基于支持向量机的老年痴呆症-头发微量元素相关性研究

将支持向量机(SVM)应用于老年痴呆症(AD)的模式识别研究。通过测定22个AD患者和25个健康人头发样品中微量元素的含量,继用支持向量机算法研究头发中微量元素含量与AD的相关性,建立分类判别模型。结果显示:该模型对AD的判别准确率为100%,留一法交互预测准确率也达到100%。变量筛选结果表明,与AD症相关性最大的三种元素是Al、Cd、Mn,Al、Cd与AD呈现正相关,Mn与AD呈现负相关。同时与主成分分析进行了比较,表明SVM是更适合于进行这类非线性多变量相关分析的方法。     

支持向量机算法研究土壤微量元素含量与白血病的关系

应用计算机支持向量机算法处理我国29个省、市、自治区白血病死亡率的统计数据和土壤中微量元素含量的对应关系,得到明显的复相关关系。可以认为：砷(As)等元素含量与白血病死亡率负相关,汞(Hg)等元素则与白血病死亡率正相关。已知大量砷能致癌,但近年来发现少量氧化砷治疗白血病效果显著,其原因可能是微量砷能导致癌细胞凋亡,土壤中的微量砷和白血病死亡率的负相关似可据此解释。已知元素硒(Se)有明显的抗癌效果,而Hg对Se有拮抗作用。因此Hg含量对白血病死亡率的正相关也是可以理解的。     

宋代汝窑古瓷的微量元素-支持向量机算法研究

用支持向量机(Support Vectcr Machine,SVM)算法处理汝瓷釉和汝瓷胎的微量元素含量数据,结果表明官汝窑器与民汝窑器不论按其釉的成分还是按其胎的成分都能完全区分,留一法分类预报正确率亦达100％。这说明官汝窑和民汝窑所用原料有明显差别。本文还根据官汝窑釉中锶含量与其他元素含量关系的规律,为鉴别古汝瓷和近代仿制品提供线索。上述结果表明：支持向量机算法对古陶瓷研究是有用的。     

支持向量机训练算法比较研究

论文介绍了一种年轻的机器学习方法——支持向量机,详细论述了目前主要的支持向量机的训练算法,包括:二次规划算法,分解算法和增量算法。通过实验验证了普通二次规划算法的缺陷,比较了三种典型的SVM分解训练算法的性能,说明了其相对于二次规划算法的优点和对SVM训练问题的适用性,指出了训练速度优劣的原因。最后指出了未来支持向量机训练算法研究的方向。     

模糊支持向量机的训练算法研究

支持向量机(support vector machine,SVM)是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域.并且传统的支持向量机由于噪音教据的存在而易出现过学习现象,因而有必要消除噪音的影响.基于以上考虑,提出了一种模糊支持向量机模型.本论文主要针对该类型的模糊支持向量机进行研究.     

支持向量机研究进展

基于统计学习理论的支持向量机((Support vector machines, SVM)以其优秀的学习能力受到广泛的关注。但传统支持向量机在处理大规模二次规划问题时会出现训练时间长、效率低下等问题。对SVM训练算法的最新研究成果进行了综述,对主要算法进行了比较深入的分析和比较,指出了各自的优点及其存在的问题,并且着重介绍了目前研究的新进展—模糊SVM和粒度SVM。接着论述了SVM主要的两方面应用—分类和回归。最后给出了今后SVM研究方向的预见。     

支持向量机训练算法研究

本文介绍了基于统计学习理论的支持向量机的各种训练算法,对其进行了归类分析,比较了各个算法的优缺点。最后指出了SVM及其训练算法存在的一些问题和进一步研究动向。     

支持向量机多分类算法的研究

支持向量机（support vector machine,SVM）是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域。本文重点阐述了一些典型的支持向量机多分类算法及支持向量机多标注算法。最后指出了进一步研究和亟待解决的一些问题。     

支持向量机分解算法研究

分解算法是目前大量数据下支持向量机最主要训练方法。各种分解算法的区别在于工作集的大小、产生原则以及子QP问题的求解方法不同。介绍分解算法的产生以及发展过程,以及相应的工作集选择算法,重点指出分解算法在子工作集优化方法、工作集的选择策略所采用的新的方法以及有关收敛性的证明。     

支持向量机-微量元素分析法判别乌龙茶、红茶与绿茶

茶叶中的微量元素含量与产地土壤中的微量元素含量有关，故可用多种微量元素的分析数据结合模式识别计算判别茶叶产地和品牌，本工作根据三类茶叶中Zn,Mn,Mg,Cu,Al,Ca,Ba,K,8种元素的分析数据，用支持向量机算法判别乌龙茶，红茶或绿茶，并用留一法检验其预报能力。计算表明，支持向量机算法结果优于Fisher法和KNN法。采用福建安溪铁观音乌龙茶样品的元素分析结果作测试样品，检验本工作所得数学模型，判别结果亦与实际符合。     

