基于改进SVM主动学习算法的入侵检测

入侵检测研究中,采用基于支持向量机的主动学习算法,有效地降低了学习的样本复杂度.针对支持向量机主动学习算法中存在的随机构造的初始训练集样本质量不高和容易陷入次优等问题,提出了一种结合核空间聚类的初始训练集构建方法,并在距离准则的基础上引入了概率选择机制.仿真实验表明,在不降低检测效果的前提下,该算法所需的学习样本更少,并表现出较高的稳定性.     

基于戴帽L1范数的双支持向量机

针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模型的鲁棒性.另外,针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果表明,与其它支持向量机模型相比,该模型有着更强的鲁棒性以及稳定性.     

基于贪婪树的外部支持向量机近似重复图像聚类算法

准确地检测出近似重复图像对于冗余去除和版权侵犯检测具有重要的意义。为了改善基于均匀分裂外部支持向量机聚类算法的性能,提出了一种结合贪婪树和外部支持向量机的近似重复图像聚类算法。该方法先利用外部支持向量机将数据集聚为两类,然后采用贪婪树生长算法选择“最优”的类进行分解,重复上述过程直到不可分为止。此外,为了克服图像视觉单词的同义性问题,利用概率潜在语义分析模型将同现的图像视觉单词映射到潜在语义空间中的同一方向上。实验结果表明,与内部支持向量聚类算法和基于均匀分裂的外部支持向量机聚类算法相比,该方法在聚类性能方面有了明显的提高。。      

基于相关向量机的高光谱影像混合像元分解

 提出了一种利用相关向量机后验概率进行高光谱影像混合像元分解的方法.基于支持向量机后验概率输出的高光谱影像混合像元分解方法中,类别后验概率需要通过带参数的S形函数近似,而且模型需要通过交叉验证获取较好的规则化系数.相关向量机是在贝叶斯框架下提出的更加稀疏的学习机器,它没有规则化系数,核函数不需要满足Mercer条件.本文从分析支持向量机用于高光谱影像混合像元分解存在的不足出发,介绍了稀疏贝叶斯分类模型和模型参数推断,采用了快速序列稀疏贝叶斯学习算法.通过PHI影像的混合像元分解实验分析,表明了基于相关向量机的高光谱影像混合像元分解方法的优势.     

一种快速的在线SVM多用户检测算法

基于传统支持向量机的多用户检测算法运算量大、耗时久,无法满足实时性要求。该文提出了一种快速的在线支持向量机多用户检测算法。该算法利用KKT条件判别实时增加的训练序列并构造当前训练样本集,从而能够有效地减少训练样本大小,加快训练速度。仿真实验表明,该算法在不影响分类效果的情况下大大加快了训练速度,且用于分类的支持向量较少,同时性能与传统支持向量机算法相当且明显优于MMSE(RLS)多用户检测器。     

基于电力大数据的变电设备故障诊断方法研究

针对变电设备故障具有随机性、诊断过程复杂等问题,基于人工蜂群算法、二叉树和支持向量机模型,提出一种基于电力大数据的变电设备故障诊断方法。首先通过人工蜂群算法对支持向量机的参数进行优化,然后针对变电设备故障类型多的特点构造了基于二叉树的多分类支持向量机,最后通过实例验证和分析该方法的有效性和分类性能。结果表明,所提出的故障诊断方法能够准确地实现变电设备故障分类。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于支持向量机的飞机图像识别算法

研究了一种基于支持向量机的飞机图像识别算法。采用基于神经网络的图像边缘检测方法,该方法首先基于邻域灰度极值提取边界候选图像,然后以边界候选象素及其邻域象素的二值模式作为样本集,输入边缘检测神经网络进行训练。提取具有RST不变性的轮廓特征向量,输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验,实验表明基于支持向量机的飞机图像识别算法具有更好的性能。     

基于改进的支持向量机的脱机中文签名验证

采用支持向量机算法来验证脱机中文签名。针对支持向量机算法的不足,将粗糙集和支持向量机相结合,利用粗糙集理论对数据属性进行约简,在某种程度上减少支持向量机求解的计算量。不但避免了特征提取中维数灾问题,还有效改善了训练时间。实验结果表明：粗糙集和支持向量机算法应用于离线签名识别,在相同条件下的识别效果优于支持向量机算法。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域,证据理论是有效的数据融合方法之一,但基本概率分配一般不易确定,从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法,具有普适性和全局优化等特点,但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法,通过建立基于分类超平面距离的模糊隶属度,训练模糊支持向量机提高传统支持向量机的基本概率分配,并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验,经精度、平均绝对百分误差、均方根误差等指标验证,精度提高10. 5%,表明所提方法是一种可靠的多传感器的水质融合方法,较其他方法具有更高的融合精度。     

