基于稀疏最小二乘支持向量回归的非线性自适应波束形成

该文基于最小二乘支持向量回归(LS-SVR)模型提出一种非线性自适应波束形成算法,以提高模型失配、小样本数、复杂多干扰等情况下的自适应波束形成器的鲁棒性。推导了高维矩阵逆矩阵求解的递推快速算法,实现了回归参数的实时求解。采用奇异性准则实时寻找输入样本集的具有较小信息冗余度的子集,并在该子集上完成波束形成计算,使得LS-SVR波束形成的求解得以稀疏化,提高了学习效率,降低了计算复杂度与系统存储空间需求。对比仿真结果验证了所提算法的正确性和有效性。     

一种最小二乘支持向量机的算法改进与实现

对最小二乘支持向量机的内在理论进行了分析,结果显示其存在模型不具有稀疏性等缺点。针对该缺点,结合压缩感知理论的分块稀疏编码方法,进行了最小二乘支持向量机的算法改进;并在已有工具箱的基础上对改进算法进行了Matlab实现。采用标准人脸库进行的改进算法实验显示,改进算法运行正确,性能良好,具有一定的应用价值。     

曲波变换和最小二乘支持向量机的图像压缩算法

为了提高图像压缩质量,针对传统压缩算法的不足,提出一种曲波变换和最小二乘支持向量机相融合的图像压缩算法。首先采用曲波变换把图像分解为不同尺度和不同方向的曲波系数,并采用熵编码对粗尺度层曲波系数进行压缩,然后利用最小二乘支持向量机对细尺度层中不同方向的曲波系数进行学习,并通过和声搜索算法优化最小二乘支持向量机,实现细尺度层曲波数的压缩,最后采用图像压缩仿真实验测试其性能。结果表明,曲波变换和最小二乘支持向量机相融合的图像压缩算法提高了图像压缩的峰值信噪比,加快了图像压缩的速度,获得了更好的图像压缩效果。     

基于最小二乘支持向量机的比特分配算法

Q2算法是新一代国际视频编码标准MPEG-4的标准码率控制算法,但在低码率和低延迟的实时视频通信中,Q2算法往往会导致编码图像质量产生剧烈的波动,大大降低了信宿端重建视频的视觉效果.为此,本文从机器学习的角度出发,提出了一种以最小二乘支持向量机在线建模的比特分配算法,用新算法取代Q2中的比特分配算法,设计出一个改进的Q2码率控制方案.实验仿真结果表明:与原始Q2方案相比,改进后的Q2码率控制方案取得了更加平稳、更加均衡的图像质量,极大地提高了视频通信的视觉质量.     

最小二乘支持向量机的一种非均衡数据分类算法

为了提高支持向量机的非平衡数据分类能力,分析了最小二乘支持向量机的本质特征,提出了一种基于中心距离比的非平衡数据分类算法,同时通过修剪边界样本,解决了最小二乘支持向量机缺失稀疏性的问题.在UCI标准数据集上进行的试验表明:该算法能够有效地提高支持向量机对非均衡分布数据的正确性,且该算法在不影响训练精度的前提下,可以得到稀疏解,算法的训练速度也有了一定的提高.     

基于最小二乘支持向量机的网络质量预测

无线网络质量的研究已成为现在工程界的一个普遍问题,通过以往的研究发现测量报告（MRR）与邻小区关系（NCS）干扰值和TCH话务有较强的相关性,本文尝试以最小二乘支持向量机为基础建立MRR与NCS干扰值和TCH话务之间的数学模型。用某城市通信运营商GSM900的真实数据做实验,其结果表明,模型的拟合输出与实际值之间的残差能够准确反应NCS干扰值和TCH话务的变化对网络质量带来的影响。     

一种改进的最小二乘孪生支持向量机分类算法

提出了一种新的模式分类器,即广泛权重的最小二乘孪生支持向量机.该支持向量机在正、负两类样本上广泛地增加权重,很好地抑制了交叉噪声样本对数据分类的影响.其次,根据间隔最大化原理,该支持向量机在目标函数上增加了一个正规化项,实现结构风险最小化和避免在求解该目标函数时可能对病态矩阵求逆的处理.同时,提出了利用一种指数函数计算训练样本的密度来获得样本权重值的算法.该算法能够有效缩减计算权重的时间,且具有较强的鲁棒性.实验证明本文提出的广泛权重的最小二乘孪生支持向量机能够实现高精度和高效率的分类效果,而且特别适合于含有交叉噪声样本的数据集分类.     

微扰法结合最小二乘支持向量机反演土壤湿度

将最小二乘支持向量回归技术应用到土壤湿度反演研究.利用微扰法数值模拟不同雷达参数下裸露土壤微波后向散射特性.经过数据敏感性分析,选取雷达频率为L波段(1.4 GHz),双入射角(40°、50°),并设计多种反演方案,分别以单极化、双极化及同极化后向散射系数比值作为微波信号样本信息,经过适当的训练,利用最小二乘支持向量回归技术对土壤含水量进行了反演研究.结果表明:当采用多入射角、同极化后向散射系数比值作为微波信号样本信息时,反演结果具有较高的精度.同时,经过与人工神经网络结果比较,证明了该方法的有效性及抗噪声能力,为土壤湿度的实时反演研究提供了一种新方法.     