支持向量机算法在化学化工中的应用

由于计算机技术的发展，机器学习（包括线性和非线性回归，人工神经网络，模式识别算法等）已成为处理化学化工数据，总结经验规律，据以预报未知或控制生产过程的常规手段。但是，传统的机器学习算法都以经典统计数学的渐近理论为依据。该理论的大数定理规定：统计规律只有在已知样本数无限多时才显露出来。但化学化工实际工作中已知样本总是有限的。忽视这一矛盾是造成实际计算中过拟合弊病的重要原因。针对经典统计教学这一弱点，Vapnik学派提出了“统计学习理论”和“支持向量机算法”。新算法既能处理非线性问题，又能抑制传统算法（如人工神经网络等）常遇到的过拟合弊病，本专刊中的论文系列工作表明：支持向量机算法在分析化学的多变量校正，数据处理，商品检验，相图和新化合物的计算机预报，新材料制备的实验设计，环境污染的建模和预报，以及分子设计，药物设计等领域的应用都有良好的效果。在多数情况下所建的数学模型较传统算法的结果有更好的预报正确率，这一新算法将会成为化学，化工领域数据处理广泛应用的新计算工具。     

支持向量机算法用于拮抗药化合物活性的模式识别

试用新近提出的，特别适合于小样本多变量训练集的支持向量机（support vector machine,简称SVM）算法于复杂药物分子设计。对一批26个处理化疗或放疗呕吐拮抗药的候选化合物筛选数据用留一法判别SVM的预报能力。结果表明：与人工神经网络，最近邻法（KNN），Fisher法相比，SVM算法可以提供误报率更低的数学模型。     

支持向量机算法研究中国土壤中微量元素含量的规律性

用支持向量机分类及回归算法处理我国29个省、市、自治区的土壤中微量元素含量的数据,结果表明:许多微量和主量元素含量以及土壤酸度数据间存在明显的相关关系。能形成碱性氢氧化物的Na,K,Mg,Ca,Sr,Ba等元素的含量相互间呈正相关,并与pH呈正相关;形成难溶性氢氧化物的Al,Fe,Ti,Zr,Ta等元素则与pH呈负相关。这反映了土壤形成和发育过程中湿热气候造成的淋滤作用使碱性氧化物溶解流失,形成酸性土壤的物理化学过程。另方面,我国土壤中Rb,Cs的分布则呈现另外的规律,这可能是由于我国南岭地区和西藏部分地区由富集了亲石元素的重熔花岗岩风化形成的红壤含有富集Rb,Cs 的难风化的云母,使这些酸性的红壤含Rb,Cs特别高。这表明:土壤中微量元素含量既与淋滤作用有关,也与成土母岩的成分和物相有密切关系。鉴于土壤中微量元素含量间以及与酸度间乃至于当地气候间有多种相关关系,当发现土壤中某元素含量和环境效应有相关关系时,需要慎重区分其是否直接因果关系,抑或间接相关关系。     

支持向量机算法在氮化铝薄膜生长过程控制中的应用

用作压电材料的氮化铝薄膜要求有100或002晶体取向。薄膜的晶体取向与薄膜制备时的溅射气压，靶基距，靶功率有关。本工作应用支持向量机算法总结实验数据的数学模型，并用留一法检验模型的预报能力。计算表明：支持向量机算法的预报能力较传统的模式识别算法如Fisher法或KNN法为佳。有希望成为实验设计的有用工具。     

支持向量机方法用于民航安检炸药判别研究

目前的民航安检X射线透视设备无法直接检出塑料炸药，国际上初步频研究有效的γ射线共振技术可以透射瞬时测定行李中的物件的氮，氢，氧，碳含量。为与此技术配套，本工作应用对小样本集统计预报特别有效的支持向量机（support vector mahine,简称SVM）算法根据样品的氮，氢，氧，碳含量判别常见民用品和炸药，并用留一法比较SVM，Fisher法和人工神经网络算法的预报效果。结果表明SVM算法误报最少，且对所列炸药无一漏报，据此建立了炸药判别系统软件的原型，在实验室中模拟测试结果良好。     

支持向量机算法在镍氢电池阴极材料研制中的应用

镍氢电池阴极材料的组成对电池的电化学容量和寿命关系甚大。本工作可限制过拟合，有较强预报能力的支持向量机算法进行镍氢电池阴极合金材料的配方优化，通过实验数据处理，建立了有关电化学容量和衰减速度的数学模型，留一法证实，支持向量机算法预报准确性高于人工神经网络。这说明支持向量机算法在材料配方设计方面有应用潜力。     

支持向量机算法用于夜光藻密度建模

支持向量机（SVM）算法是特别适合于用有限已知样本训练建模，进而预报未知样本属性的模式识别新算法。本文旨在尝试将Vapnik提出的支持向量机算法用于环境保护领域。用支持向量回归算法总结了石城岛，王家岛附近赤潮发生与海水温度，溶解氧，盐度，总氮量，无机磷，浮游植物密度的对应关系。用支持向量回归算法求得赤潮爆发的数学模型。留一法结果表明，支持向量回归的预报误差比人工神经网络小。支持向量机方法可以成为研究赤潮发生机理，探索赤潮预报途径的一种工具。     

支持向量机算法在熔盐相图数据库智能化中的若干应用

支持向量机（SVM）方法可被用于熔盐系未知相图的计算机预报，将已知的二元卤化物系相图数据作为训练集，体系组成的离子半径和电负性作为特征量，用SVM方法可预报中间化合物的形成与否，熔化类型（同分熔化还是异分熔化）和估计中间化合物的熔点。本文报道了M2M′F4型的中间化合物的形成判据，M3M′Cl6型化合物的熔化类型的判据以及MM′X4型中间化合物熔点计算的回归方程式。用“留一法”检验所得的数学模型并将结果与传统的模式识别方法（Fisher法和KNN）进行了比较，结果表明：SVM的预报准确率比Fisher法和KNN法都高。因此，SVM方法有望成为计算机预报未知相图的有力工具。