基于遗传算法的双子支持向量机的模型选择

双子支持向量机是在支持向量机的基础上提出的一种新的机器学习方法。与传统支持向量机相比,双子支持向量机寻找的是一对不平行的超平面,计算效率是传统支持向量机的4倍。然而,双子支持向量机的参数较多,在应用过程中存在较大局限性。在研究了惩罚参数和核参数对双子支持向量机分类性能影响的基础上,利用遗传算法来选择双子支持向量机的参数,避免了盲目的模型选择。实验结果显示,所提算法能有效选择合适参数,获得的参数能使双子支持向量机具有较好的泛化性能,同时也更加高效。     

一种支持向量机更新模型的参数选择方法

支持向量机性能主要受模型参数的影响,而支持向量机更新模型的参数选择尚无专门的方法。将量子遗传算法用于模型参数选择并进行改进,用原始模型最优参数设置初始量子模板的生成规则,确定搜索方向;用拟合误差设置量子旋转门的调整策略,缩小解空间取值范围。通过仿真验证了所提方法的有效性。该方法能有效搜索到最优参数,与基本遗传算法相比,其解的精度在搜索过程的初期较高,搜索代数大大降低,能有效降低运算量。     

基于支持向量机的网络参数模型研究

使用模糊层次分析法对支持向量机的两个参数进行寻优,并用寻找到的最优参数训练支持向量机,建立网络参数模型。首先使用模糊层次分析法对支持向量机两个参数进行寻优,然后用寻找到的最优参数训练支持向量机,最后建立预测模型,预测网络流量。实验结果表明,该方法不但可以较好地跟踪网络流量变化趋势,使网络流量的预测值与实际值非常接近,而且预测误差变化范围波动小,是一种有效且预测精度高的网络参数模型。     

基于混合核函数的支持向量机在人脸识别中的应用研究

针对支持向量机中的核函数选择和参数优化问题进行研究,结合局部性函数和全局性核函数的特点,形成由高斯核函数和多项式核函数构成的混合核函数,并运用于人脸识别,仿真实验结果证明了混合核函数的具有较高的识别率。     

基于支持向量机的语种识别

支持向量机是统计学习理论的一个重要分支,也是解决模式识别问题的一个有力工具.现简要介绍支持向量机理论,构建基于径向基函数的支持向量机,对分别来自两个不同的电话语音数据库中的汉语普通话、英语、日语、白族语和纳西语等5种语言进行识别研究.实验结果表明,支持向量机, 对不同数据库语言的语种识别依然能达到比较高的识别率.     

基于几何分析的支持向量机推广能力推测模型

利用支持向量机分类器中支持向量分布的几何意义,构造了一种新的与样本分布相关的推广能力预测模型,该模型充分利用了支持向量分布的先验信息,它与统计学习理论中推广能力准则具有一致的几何意义.首先利用支持向量分布的几何意义出发从海量样本中选择有效边界向量代替原有训练样本,然后在有效边界向量中分别计算最小包含半径和最大分类间隔.它不需要求解二次规划就可以得到与训练样本相关的推广能力计算模型,计算量较低.本文最后的最优核函数、核参数选择仿真实验结果表明本文提出的基于几何分析的支持向量机推广能力推测模型的合理性与高效性, 该模型对于解决支持向量机中最优核函数、核参数选择具有重要意义.     

基于支持向量机的人脸识别研究

针对人脸识别问题,提出了基于主成分分析和支持向量机分类相结合的方法实现人脸图像特征提取,并对提取的人脸特征参数进行分类与识别,得到较好的人脸识别结果。通过实验分析了支持向量机方法中惩罚项权重参数和高斯核函数参数的选择对识别率的影响。最后将支持向量机方法与KNN分类方法获得的结果进行了对比分析,证明了支持向量机方法具有很高的优越性。     

基于支持向量机的企业信用风险评估研究

介绍了小样本学习的通用学习算法——支持向量机（SVM）,建立了基于SVM的企业信用风险评估模型,并将支持向量机非线性分类器应用于信用风险的评估中.分析对比了选取不同核函数和参数的实验结果,同时实验结果表明,相比传统的人工神经网络,SVM在有限样本情况下具有良好的泛化能力.     

