自适应迭代最小二乘支持向量机回归算法

 基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法. 与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机. 模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.     

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。     

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.     

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。     

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Jakes衰落信道预测

将LS-SVM用于Jakes衰落信道预测,进而提出了一种新的衰落信道预测算法.该算法利用衰落信道系数的既有观测值构建学习样本,然后借助LS-SVM的学习与判决能力实施非线性预测.对Jakes衰落信道的预测实验表明,文中预测算法可行且有效.另外,在实验中也讨论了嵌入维参数对预测准确度的影响,并给出最优嵌入维的选取方法.     

K近邻和最小二乘支持向量机相融合的人脸识别

为了获得更加理想的人脸识别结果,提高人脸识别正确率,提出一种K近邻和最小二乘支持向量机相融合的人脸识别方法(KNN-LSSVM)。首先采集人脸图像,提取人脸图像特征,并采用KNN删除特征向量中的重复特征,得到人脸图像的特征向量;然后将特征向量输入到最小二乘支持向量机训练,建立相应的人脸分类器;最后采用ORL人脸数据库和Yale人脸库进行仿真实验。仿真结果表明,KNN-LSSVM提高了人脸识别的正确率和识别效率,且具有较强的鲁棒性。     

Hysteresis modeling and compensation of a piezostage using least squares support vector machines

Hysteresis effect degrades the positioning accuracy of a piezostage, and hence the nonlinearity has to be suppressed for ultrahigh-precision positioning applications. This paper extends least squares support vector machines (LS-SVM) to the domain of hysteresis modeling and compensation for a piezostage driven by piezoelectric stack actuators. A LS-SVM model is proposed and trained by introducing the current input value and input variation rate as the input data set to formulate a one-to-one mapping. By adopting the radial basis function (RBF) as kernel function, the LS-SVM model only has two free hyperparameters, which are optimally tuned by resorting to Bayesian inference framework. The effectiveness of the presented model is verified as compared with two state-of-the-art approaches, namely, Bouc–Wen model and modified Prandtl–Ishlinskii (MPI) model. In addition, the LS-SVM inverse model based feedforward control combined with an incremental proportional–integral–derivative (PID) feedback control is designed to compensate the hysteresis nonlinearity. Experimental results show that the LS-SVM model based hybrid control scheme is superior to the Bouc–Wen model and MPI model based ones as well as either of the stand-alone controllers. The rate-dependent hysteresis is suppressed to a negligible level, which validates the effectiveness of the constructed controller. Owing to a simple procedure, the proposed LS-SVM based approach can be applied to modeling and control of other types of hysteretic systems as well.     

基于修改核函数的RLS－SVM多用户检测算法

为了解决支持向量机算法在多用户检测中存在的模型复杂及产生的支持向量数目较多的问题,该文提出一种新的非线性多用户检测算法。该算法在第一次小样本训练时引入了遗忘因子,该因子使支持向量数减少了28％。在第一次训练后产生的支持向量的基础上,将黎曼几何结构引入到输入空间,利用黎曼几何结构将分类器中的核函数进行修改,在第二次训练中再次减少了支持向量数目。此方法在牺牲较少误比特率的基础上,简化了算法模型和降低计算复杂度。仿真实验表明,该算法抑制了多径引起的码间干扰,性能接近于最优多用户检测器。     

基于支持向量机的粗糙海面风速及海表盐度反演研究

将支持向量机(Support Vector Machine, SVM)回归技术应用到海况参数(如海表盐度、海面风速等)反演研究.利用双尺度模型(Two-Scale Model, TSM)作为前向电磁算法, 数值模拟不同雷达参数下风驱粗糙海面微波后向散射系数, 经过敏感性分析, 选取L波段(1.4 GHz)、C波段(6.8 GHz)及其合适的入射角作为雷达参数, 并设计多种反演方案, 分别以单频率双极化双角度、双频率双极化双角度及双极化后向散射系数的比值作为SVM的训练样本数据信息, 经过适当的训练, 利用SVM回归技术对海洋表面风速和盐度进行了反演研究.研究结果表明, 针对于海面风速的反演, C波段的反演精度最高, 针对于海表盐度的反演, L波段同极化散射系数比值作为SVM输入的反演精度较高.最后, 检验了SVM反演方法的抗噪声性能, 表明文中提出的SVM方法能较好地应用于实际海况参数反演问题.     

