间隔ν-支持向量机及其几何问题

提出总间隔ν=支持向量机(TM-ν-SVM),该算法可取得比ν-SVM更好的理论分类性能.研究表明TM-ν-SVM等价于求解特征空间中的两个压缩凸包的最近点对.讨论压缩凸包的相关性质,并给出对应的几何算法.数值模拟实验表明TM-ν-SVM和对应的几何算法可取得比其它算法更好的性能.     

一种改进粒子群算法的混合核ε-SVM参数优化及应用

将径向基核函数和多项式核函数进行线性组合构建了混合核ε-SVM, 克服了单核SVM存在的泛化性能弱、学习能力差等弱点; 为了同时解决普通粒子群算法存在的后期震荡严重、趋同性强和极易陷入局部极小值等问题, 提出了一种改进的PSO算法, 并给出了其数学模型和算法流程。该算法将随机粒子个体极值的追随因子增加至动量项和基本粒子群算法的速度项, 再将增加追随因子后的动量项回植于更新后的速度项, 这样就使得粒子在减缓后期震荡的同时修正了趋同性。通过函数仿真实验和实例验证了所提出的基于改进PSO的混合核ε-SVM算法较其他预测算法具有寻优精度高、收敛速度快、鲁棒性能好和复杂度低等优势。     

基于GA的ε-支持向量机参数优化研究

ε-支持向量机（ε-Support Vector regression Machine,SVM）是一种非常有前景的学习机器,它的回归算法已经成功应用到解决非线性函数的逼近问题。但ε-SVM参数的选择大多数是依靠经验选取,这不仅依赖于计算者的水平,还不能获得最佳函数逼近效果,很大程度上限制了该算法的发展。提出了基于遗传算法的ε-SVM参数选择方法。将该方法应用于测试函数,表明预测精度高,具有一定的推广意义。     

双正则化参数的L_2-SVM参数选择

寻找支持向量机(SVM)的最优参数是支持向量机研究领域的热点之一。2范数软间隔SVM(L2-SVM)将样本转化成线性可分,在原始单正则化参数L2-SVM的基础上,提出双正则化参数的L2-SVM,获得它的对偶形式,从而确定了最优化的目标函数。然后结合梯度法,提出了一种新的支持向量机参数选择的新方法(Doupenalty-Gradient)。实验使用了10个基准数据集,结果表明,Doupenalty-Gradient方法是可行且有效的。对于实验所用的样本,极大地改善了分类精度。     

一个新的连续可微的单参数填充函数

填充函数法是求解非线性全局优化问题的有效方法。针对无约束优化问题,在目标函数及其梯度利普希兹连续的基础上,提出了一个新的连续可微的单参数填充函数,并研究了该填充函数的相关性质。最后,给出了一个填充函数算法,数值实验表明,该填充函数是有效的且算法是可行的。     

量子搜索算法体系及其应用

Grover量子搜索算法正在逐渐演变成一个算法体系,并逐渐进入了实际应用阶段。文章中通过几何法论述了经典Grover算法,通过算符法引申出了该算法的扩展,并在两种情况下对该算法进行了讨论。在分析该算法实际应用基本策略的基础上,论述了函数全局优化问题的改进,提出了通过量子搜索算法改进纯适应搜索算法的新思想。     

基于具有自适应分段损失函数支持向量机的产品销售预测模型

针对产品销售时序包含噪声的数据特征, 提出一种基于自适应分段损失函数的支持向量机模型(AS??-SVM). AS??-SVM 为每个样本点赋一个单独的不敏感损失值, 以此降低模型对包含较大噪声的样本点的依赖性, 并从理论上证明了该方法可增强模型部分的泛化性能. 将AS??-SVM 与??-SVM 共同应用于处理一个数值算例和一个汽车销售预测实例中, 仿真实验结果表明, AS??-SVM 是有效可行的, 可获得比??-SVM 更精确的预测结果.

