基于BP神经网络和支持向量机的电机故障诊断系统

故障诊断是计算机模式识别领域的一个活跃课题。文中提出一种基于BP神经网络和支持向量机（SVM）的电机故障诊断方法，设计了适合该诊断系统的网络结构。仿真结果表明：该网络结构比BP算法具有更快的学习速度和更高的学习精度，完全适用于电机故障诊断系统。     

基于SOM神经网络和支持向量机的方言辨识

建立了一个基于SOM神经网络和支持向量机(SVM)的汉语方言辨识系统。该系统以湖南方言作为研究对象,借助SOM神经网络对不同方言的MFCC特征参量进行聚类,并用SVM作为最终的决策辨识器。实验结果表明:该系统与传统系统相比实时性和辨识率较好,特别适用于信噪比低的情况。     

基于支持向量机的空调控温过程实时预测

分析了空调工作过程中温度控制的重要性与传统方法的不足,将基于统计学习理论的支持向量机方法用于控温过程中,对温度进行实时预测。采用数字实验对所提方法的可行性进行验证,结果表明该方法可以获得比传统方法更高的预测精度,实时性较高,能为空调控温系统提供更好的决策支持,具有较大的发展潜力和实用价值。     

基于神经网络和向量机的容错控制研究

提出了一种容错控制新方案,该方案融合了神经网络与支持向量机的容错控制技术,解决了传统容错控制系统不能对复杂非线性系统进行有效控制的问题。采用该方法对发动机容错控制系统进行了仿真,证明了该系统具有良好的容错控制的性能。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法,突破了传统模式识别方法的局限,使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

支持向量机理论与基于规划的神经网络学习算法

近年来支持向量机（SVM）理论得到国外学者高度的重视,普遍认为这是神经网络学习的新研究方向,近来也开始得到国内学者的注意。该文将研究SVM理论与神经网络的规划算法的关系,首先指出,Vapnik的基于SVM的算法与该文作者1994年提出的神经网络的基于规划的算法是等价的,即在样本集是线性可分的情况下,二者求得的均是最大边缘（maximal margin)解。不同的是,前者（通常用拉格郎日乘子法）求解的复杂性将随规模呈指数增长,而后者的复杂性是规模的多项式函数。其次,作者将规划算法化为求一点到某一凸集上的投影,利用这个几何的直观,给出一个构造性的迭代求解算法－－“单纯形迭代算法”。新算法有很强的几何直观性,这个直观性将加深对神经网络（线性可分情况下）学习的理解,并由此导出一个样本集是线性可分的充分必要条件。另外,新算法对知识扩充问题,给出一个非常方便的增量学习算法。最后指出,“将一些必须满足的条件,化成问题的约束条件,将网络的某一性能,作为目标函数,将网络的学习问题化为某种规划问题来求解”的原则,将是研究神经网络学习问题的一个十分有效的办法。     

基于支持向量机的科技图书市场预测

对灰色、神经网络和支持向量机的三个预测模型进行研究,以某某类科技图书1993-2000年的年发行量为例,对科技图书市场进行预测,经过比较,支持向量机的预测方法精度较高。本方法可推广应用于其他类图书市场的预测。     

基于图像处理和支持向量机分类的牛肉大理石花纹等级评定

牛肉胴体质量等级评定是牛肉依质论价的基础。其中，大理石花纹是评定牛肉质量等级的主要指标。由于人工评定存在许多缺点，采用机器视觉来判定牛肉胴体质量等级是一种很好的方法。研究了一种基于图像处理和支持向量机（SVM）分类的牛肉大理石花纹等级评定技术。首先应用阈值分割、形态学腐蚀及膨胀的方法来分割牛肉图像中的有效区域（用于大理石花纹等级评定的区域）；然后用矩方法来提取图像特征参数，最后用支持向量机的模式识别技术来构造牛肉大理石花纹等级分类模型。结果表明：该模型对我国国家标准规定的牛肉大理石花纹等级的正确识别率分别达到95.9％（一级）、89.2％（二级）、93．2％（三级）、100％（四级）。研究的牛肉大理石花纹等级的机器视觉检测方法是可行的，这为牛肉等级的在线检测装置设计提供了条件。     

