基于最小二乘支持向量机的模糊图像恢复

针对模糊图像恢复问题,提出了一种基于最小二乘支持向量机的模糊图像恢复算法.该方法利用最小二乘支持向量机的非线性映射能力,通过训练样本对的学习训练,在模糊图像与清晰图像之间建立映射关系对测试样本进行恢复.实际图像恢复实验表明,得到的恢复图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,最小二乘支持向量机克服了神经网络的模型选择与过学习问题、局部极小问题等.     

一种模糊支持向量机控制器的研究

将支持向量机与模糊逻辑相结合,设计了一种模糊支持向量机控制器,并分析了控制器的结构和学习算法.学习过程分为离线学习支持向量机和在线整定模糊比例因子两部分.与模糊神经网络控制器相比,模糊支持向量机控制器适应小样本学习,泛化能力强,解决了过学习、结构设计依赖经验等问题.仿真研究表明,所设计的控制器具有较优的控制性能.     

一种支持向量机粗糙神经网络的构造与分类决策

本文根据支持向量机可以解决小样本学习问题的优势，再结合粗集理论对不确定性问题分析的特点，提出一种支持向量机的粗糙神经网络的构造方法．该方法引入多个类似于支持向量机的子神经网络，并将网络中的隐层单元设计成由多组粗糙神经元构成的网络单元．这种新型神经网络具有结构确定、可解释性好、计算简单、收敛速度快等特点．最后，以某型歼击机的飞机舵面故障判决为例，用仿真结果证明，本文方法是行之有效的．     

一种改进的模糊多类支持向量机算法

支持向量机是基于统计学习理论的新一代机器学习技术;由于使用结构风险最小化原则代替经验风险最小化原则,使它较好地解决了小样本情况下的学习问题;针对目前模糊支持向量机方法中,一般使用样本与类中心之间的距离关系构建隶属度函数的不足,以统计学习理论和支持向量机为基础,提出了一种改进的模糊多类支持向量机方法,它是在全局优化分类的基础上,引入模糊隶属函数,然后利用改进的序列最小最优化算法求解模糊多类支持向量机,实验结果显示运行时间减少了,方法是可行的和有效的.     

模糊支持向量机中隶属度的确定与分析

针对目前模糊支持向量机方法中，一般使用特征空间中样本与类中心之间的距离关系构建隶属度函数的不足，提出了一种新的有效地反映样本不确定性的隶属度计算方法——基于样本紧密度的隶属度方法。在确定样本的隶属度时，不仅考虑了样本与类中心之间的关系，还考虑了类中各个样本之间的关系，并采用模糊连接度来度量类中各个样本之间的关系。将其应用于模糊支持向量机方法中，较好地将支持向量与含噪声或野值样本区分开。实验结果表明，采用模糊支持向量机方法，其分类错误率比采用支持向量机方法的错误率低，在使用的3种隶属度函数中，采用基于紧密度隶属度的模糊支持向量机方法抗噪性能最好，分类性能最强。     

模糊样本下学习问题的研究

支持向量机是机器学习领域一个研究热点,而统计学习理论中的关键定理为支持向量机的研究提供了重要的理论基础。基于模糊样本,提出了模糊经验风险最小化原则和非平凡一致性的概念,提出并证明了基于模糊样本的学习理论的关键定理,为研究模糊支持向量机提供了依据。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

基于边界向量提取的模糊支持向量机方法

针对支持向量机对训练样本中的噪声和孤立点特别敏感的问题,提出一种基于边界向量提取的模糊支持向量机方法.在特征空间中寻找能够分别包住两类样本点的两个最小超球,并选择可能成为支持向量的边界向量作为新样本,减少参与训练的样本数目,提高训练速度.样本的隶属度根据边界样本和噪声点与所在超球球心的距离分别确定,既减弱孤立点和噪声的影响,又增强支持向量对支持向量机分类的作用.实验结果表明,与传统的支持向量机方法和基于样本与类中心之间关系的模糊支持向量机相比,本文方法具有更快的学习速度和更好的泛化能力.     

模糊支持向量机隶属度的确定方法

传统的支持向量机对噪声或野点是敏感的,针对这种情况,引入了模糊支持向量机,但模糊隶属度的确定是个难点。利用基于线性规划下的一类分类算法来确定模糊隶属度,根据不同输入样本对分类的贡献不同,赋予相应的隶属度,将噪声或野点与有效样本区分开。实验结果表明,模糊支持向量机比传统的支持向量机有更好的分类效果,能够削弱噪声或野点的影响。     

基于类内超平面的模糊支持向量机

分析基于样本与类中心距离设计模糊支持向量机隶属度函数的缺点,使用类内超平面代替类中心,提出基于样本到超平面距离的隶属度函数设计方法.该方法降低隶属度函数对样本集几何形状的依赖,提高模糊支持向量机的泛化能力.最后数值实验表明,与传统的支持向量机和现有的3种不同隶属度函数的模糊支持向量机相比,新隶属度函数可达到最好的分类效果而且速度快.     