     

改进的ID3算法在客户流失预测中的应用

对分类预测中广泛使用的ID3决策树算法进行了分析,指出了该算法的取值偏向性以及运算效率不高等缺点,在此基础上提出了一种改进的ID3算法并将其应用于某移动通信公司的客户流失预测。改进的算法通过属性加权克服取值偏向性,运用熵函数的递推性质并通过二元熵函数查表法显著地提高运算效率。应用结果表明,提出的改进算法性能明显改善。     

海量数据分类ν-SVM问题的软最小球方法

海量数据分类问题是目前SVM学习算法研究的一个热点。传统的SVM方法是通过计算二次规划问题求解的,当训练样本数较大时存在一定的困难。文章介绍一种新的方法,该方法把二分类问题看作特殊的软最小球覆盖问题,提出求解SVM问题的全新的最小球覆盖几何解释,通过软最小球算法进行求解,避免了计算复杂度高的问题,可以用来求解l1目标函数海量数据ν-SVM分类问题。实验结果表明,文章提出的算法与同类算法相比具有相当的竞争力。     

求解大规模非凸优化问题的多阶段MM方法

机器学习的主要目的是让计算机系统具有类似于人的学习能力,而数值优化方法对提高其效率,增强其效果有着举足轻重的作用.在L1-SVM优化问题中,可以利用截断Hinge损失剔除过多的支持向量,提高模型的鲁棒性.但却导致了棘手的非凸优化问题.MM(Majorization-Minimization,MM)是一种求解非凸问题的有效框架,主要思想是通过寻找一系列恰当的凸上界,将非凸目标函数转化为一系列凸的子问题进行求解.常用于求解非凸问题的凸凹转化算法(Con-cave-Convex Procedure,CCCP)同属这一框架.论文分析了求解截断L1-SVM问题的CCCP算法具有稀疏支持向量的原因,并在此基础上,利用多阶段策略的优点,提出一种多阶段MM方法,得到了更好的稀疏性.最后在大规模数据集上,进行了实验对比,验证了所提算法的有效性.     

多目标微粒群优化算法综述

作为一种有效的多目标优化工具,微粒群优化(PSO)算法已经得到广泛研究与认可.首先对多目标优化问题进行了形式化描述,介绍了微粒群优化算法与遗传算法的区别,并将多目标微粒群优化算法(MOPSO)分为以下几类:聚集函数法、基于目标函数排序法、子群法、基于Pareto支配算法和其他方法,分析了各类算法的主要思想、特点及其代表性算法.其次,针对非支配解的选择、外部档案集的修剪、解集多样性的保持以及微粒个体历史最优解和群体最优解的选取等热点问题进行了论述,并在此基础上对各类典型算法进行了比较.最后,根据当前MOPSO算法的研究状况,提出了该领域的发展方向.     

基于TSPSO支持向量机红外甲烷传感器动态补偿

摘 要：针对红外甲烷传感器在矿井下使用易受周围恶劣环境因素影响的问题,提出了一种动态感知的双子群粒子群-支持向量机(TSPSO- -SVM)补偿算法对其进行动态补偿。TSPSO算法同时优化非目标环境变量和SVM参数,其寻优精度高、收敛速度快,并在此基础上建立了综合补偿数学模型。实验表明,该补偿算法回归拟合效果好,模型的测量精度高于一般的粒子群最小二乘支持向量机(PSO-LSSVM)模型。     

改进的多变量哈希函数

针对基于MI算法提出的一种多变量哈希函数进行研究,对该算法的安全性进行分析,找到其破解方法,并在此基础上对该算法进行改进。改进算法在保持了原有算法的所有优点的基础上对这种碰撞攻击免疫。还对该改进算法进行了原像攻击、第二原像攻击、差分攻击和代数攻击方面的安全性分析。同时建立数学模型,并通过实验测试了该改进算法的雪崩效应及其稳定性。实验结果表明,该算法满足严格雪崩效应原则,具有理想的、稳定的雪崩效应。     