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数（LAI）时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机（SVM）是一种有效的数据分类和回归预测工具,而最小二乘支持向量机（LS-SVM）是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。     

基于最小二乘支持向量机的短期负荷预测模型

支持向量机（SVM）是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机（LSSVM）,并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。     

基于局部最小二乘支持向量机的音频频带扩展方法

在网络传输过程中宽带音频会由于高频信息的缺失导致音频质量下降,因此,本文提出了一种基于局部最小二乘支持向量机的宽带向超宽带音频频带扩展方法.根据音频频域序列的非线性特性,本文采用相空间重构和局部最小二乘支持向量机对音频信号的高频频谱细节进行预测,并结合高斯混合模型对高频子带能量进行估计,最后经过高频频谱包络调整,所提方法能够有效地恢复7kHz～14kHz频率范围内的高频成分.主客观测试结果表明,该方法改善了宽带音频的听觉质量,其性能优于参考音频频带扩展方法.     

基于人工鱼群算法和LS_SVM的变压器故障诊断

针对变压器故障数据的特征信息不确定性以及传统诊断方法准确率较低的问题,文中采用人工鱼群算法和最小二乘支持向量机相结合的方法来进行变压器故障诊断。将IECTC10数据库中的DGA特征气体比值作为输入,建立基于最小二乘支持向量机的变压器故障诊断模型,并运用人工鱼群算法对最小二乘支持向量机的参数进行优化选取。然后根据诊断结果,选出分类效果最佳的多比值特征参量组合。实验验证结果显示,文中所提出的诊断方法准确率可达96.67%,拥有更高的故障诊断正确率。     

杜鹃鸟搜索算法优化最小二乘支持向量机的网络入侵检测模型

为了提高网络入侵检测率,提出一种改进杜鹃鸟搜索（MCS）算法优化最小二乘支持向量机（LSSVM ）的入侵检测模型（MCS-LSSVM ）。首先将LSSVM 的参数作为杜鹃鸟的鸟巢位置,然后通过模拟杜鹃鸟种群寄生繁衍机制,找到鸟巢最优位置,并转化成LSSVM 最优参数,最后采用最优参数建立最优建立入侵检测模型,并采用KDD CUP 99数据集进行仿真测试。仿真结果表明,MCS-LSSVM 不仅提高了网络入侵的检测率,而且减少了训练时间,提高网络入侵检测效果。     

基于LS_SVM的下行波束盲校正算法

在智能天线系统中,由于各阵元之间存在着耦合和激励误差,在对下行波束进行赋形时,这些误差会使产生波束指向严重偏离期望的方向,造成天线增益下降。针对这一问题,提出了一种基于最小二乘支持矢量机（LS_SVM）的下行波束盲校正算法：该算法首先利用发射的训练序列对支持矢量机（SVM）进行训练,然后利用所得的权值补偿耦合和激励误差,使发射波束的指向符合期望的方向,最后采用自适应波束综合算法产生主波束宽度以及副瓣电平符合期望值的方向图。对该方法进行了仿真验证,仿真结果表明,该算法简单易行,具有实时处理的能力。     

支持向量机回归法在天线设计中的应用

提出了一种利用支持向量机回归进行天线设计的方法.以印刷偶极子天线为例,通过对3个主要的天线参数进行训练以捕捉天线结构尺寸和天线性能之间的关系,从而建立支持向量机回归模型.该模型在保证快速计算的前提下显示出比神经网络模型更高的计算精度,从而节省天线设计和优化时间.     

鲁棒总体均方最小自适应滤波:算法与分析

本文研究了在输入输出观测数据均含有噪声的情况下如何有效地进行鲁棒自适应滤波的问题.以总体均方误差(TMSE)最小为准则,基于最速下降原理,通过对总体均方误差梯度进行修正,提出了一种鲁棒的总体均方最小自适应滤波算法.通过与已有算法的对比分析表明,该算法能够有效地降低权向量的每步调整量对噪声的敏感程度.仿真实验的结果进一步表明,该算法的鲁棒抗噪性能和稳态收敛精度明显地高于其它同类方法,而且可以使用较大的学习因子,在高噪声环境下仍然保持良好的收敛性.     

基于动态加权LS-SVM的网络流量混沌预测

网络流量是具有复杂非线性、不确定时变性的混沌时间序列.为提高标准最小二乘支持向量机的预测精度与自适应性,提出一种基于动态加权最小二乘支持向量机的网络流量混沌预测方法.该方法在标准LS-SVM回归机的训练样本误差设置时间权,增强对非线性样本的逼近能力.然后结合滚动窗与迭代求逆法实现模型动态在线校正,进而克服网络变化时的累积误差.仿真实验结果表明,相对常规LS-SVM,该模型能降低预测误差、减少计算时间,实现高精度实时混沌流量估计.     

基于相空间重构与最小二乘支持向量机的时延预测

针对网络控制系统的时延预测问题,提出一种基于相空间重构与最小二乘支持向量机的时延预测方法.首先利用0-1测试法确定时延序列具有混沌特性,引入相空间重构技术提高预测精度.对实际采集的时延序列进行Hurst指数分析,选择最小二乘支持向量机作为预测模型.然后利用C-C方法确定时延序列相空间重构参数,通过递归图确定时延序列的局部可预测性,利用遗传算法对最小二乘支持向量机的参数进行离线优化.最后通过优化后的最小二乘支持向量机并结合相空间重构对时延序列进行在线预测.与其它预测方法进行了仿真对比,结果表明本文方法具有更高的预测精度与更小的预测误差,同时并未降低预测算法的实时性.