一种调整分类超平面偏移的方法一平均距离比MDR法

分析了传统的支持向量分类机对不平衡数据集的影响,并提出了一种调整分离超平面偏移的方法一平均距离比MDR法．首先分别计算正、负类的支持向量到分离超平面距离的平均值,让这个平均值之比等于两类样本数的反比,从而得到偏移b＊的值．实验表明,对于不平衡数据集问题,该方法比标准SVM具有更好的效果．     

用遗传算法求SVM的最优超平面

支持向量机(SVM)是解决小样本学习问题的有力工具,其关键是如何得到判别样本类别的最优超平面。受约束条件的限制,最优超平面的求解比较繁琐。遗传算法具有全局搜索最优解的特点,是求最优值问题的非常有效的方法。由此,利用遗传算法得到了一个直接求最优超平面近似解的方法,该方法不同于传统的二次规划方法。     

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC)．在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则．在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类．UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6％,分类精度比SVDC提高45.9％．     

基于核的单类分类器研究

以统计学习理论为背景,以核方法为基础的两类典型单类分类算法：单类支持向量机（OCSVM）和支持向量数据域描述（SVDD）,均以降低VC维为目标,其中前者通过寻找一个远离原点的超平面,使目标数据所在的正半空间尽量最小;而后者通过寻找一个包含大部分目标数据的最小超球,实现体积最小化.围绕上述两算法,已有大量改进形式出现.本文以此为主线,分别从模型构建、模型改进和数据预处理的角度,进行了回顾和阐述,并对各算法的特点给出了相应的总结.     

一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD．由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练．人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间．     

一种基于样本近邻分类精度的支持向量机集成方法

提出了一种基于样本近邻分类精度的支持向量机集成方法.对待分类样本,可通过改进的FCM与模糊贴近度的搜索算法,自动确定其在模糊特征空间集上的有效邻域;在此基础上,依据各分类器在样本近邻的分类精度及设置的阀值,自动选取部分优秀的个体分类器,进行集成判决.实验结果表明,在缩短分类判别时间的情况下,该方法可有效提高分类器性能.     

一种改进的加权边界调节支持向量机算法

为了改进现有支持向量机所确定的边界抗干扰能力差、对噪声数据敏感等问题,减少野点数据对形成支持向量机边界存在的影响,根据各个样本在整个训练样本集中的重要性不同,将各个训练样本的重要性程度值作为权值赋予边界值上,提出了一种基于加权边界调节的支持向量机算法.通过对标准UCI数据集和人工数据集上的仿真实验表明,基于加权边界调节的支持向量机具有较好的野点免疫能力,具有更高的分类精度、更少的支持向量和更好的推广能力.     

一种非限制性条件下人脸识别的方法

针对非限制性条件下人脸识别准确率较低的问题,提出了一种基于方向梯度直方图特征提取和快速主成分分析算法的人脸识别方法。首先,利用Haar特征分类器对原始数据进行人脸的检测与提取,并进行有序化保存;然后,对有序数据进行方向梯度直方图特征提取,再使用快速主成分分析算法进行降维处理,并对其进行归一化处理;最后,采用支持向量机算法(SVM)对所得到的实验数据进行最终的分类与识别。实验结果表明,与单一的支持向量机算法、主成分分析算法以及方向梯度直方图算法相比,本文方法能有效地提高非限制性条件下人脸识别的准确率,且耗时较短。     

支持向量分类器的模糊积分集成方法

针对常规的基于投票方法的支持向量分类器影响集成分类器的泛化能力的问题,提出一种基于模糊积分的支持向量分类器集成方法,不仅考虑各子支持向量分类器输出的客观信息,同时还考虑各子分类器输出对于最终决策的重要性,提高了集成分类器的泛化能力.仿真试验表明,该方法的分类准确率明显优于单一支持向量分类器和传统基于投票方法的支持向量分类器集成策略.     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

基于离散度的SVDD支持向量预选取方法

为了提高SVDD训练效率、降低存储空间需求,提出了样本的离散度概念,从理论上证明了样本的离散度和支持向量可能性大小之间的关系,并以此为依据来预选取支持向量.仿真实验表明该方法能够在保证SVDD分类精度的前提下,大幅减少训练样本数,而且比现有的其它方法精度更高,证明了该方法的有效性和优越性.     

支持向量机在字符分类识别中的应用

为了对数字字符和字母字符进行有效识别，提出了一种利用二值字符图像投影的特征参数构
造字符特征矢量的方法，对这些特征矢量进行归一化处理并作为支持向量机的训练集。采用支持向量机和
多层感知器网络对字符的特征矢量进行训练，分别构造出26个字母分类器、10个数字分类器以及36个字母
-数字综合分类器。通过对字符的分类识别测试，字符识别的准确率平均为96.5％，识别速度平均为20.5
ms/字符，结果表明了支持向量机在字符识别应用中的有效性。     

离心涡轮式气流分级机分级区域研究

针对涡轮式气流分级机,建立了颗粒在分级轮中的运动微分方程,通过对运动方程的分析,引出了表征颗粒径向行为特征的时间因次量τ＝ρd^12/18μ,并推导出分级区域宽度及分级粒径的表达式。经过比较实验,证明分级作用发生在分级轮外缘,实验分级结果与理论计算相一致。     

基于ν-SVM的不平衡数据挖掘研究

针对基于精度的现有分类算法对不平衡数据挖掘表现出“有偏性”,即正例样本的分类和预测性能差于反例样本的分类和预测性能,基于-νSVM及其启发,提出支持向量数和边界支持向量数的界,进而提出支持向量率和边界支持向量率的界,并把这些界分别扩展到正例和反例.在此基础上,证明了正例的支持向量率和边界支持向量率分别依概率大于反例的支持向量率和边界支持向量率,以及正例的分类性能依概率差于反例的分类性能.针对German credit和Heart disease两个Benchmark数据集的试验研究,验证了本文假设的合理性和上述结论的正确性.     

基于ν-SVM的不平衡数据挖掘研究

针对基于精度的现有分类算法对不平衡数据挖掘表现出“有偏性”，即正例样本的分类和预测性能差于反例样本的分类和预测性能，基于ν-SVM及其启发，提出支持向量数和边界支持向量数的界，进而提出支持向量率和边界支持向量率的界，并把这些界分别扩展到正例和反例.在此基础上，证明了正例的支持向量率和边界支持向量率分别依概率大于反例的支持向量率和边界支持向量率,以及正例的分类性能依概率差于反例的分类性能.针对German credit和Heart disease两个Benchmark数据集的试验研究,验证了本文假设的合理性和上述结论的正确性.