一种求解支持向量回归波束形成的算法

在对传统求解支持向量回归算法研究与分析的基础上,针对支持向量回归模型,结合支持向量回归的波束形成技术,提出了一种利用迭代重加权最小二乘支持向量回归波束形成的算法,并对具有严重干扰的接收信号进行了数值仿真试验和对比分析。结果表明：基于迭代重加权最小二乘支持向量回归波束形成的算法不同于传统的标准二次型算法,收敛速度快,干扰抑制强,计算量小,降低了计算复杂度,避免了二次规划技术的高计算成本,提高了算法效率,并保持了良好的泛化能力,具有一定的参考价值。     

基于支持向量机回归的模型辨识

提出了一种简化的基于遗忘因子矩形窗算法的最小二乘支持向量机回归算法。其针对标准支持向量机存在的缺陷,引入最小二乘、矩形窗以及遗忘因子等思想对其进行改进,最后通过仿真验证了该方法的有效性。     

基于改进RSSI测距的LSSVR三维WSN定位算法

针对基于RSSI测距的定位算法定位误差较大的问题,通过加入多组已知节点之间的距离和接收功率作为参考,提出了一种改进的RSSI测距算法,并将改进的RSSI测距作为最小二乘支持向量回归机LSSVR的输入向量,获得基于改进RSSI测距的LSSVR三维定位算法模型。MATLAB仿真结果表明,在节点随机分布的三维环境中,基于改进RSSI测距的LSSVR定位算法的定位误差比传统LSSVR定位算法减小了13.6%~21.2%,另外,可以通过增加已知节点数量等方法,进一步提高目标定位的准确性。     

基于LSSVM的激光陀螺随机误差系数预测

激光陀螺是一种具有广阔应用前景的新型惯性器件.为了提高激光陀螺的性能,有效地补偿激光陀螺的随机误差,提出了最小二乘支持向量机预测激光陀螺随机误差系数的新方法.采用遗传算法进行支持向量机参数的自动选取,提出了基于遗传优化的最小二乘支持向量机回归预测算法,并对激光陀螺随机误差系数进行了预测实验.实验结果表明,基于遗传算法的最小二乘支持向量机的预测精度更高.另外,研究了回归步长对预测效果的影响.预测结果表明,不同的回归步长对预测结果有较大的影响.     

近红外光谱结合GA-LSSVR分析烟草尼古丁含量

为了提高近红外光谱快速检测烟草尼古丁含量的精度和稳定性,利用近红外光谱结合遗传算法-最小二乘支持向量回归(GA-LSSVR)建立了回归预测模型。在LSSVR模型建立过程中,采用遗传算法对LSSVR参数进行自动优化。相比于利用常规最小二乘支持向量机和遗传偏最小二乘法等建立的回归预测模型,GA-LSSVR法建立的回归预测模型泛化能力更强,预测效果更好,验证集相关系数R2为0.9766,预测均方根误差为0.1065。研究结果表明,GA-LSSVR是一种快速准确的建模方法,为烟草尼古丁含量的近红外测定和近红外光谱数据的处理提供了新的方法与途径。     

一种在线向量机增强学习算法

为了在智能学习和改变规则的情况下,在线最小二乘法支持向量机可以高效地估计值函数,采用了一种基于最小二乘支持向量机的新算法,通过汽车过山地实例证明了在线最小二乘法支持向量机的优越性,验证了该方法的可行性和有效性,利用最小二乘支持向量机通过一系列线性方程求解,使得在线应用成为可能.     

基于最小二乘隐空间支持向量机的IDS检测算法的设计

在基于支持向量机的基础上,提出一种新的利用最小二乘隐空间支持向量机设计IDS的检测算法,解决了网络入侵检测系统中检测算法的分类精度不高、训练样本数需要较多,及训练学习时间较长等问题.仿真实验结果表明,本算法较基于支持向量机的检测算法具有更快的收敛性、更快的迭代速度、更高的检测精度和更低的误报率.     

光纤光栅电压传感器非线性校正研究

针对传统的光纤光栅电压传感器非线性校正算法具 有运行速度慢,拟合精度不高的缺陷。在研究了大量国内外文献过后,本文为了解决一些传 统非线性校正方法在光栅光纤传感器校正中的不足,在此提出了一种基于蚁群算法优化的分 段支持向量机回归的 校正算法。由于传统的蚁群算法在信号处理中搜索速度不理想,最小二乘支持向量机回归算 法精度不高,所以此算法是结合了蚁群 算法搜索最小二乘支持向量机回归最佳参数原理的基础上将样本空间按照数据分布情况进行 分段回归,以此减少算法运行时间。首 先通过蚁群算法优化各个支持向量机参数,然后通过分段回归得到传感器完整的特性,曲线 拟合精度为99.97%。此算法克服了传统 支持向量机回归算法中局部最优解的问题,具有较好的全局收敛效果。     