面向不平衡数据集分类模型的优化研究

为提高不平衡数据集的分类效率,建立一种分类模型,从样本采样和分类算法两方面进行优化。对决策边界的少类样本进行循环过采样生成新样本集,并与决策边界外合成的少类样本集合并,提高样本的重要度。针对传统ε-支持向量机(ε-SVM)在对不平衡数据集分类时超平面偏移的问题,引入正负惩罚系数和混合核函数,并利用客观的熵值法选取惩罚系数,提高分类算法的性能。实验结果表明,与标准的SVM算法相比,该分类模型在不平衡数据集分类上F-measure值平均提高18.1%,具有较好的分类效果。     

一类求全局最小点的填充函数及其算法

填充函数法是求解全局最优化问题的一种重要的方法,其关键之一在于构造一类性质良好的填充函数.文中基于填充函数的严格定义,针对全局优化问题(P0):min x∈R n f(x),在目标函数 f(x)满足一定条件的基础上,提出了一类求其全局最小解的填充函数,并在适当的假设条件下,研究证明了该函数的填充性质和其他的分析性质,并按照这些相关性质设计了相应的填充函数算法.该函数形式简单,便于计算.最后,还进行了数值试验测试,结果表明,该函数是可行的,算法是有效的     

基于轨迹控制的改进的直接函数法圆弧插补算法

基于直接函数法的圆弧插补算法能够有效提高插补精度,但是在终点判别时需要对两个轴向的步数进行计算,时间较长.在对长轴终点判别方法进行研究的基础上,提出了一种改进的直接函数法的圆弧插补算法.以每步插补的连续前进轴为长轴,并以在长轴上的插补步数为判断基准,对插补点是否到达终点作出判断.该方法要求不同卦限圆弧对应不同长轴.该算...     

基于构型空间法的机器人路径规划研究

提出了一种静态环境下的机器人路径规划仿生算法,该算法用构型空间法对场景进行建模,模拟蚂蚁群体觅食的智能行为,由多只蚂蚁协作完成最优路径的搜索。搜索过程在基于蚁群优化算法的基础上增加了最近邻居策略和目标导引函数,使搜索过程快速高效。并在实验环境中对机器人路径规划进行仿真,结果显示在多障碍物下也能迅速规划出最优路径,表明研究的可行性和有效性。     

L2-SVM下的短文本情感分类动态CNN模型

为了解决情感分类文本稀疏、传统方法过分依赖情感词典和人工设定特征工程等问题,提出一种基于L2-SVM和动态卷积神经网络的LDCNN模型。该模型采用不同于经典CNN模型的L2-SVM目标函数,解决了参数优化过程梯度弥散现象。通过真实网络评论数据集与经典方法的定量对比,实现了LDCNN模型准确率的大幅提升,并通过调整惩罚系数获得了最佳模型性能。     

基于遗传算法和罚函数法的炉温优化设定

针对钢坯温度预报模型中时变非线性参数进行了等效研究,提高了模型预报钢坯温升的精度。在分析钢坯加热过程、工艺要求、能耗与环保的基础上提出基于遗传算法和罚函数相结合的炉温优化算法。并对该算法进行了计算机仿真,仿真结果表明该优化算法能够迅速寻找到全局最优。     

基于MPSO-SVM巷道围岩松动圈预测研究

针对目前巷道围岩松动圈确定方法的种种缺陷,提出了一种新的预测方法,采用改进的粒子群算法（MPSO）优化支持向量机（SVM）对巷道围岩松动圈进行预测。在标准PSO中引入压缩因子,实现了算法全局搜索和局部寻优的有效平衡;应用MPSO对SVM的参数C和g进行优化,建立MPSO-SVM回归预测模型;将该预测模型应用于巷道围岩松动圈的预测,将预测性能与PSO-SVM、GA（遗传算法）-SVM、GSM（网格搜索）-SVM模型、BP神经网络进行对比分析。结果表明：该模型具有较强的泛化能力,较高的预测精度,可以对围岩松动圈厚度进行有效预测。