基于最小二乘支持向量机的线性特征地物亚像元定位(英文)

BP神经网络已被证明能有效实现遥感图像的亚像元定位,但其训练时间较长,容易陷入局部最优且依赖于大量的训练样本。而在实际应用中,训练样本即先验信息较难获取。然而,建筑物及道路等地物具有规则的线性空间分布。针对这些线性特征地物,研究了一种训练样本的几何合成方法,消除对先验信息的依赖,并提出利用最小二乘支持向量机实现亚像元定位。实验表明,这种结合合成训练样本与最小二乘支持向量机的亚像元定位方法是合理可行的,且与BP神经网络实现方法相比,训练过程明显加快,定位精度更高。     

利用支持向量机补偿温度对光纤光栅传感的影响

不同于以往温度、应变与光纤Bragg光栅(FBG)峰值波长偏移量之间的数学模型,本文提出利用支持向量机(SVM,support vector machine)补偿温度的影响,并以FBG压力传感器为例,利用标定的压力传感器数据对SVM模型的惩罚系数C和径向基核函数(RBF)核参数γ进行优化,得到SVM温度补偿模型,选择核参数γ为100、惩罚系数C为16。经过补偿后,压力传感器的零位温度系数和灵敏度温度系数由补偿前的34.5%/℃和34.2%/℃减小到1.7×10-5%/℃和7.7×10-5/%/℃。充分说明,利用SVM补偿温度对FBG压力传感器的影响是有效的。     

基于生物免疫优化支持向量机算法的居民区负荷预测

针对居民区用电负荷随机性强、稳定性差等问题,综合考虑各因素对居民用电负荷的影响,提出一种免疫支持向量机(support vector machine,SVM)算法负荷预测模型。以居民区历史用电量及相关气候数据为处理对象,使用PCA(principal component analysis)算法对电网历史数据进行处理,并结合免疫算法对电网历史数据进行预处理,形成数据簇并划定标签提供给预测模型进行训练。为提高模型精度,采用生物免疫优化算法对SVM模型参数进行优化,并在负荷预测环节,将预测误差作为调优依据,对预测模型进行反馈调优。将预测效果与常用于负荷预测的BP(back propagation)神经网络、SVM算法模型进行对比,免疫SVM算法负荷预测模型的短期、中期预测精准度均在98%以上,具有较好的精度与鲁棒性。     

基于支持向量机的介质圆柱体逆散射问题研究

提出一种新的在线逆散射方法-支持向量机,通过支持向量机将原问题转化成一个回归估计问题.该方法可广泛应用于各种逆散射方面,尤其是目标的几何与电磁参数重构.以相对介电常数作为输入,复散射系数作为输出,通过对训练样本的学习,利用支持向量机回归估计了介质圆柱体不同相对介电常数下复散射系数的实部与虚部.同时,以多个观测点的散射电场值作为样本信息,利用支持向量机对已知探测范围内的介质圆柱体的相对介电常数和电导率进行了重构.比较结果显示了该方法的有效性和准确性.     

基于小波变换与支持向量机回归的冬小麦叶面积指数估算

叶面积指数(LAI)是作物长势诊断及产量预测的重要参数。通过对冬小麦采样点的高光谱曲线进行连续小波变换(CWT),然后利用小波系数与LAI 建立支持向量机回归(SVR)模型,实现冬小麦不同生育时期的叶面积指数估算。通过对所研究方法与选取的植被指数、偏最小二乘(PLS)回归等5种方法的反演结果进行统计分析。结果表明:利用连续小波变换确定的LAI 的敏感波段为680、739、802、895 nm,对应尺度分别为8、4、9 和8,对应小波系数的LAI 回归确定系数(R2)明显高于冠层反射率的回归确定系数;利用小波系数与LAI 建立的SVR 模型的反演精度最高,模型实测值与预测值的检验精度(R2)为0.86,均方根误差(RMSE)为0.43;而常用植被指数(归一化植被指数,NDVI;比值植被指数,RVI)建立的估测模型对冬小麦多个生育时期LAI 反演精度最低(R2 0.76,RMSE0.56)。因此利用连续小波变换进行数据预处理,能更好地筛选出对叶面积指数敏感的信息,LAI 回归方法比较结果表明,SVR 比PLS 更适合于LAI 的估测,通过将CWT 与SVR 结合(CWT-SVR)能实现不同生育时期冬小麦叶面积指数的遥感估算。     

基于SVM与NIR的花椒挥发油快速检测方法

应用近红外光谱分析(NIR)技术结合支持向量机(SVM)测定花椒挥发油的含量.以105份样品作为校正集,分别选取epsilon-SVR、nu-SVR两种SVM类型,并采用Linear、Poly、RBF与Sigmoid四种不同核函数进行SVM 回归建模,以所建立的校正模型对36份样品的挥发油含量进行预测.结果表明:当SVM类型为epsilon-SVR,核函数为Sigmoid,惩罚参数取109,γ取1×10-6时,所建立的花椒挥发油SVM-NIR模型预测效果最好:R236=0.931 7,RMSEP36=0.426 8.同时对基于SVM-NIR、PLS-NIR、PCA-BP-NIR和PCA-RBF-NIR的花椒挥发油模型的预测性能进行比较分析,表明SVM-NIR模型具有较强的预测能力(或泛化能力),优于其余3种模型.