支持向量机在尿沉渣有形成分分类中的应用

计算机显微图像尿沉渣分析仪,是运用图像处理技术和统计学习理论中支持向量机（SVM）技术,对尿沉渣的有形成分进行自动分类和识别,并从形态学方面对其进行了特征描述。在应用SVM分类方法的过程中,首先建立已知分类的图像,进而提取图像的特征,再对这些特征进行训练,同时交叉验证确定最优的SVM核函数和参数。最后根据训练过程建立的模型来对测试图像分类．结果表明,选用了支持向量机来实现沉渣识别,与传统的方法相比,取得了更高的识别率。     

基于改进的支持向量机的开关磁阻电机的模型建立

开关磁阻电机具有结构简单、工作可靠、运行效率高等优点。但开关磁阻电机的磁路高度饱和、非线性化,很难建立准确的数学模型,难以实现高精度控制。在研究开关磁阻电机的电磁与转矩特性的基础上,结合支持向量机算法在解决小样本、非线性、高维数、局部极小值问题上的优势,建立了径向基函数核函数的支持向量机的开关磁阻电机的数学模型,通过仿真与传统BP神经网络算法对比,证明该算法具有较高的性能,实验平台检测的数据表明,所构建的开关磁阻电机模型是可行的,证明了模型的正确性和有效性。     

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机（Support Vector Machines,SVM）理论在变压器故障诊断中得到了越来越多的应用,由于变压器故障数据有限,在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,本文提出了支持向量机的参数和参数的交叉验证算法,寻找最佳的参数和参数,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,具有较高的故障诊断准确率。     

支持向量机在入侵检测系统中的应用

SVM(支持向量机)方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文简要分析了当前的几种入侵检测方法,重点介绍了SVM的学习算法,提出了将SVM用于入侵检测系统的方法.通过Matlab仿真实验,结果表明,运用SVM方法检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段.     

基于支持向量机核函数算法的图像分割研究

为了提高图像分割的质量,采用支持向量机核函数算法。首先寻找像素分类间隔最大的最优分类面,将非线性输入空间的样本映射到高维特征空间进行求解;然后局部核函数选择高斯径向基核函数,全局核函数选择多项式核函数,为了满足训练集中支持向量取值带来的连续性要求,通过组合系数平衡高斯核函数和多项式核函数的权重;接着选择像素的邻域灰度均值作为用于分割的特征,利用不规则度统计图像邻域灰度均值连通区域的离散程度;最后给出了算法流程。实验仿真显示本文算法分割图像清晰,目标区域十分突出,定性分析中指标归一化互相关系数为0.9946,分割时间为0.7512,误割率为0.0237。     

基于Adaboost与支持向量机的人脸特征提取

针对单一分类器人脸检测非常耗时的问题，提出了一种由粗到精的融合分类器结构模式加速人脸检测。该系统分为3个阶段：前两个阶段，使用Adaboost级联分类器快速排除大量简单的非人脸图像；最后一个阶段．使用非线性的支持向量机分类器，将已通过前两个阶段检测的复杂图像准确归类为人脸或非人脸。实验结果表明系统性能良好。     

具有磁场效应的大间隔支持向量机

为了提升模式分类泛化性能,该文提出一种新颖的具有磁场效应的大间隔支持向量机(MFSVM)。为了学习最优分割超平面,MFSVM通过引入最小化的q-磁场带,使得一类(或正常类)被包含其中,而另一类(或异常类)与该q-磁场带的间隔尽可能地大,从而实现类内内聚性的提高和类间间隔的增大,增强SVM学习泛化能力。在人造和实际数据集上实验结果显示,MFSVM分别在二类和一类模式分类上的性能均优于或等同于相关方法。     

支撑向量机多类分类方法的研究

支撑向量机是一种基于统计学理论的新的学习算法,它采用了结构风险最小化原则,能有效地解决过学习问题,具有很强的泛化能力。传统支撑向量机针对两类分类问题,为了深入地分析实际应用中的大规模和多类别的问题,通过对一次性求解法、一对多、一对一、有向无环图方法的原理和实现方法进行分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,并通过实验进行了验证和比较。实验结果表明,各种方法可以获得不同的分类器推广能力及训练速度和测试速度,也为今后如何更好地解决支撑向量机多类分类问题指明了方向。     

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。     

基于支持向量机的说话人识别研究

说话人识别技术的研究是智能信息处理的研究热点问题之一。支持向量机是统计学习理论的一个重要学习方法,也是解决模式识别问题的一个有力工具。介绍了模式识别的分类原理,提出基于支持向量机的说话人识别模型。通过把所得到的结果与原有VQ模型的试验结果相比较,表明该方法具有较高的识别准确率。     

模糊多类SVM模型

利用SVM处理多类分类问题,是当前的研究热点之一.本文提出了一种模糊多类支持向量机模型,即FMSVM.该方法是在Weston等人提出的多类SVM模型中引入模糊成员函数,针对每个输入数据对分类结果的不同影响,该模糊成员函数得到相应的值,由此得到不同的惩罚值.从而在构造分类超平面时,可以忽略那些对分类结果影响很小的数据.理论分析与数值实验都表明,该算法具有良好的鲁棒性.