支持向量机在油层含油识别中的应用

针对油藏中油气规律分布复杂的地区,在以往油层含油判别分析的基础上,提出了一种基于支持向量机的油藏建模方法。应用已知油层的岩层厚度、泥质含量等6个参数作为训练样本的输入,油气特征作为训练样本的输出,对支持向量机进行训练,从而建立基于支持向量分类机的识别模型,并在此基础上对某油区油气水层分布规律进行了预测。结果显示,采用支持向量机判断的油气分布规律与实际试油结果完全一致,即将支持向量机用于油层油气识别是有效的。     

Feature selection in the Laplacian support vector machine

Traditional classifiers including support vector machines use only labeled data in training. However, labeled instances are often difficult, costly, or time consuming to obtain while unlabeled instances are relatively easy to collect. The goal of semi-supervised learning is to improve the classification accuracy by using unlabeled data together with a few labeled data in training classifiers. Recently, the Laplacian support vector machine has been proposed as an extension of the support vector machine to semi-supervised learning. The Laplacian support vector machine has drawbacks in its interpretability as the support vector machine has. Also it performs poorly when there are many non-informative features in the training data because the final classifier is expressed as a linear combination of informative as well as non-informative features. We introduce a variant of the Laplacian support vector machine that is capable of feature selection based on functional analysis of variance decomposition. Through synthetic and benchmark data analysis, we illustrate that our method can be a useful tool in semi-supervised learning.     

Classification of gene functions using support vector machine for time-course gene expression data

Since most biological systems are developmental and dynamic, time-course gene expression profiles provide an important characterization of gene functions. Assigning functions for genes with unknown functions based on time-course gene expressions is an important task in functional genomics. Recently, various methods have been proposed for the classification of gene functions based on time-course gene expression data. In this paper, we consider the classification of gene functions from functional data analysis viewpoint, where a functional support vector machine is adopted. The functional support vector machine can model temporal effects of time-course gene expression data by incorporating the coefficients as well as the basis matrix obtained from a finite expansion of gene expressions on a set of basis functions. We apply the functional support vector machine to both real microarray and simulated data. Our results indicate that the functional support vector machine is effective in discriminating gene functions of time-course gene expressions with predefined functions. The method also provides valuable functional information about interactions between genes and allows the assignment of new functions to genes with unknown functions.     

局部关注支持向量机算法

针对训练数据集的不均衡性这一问题,结合采样方法和集成方法,提出一种集成支持向量机分类算法。该算法首先对不均衡的训练集进行非监督聚类;然后依靠其底层的局部关注支持向量机进行数据集局部划分,以精确把控数据集间的局部特征;最后通过顶层支持向量机进行分类预测。在UCI数据集上的评测结果显示,该算法与当前流行的算法（如基于采样的核化少数类过采样技术（K-SMOTE）、基于集成的梯度提升决策树（GTB）和代价敏感集成算法（AdaCost）等）相比,分类效果有明显提升,能在一定程度上解决数据集的不均衡问题。     

基于支持向量机的石油管线缺陷识别方法研究

针对管道超声检测缺陷识别问题,从数据挖掘角度,提出一种基于支持向量机的石油管线缺陷自动识别新方法。通过超声石油管线缺陷大量检测实验表明:该方法具有准确率高、推广性强、容易在线实施等优点。     

一种设计层次支持向量机多类分类器的新方法

层次结构的设计是层次支持向量机多类分类方法应用中的关键问题,类间可分性是设计层次结构的重要依据,提出了一种基于线性支持向量机度量类间相似程度的方法,并给出了一种基于类间可分性设计层次支持向量机多类分类器的新方法。实验表明,新方法有效地提高了层次支持向量机多类分类器的分类精度和速度。     

一种改进的SVM回归估计算法

支持向量机是一种基于结构风险最小化原理的学习技术,也是一种新的具有很好泛化性能的回归方法。目前,如何设计快速有效的回归估计算法仍然是支持向量机实际应用中的问题之一。文中对标准SVM回归估计算法加以改进,提出一种改进的SVM回归估计算法,并从学习速度和回归估计精度两个方面对提出的改进的SVM回归估计算法与标准SVM回归估计算法进行了比较。实验结果表明,在学习速度与回归估计精度之间取折衷时,文中提出的回归估计算法自由度更大。     

一种改善的基于支持向量机的边缘检测算子

支持向量机是一种新的机器学习方法。它建立在统计学习理论基础上,较好地解决了小样本的学习问题。由于其出色的学习性能,该技术已经成为当前国际机器学习界的研究热点。文中提出了一种基于支持向量机的图像边缘检测新方法。这种方法介绍了如何使用支持向量机来高效的检测图像的边缘。首先用几个边缘简单的图像对支持向量机进行训练,然后使用支持向量分类方法进行边缘检测。针对实际图像的边缘检测实验表明,支持向量机可以有效地进行图像的边缘检测,其检测效果和传统的Canny边缘检测算子相当。     

基于熵和支持向量机的音乐分类方法

音乐分类研究已经持续多年,但目前检索效率并不理想. 提出了一种基于熵和支持向量机的音乐分类方法. 利用滤波器把音乐片段分解成不同的频率通道,然后通过离散傅里叶变换转换为频谱图后计算信息熵,并使用支持向量机在四个类别的音乐集上进行训练和测试. 同时,比较了三种不同的滤波器,其中Bark滤波取得了80%的识别率,实验结果表明其比使用MFCC特征分类效果要好.     

一种判断类间空间分布情形的有效方法

层次结构设计是层次支持向量机应用中的关键问题,不同层次结构下,层次支持向量机的分类性能有很大差别.分析了层次支持向量机及其存在的问题,提出了一种有效判断类间空间分布情形的简单方法.仿真试验表明,基于该方法设计的层次支持向量机与基于传统方法设计的层次支持向量机相比,具有较高的分类精度.