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RSSI高斯滤波的LSSVR无线传感网络定位算法

为了降低基于接收信号强度指示(RSSI)测距误差对节点定位的影响,解决RSSI测距定位误差较大的问题,提出基于RSSI高斯滤波的最小二乘支持向量回归机LSSVR定位算法(LSSVR-GF-RSSI)。LSSVR-GF-RSSI算法先利用高斯函数滤除误差较大的RSSI值,筛选出较准确的RSSI值,再依据这些值计算未知节点离锚节点间的距离。将这些距离作为LSSVR的输入,建立基于RSSI测距的LSSVR定位算法模型,最终,估计未知节点的位置。仿真结果表明,提出的LSSVR-GF-RSSI算法能够有效地降低均方定位误差,比传统的基于RSSI的LSSVR定位算法减少了约12%~20%。     

基于最小二乘支持向量机的自适应盲均衡器

提出了一种普适性较强的基于最小二乘支持向量机(LSSVM)的自适应盲均衡器(ABSVME)。该方法根据信号的特征恢复思想,将LSSVM均衡器的输出进行过采样,构造具有时间去相关特性的代价函数,结合Kumar快速算法和静态迭代学习算法在线跟踪信道。通过仿真实验,并与传统恒模盲均衡器和最大似然序列估计均衡器进行比较,结果证明该方法具有优良的非线性均衡能力。     

基于PSO-LSSVM的过电压识别

为了获得理想的过电压识别结果,提出了粒子群优化算法优化最小二乘支持向量机参数的过电压识别方法。首先采用小波变换对过电压原始信号进行分解,提取过电压信号的特征量,然后将过电压信号的特征量作为最小二乘支持向量机的输入,建立过电压识别分类器,并采用粒子群优化算法估计最小二乘支持向量机的参数,最后采用实测的过电压数据进行仿真实验,测试其可行性。结果表明,本文方法可以对各种类型的过电压信号进行准确分类和识别,识别结果稳定,且过电压识别率要高于其它方法。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

非线性系统辨识在侦察接收机中的应用

雷达对抗侦察接收机在接收、截获脉冲信号的同时,也改变了脉冲信号的原始包络。这些改变不符合雷达辐射源识别的高精度要求。通过理论计算定性分析接收机对脉冲信号包络的不利影响,并提出利用非线性系统辨识理论中的最小二乘支持向量回归（LSSVR）算法获取接收机逆系统模型,以便恢复包络信息,最后通过仿真试验说明该方法的有效性。     

Blind equalization algorithm based on complex support vector regression

A new blind equalization algorithm for complex valued signals was proposed based on the framework of complex support vector regression(CSVR).In the proposed algorithm,the error function of multi-modulus algorithm (MMA) was substituted into CSVR to construct the cost function,and the regression relationship was established by widely linear estimation,and the equalizer coefficients were determined by the iterative re-weighted least square (IRWLS) method.Different from spliting the complex valued signals into real valued signals used in support vector regression,the Wirtinger’s calculus was used in complex support vector regression to analyze the complex signals directly in the complex regenerative kernel Hilbert space.Simulation experiments show that for QPSK modulated signals,compared with the blind equalization algorithm based on support vector regression,the equalization performance of the proposed algorithm is significantly improved in linear channel and nonlinear channel by choosing appropriate kernel function and iterative optimization method.     

用于SVM的RCS统计特征集约减方法

传统的支持向量机分类算法对训练样本数目敏感且不具备增量学习的能力,而空间目标识别的工程应用需要积累样本进行大样本的增量学习。根据样本在特征空间分布,提取几何意义上边缘的样本点,成功约减了应用于支持向量机学习的基于雷达散射截面统计特征的训练样本集。利用中心距离比和特征空间多维高斯分布特性,分别提取两类边界样本集和单类边缘样本集;再采用直推式实验设计方法再采样,根据样本潜在结构分布信息选择最能代表样本集结构分布的高价值样本。实验结果表明：样本初选算法能够在有效约减样本集规模的同时保持支持向量机训练分类的精度。     

一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

一种基于KKT条件和壳向量的SVM增量学习算法

针对传统支持向量机(SVM)增量算法,在学习过程中因基于局部最优解而可能舍弃含隐性信息的非支持向量样本,以及对于新增样本需全部进行训练的缺点,文中提出一种基于KKT条件和壳向量的SVM增量学习算法。该方法利用壳向量的特性保留了训练样本集中可能含隐性信息的非支持向量,并只将违反KKT条件的增量样本加入新的训练集,从而提高运算效率。通过对公共数据集Abalone和 Balance Scale的实验表明,新算法在属性列数较多的数据集上分类效果更明显。