蚁群优化算法优化支持向量机的视频分类

针对当前支持向量机支持优化的参数无法获得高精度的体育视频分类结果的难题,为了提高体育视频分类正确率,提出基于蚁群优化算法优化支持向量机的体育视频分类方法。首先采集体育视频,并提取体育视频分类的多个特征;然后采用主成分分析算法对体育视频分类特征进行处理,作为支持向量机的输入,体育视频类别作为支持向量机的输出,建立体育视频分类模型,并采用蚁群优化算法对支持向量机进行优化;最后采用多个体育视频数据进行分类仿真实验,结果表明,蚁群优化算法优化支持向量机的体育视频分类正确率高于90%,降低了体育视频分类错误,体育视频分类效果明显优于当前其他类型的体育视频分类方法,而且体育视频分类效率得到有效的改善。     

一种基于内壳向量的SVM增量式学习算法

本文针对支持向量机难以快速有效地进行增量式学习的问题,提出了一种基于内壳向量的支持向量机增量式学习算法.算法通过线性规划运算求得最可能包含支持向量的壳向量和内壳向量集合,在保证分类精度的前提下最大程度地缩小训练集规模,进而在新的训练集中快速训练支持向量机.将该算法应用于公开数据及低空飞行声目标分类识别,结果表明,新算法...     

运用高阶累积量和SVM的调制自动识别

针对数字信号调制模式识别问题,提出了运用高阶累积量和二叉树支持向量机（SVM）进行 自动识别的算法。该算法首先使用信号的四阶、六阶、八阶累积量构造了5个新的分类特征 ,然后利用二叉树支持向量机分类器实现了8种信号的有效分类。仿真结果表明,该算法优 于直接多类分类支持向量机算法,在信噪比大于5 dB时,识别率达到90%以上。     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。     

基于杂草算法的支持向量机电力负荷预测

分析各参数对支持向量机学习能力的影响,提出一种基于杂草算法的支持向量机电力负荷预测方法。首先运用杂草算法对支持向量机的两个关键参数进行智能寻优,然后将最优参数运用到支持向量机预测模型。采用新的预测模型对EUNITE第一次竞赛提供的相关电力数据进行分析,并与基于回归树和基于神经网络的预测方法进行比较。结果表明本文方法智能化地解决了传统参数选择方法的缺陷,且对电力负荷预测具有较高的预测精度。     

基于改进支持向量机的运动视频内容分类算法研究

针对现有运动视频内容分类算法中使用支持向量机分类器难以提高分类精度问题,提出基于改进支持向量机的运动视频内容分类算法。首先采用稀疏表示方法进行运动视频内容去噪,在降低噪声的同时去除无用静止信息,将去噪后的运动视频内容进行非重叠切分,采用主成分分析法提取运动视频内容像素点特征描述项并建立特征向量空间;然后引入主动学习机制改进支持向量机分类器,使用改进的分类器建立特征向量空间与运动视频类别之间的联系。针对多类运动视频内容分类问题,提出使用后验概率计算改进的分类器对未标记样本的置信度进行运动视频样本选取。实验结果表明,所提算法与现行分类算法相比,具有更好的类别区分度。     

基于SVM的纠错编码多分类算法的研究与应用

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体(DGA)作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

The Research and Appliaction of the Multi-classification Algorithm of Error-Correcting Codes Based on Support Vector Machine

为了提高变压器故障诊断的准确率,提出了一种基于纠错编码和支持向量机相结合的多分类算法,根据SVM理论建立变压器故障诊断数学模型,首先基于纠错编码矩阵构造出若干个互不相关的子支持向量机,以提高分类模型的分类准确率。最后把变压器油中溶解气体（DGA）作为纠错编码支持向量机的训练以及测试样本,实现变压器的故障诊断,同时用UCI数据对该算法进行验证。通过VS2008和Libsvm相结合对其进行验证,结果表明该方法具有很高的分类精度。     

基于小波概率网络的局部放电模式识别

针对高压电器局部放电模式分类中样本数较少,常规的分类方法识别率较低,提出了一种基于概率神经网络与小波变换的混合算法。利用实验室模拟的局部放电信号进行小波分解,提取小波能量系数作为特征参数,并作为概率神经网络的输入进行分类。其得到的结果优于多层前馈神经网络及采用顺序最优化学习方法的支持向量机算法。