘,影响了分类精度。为此,提出一种基于库伦引力模型的样本缩减策略,在此基础上将分类结果与基于空间信息的分类器相融合,由此产生的新分类器可以有效解决以上两方面的问题。实验表明了新分类模型在分类精度与速度方面的优势。     

Mandarin Digits Speech Recognition Using Support Vector Machines

A method of applying support vector machine (SVM) in speech recognition was proposed, and a speech recognition system for mandarin digits was built up by SVMs. In the system, vectors were linearly extracted from speech feature sequence to make up time-aligned input patterns for SVM, and the decisions of several 2-class SVM classifiers were employed for constructing an N-class classifier. Four kinds of SVM kernel functions were compared in the experiments of speaker-independent speech recognition of mandarin digits. And the kernel of radial basis function has the highest accurate rate of 99.33 %, which is better than that of the baseline system based on hidden Markov models (HMM) (97.08%). And the experiments also show that SVM can outperform HMM especially when the samples for learning were very limited.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.     

SVM和RVM对高光谱图像分类的应用潜能分析

针对高光谱图像分类一直面临的小样本、非线性及高维数等问题,分别从原理和实验两个方面分析比较了两种最新的核学习方法——支持向量机(SVM)和相关向量机(RVM)在高光谱图像分类中的异同点.通过对稀疏性、运算时间及分类精度的实验仿真,结果表明:与SVM相比,RVM模型更加稀疏,从而测试时间更短,更有利于大数据量在线测试;然而,RVM的缺点是分类精度略低于SVM.基于此,本文利用Fisher线性鉴别分析(FLDA)技术,在分类前对高光谱数据作可分性预处理,一方面可以降低数据维数、减少计算量,另一方面可以有效地提高小样本区域的分类精度,进而提高RVM的总体分类精度,使得RVM与SVM相比在高光谱图像精细分类方面更具优势.