基于支持向量机的实时路面检测算法

二阶多项式核函数支持向量机分类决策函数可以表示为待分类向量各分量的形式，其中的同类项可以合并，同类项的系数在得到支持向量后可以计算得出。使用这样的分类决策函数，可以避免分类时待分类向量和各个支持向量逐个进行的运算，使分类计算速度和支持向量个数无关。针对实际道路图像的对比实验表明，采用这种新算法的支持向量机路面检测分类器，在路面检测精度上优于神经网络，在计算速度上也能很好地满足实时检测的要求。     

基于支持向量机的丙酮精制建模

采用支持向量机建立了丙酮精制过程的产品质量与生产工艺参数之间的预测模型,并将其与反向传播神经网络和径向基神经网络模型相比较。在实际工业数据上进行的实验结果表明,支持向量机模型对丙酮纯度具有良好的预测效果,性能优于反向传播神经网络和径向基网络模型。     

新型SVM对时间序列预测研究

In this paper, we present a new support vector machines-least squares support vector machines (LS-SVMs). While standard SVMs solutions involve solving quadratic or linear programming problems, the least squaresversion of SVMs corresponds to solving a set of linear equations, due to equality instead of inequality constraints in the problem formulation. In LS-SVMs, Mercer condition is still applicable. Hence several type of kernels such aspolynomial, RBF's and MLP's can be used. Here we use LS-SVMs to time series prediction compared to radial basisfunction neural networks. We consider a noisy (Gaussian and uniform noise)Mackey-Glass time series. The resultsshow that least squares support vector machines is excellent for time series prediction even with high noise.     

基于支持向量机的多分类增量学习算法

支持向量机被成功地应用在分类和回归问题中，但是由于其需要求解二次规划，使得支持向量机在求解大规模数据上具有一定的缺陷，尤其是对于多分类问题，现有的支持向量机算法具有太高的算法复杂性。该文提出一种基于支持向量机的增量学习算法，适合多分类问题，并将之用于解决实际问题。     

基于支持向量机的油品质量预测

以某炼油厂加氢装置的现场数据为基础,利用支持向量机技术建立了轻柴油的凝点、闪点、95%馏出温度等3个关键指标的预测模型,并且分析了神经网络和支持向量机在预测上的差异,验证了用支持向量机建立的油品质量预测模型能快速得到有效信息,从而为实现质量指标的实时预估奠定了基础。     

一种基于支持向量机思想的无监督聚类算法

支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使对支持向量分类器具有较好的推广能力。本文分析了支持向量机在解决无监督分类问题上的不足,提出一种基于支持向量机思想的最大间距的聚类新方法。实验结果表明,该算法能成功地解决很多非监督分类问题。     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法,此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别,结果表明了该方法在小字符集脱机手写体识别中的实用性。     

小波支持向量机在软件衰退预测的应用研究

研究软件衰退问题,软件衰退数据存在大量噪声,传统预测方法难以消除噪声,预测精度低。为提高软件衰退预测精度,提出一种小波支持向量机的软件衰退预测方法。首先对收集软件衰退预测数据进行归一化处理,而后采用小波分析对数据进行分解,分解成多信尺度,而后采用支持向量机对软件衰退数据各个尺度系数分别进行预测,最后采用小波分析对各尺度系数预测结果进行重构,得到软件衰退预测的最终结果。仿真结果表明,相对传统预测方法,小波支持向量机提高了软件衰退预测精度,能够很好地预测软件衰退趋势。     

基于神经网络和层次SVM的多姿态人脸识别

提出了一种基于神经网络和层次支持向量机的多姿态人脸识别方法。该方法在训练阶段先利用神经网络把姿态人脸图像特征向准标准人脸图像特征映射，再根据聚类结果来训练支持向量机。识别阶段是利用神经网络变换得到待识别图像所对应的准标准图像的特征，再让层次支持向量机初步判断待识别图像最可能所属的人，最后利用否定算法对待识别的人脸图像进行确认。实验表明该算法效果较佳。     

最小二乘支持向量机算法研究

1 引言支持向量机(SVM,Support Vector Machines)是基于结构风险最小化的统计学习方法,它具有完备的统计学习理论基础和出色的学习性能,在模式识别和函数估计中得到了有效的应用(Vapnik,1995,1998)。支持向量机方法一方面通过把数据映射到高维空间,解决原始空间中数据线性不可分问题;另一方面,通过构造最优分类超平面进行数据分类。神经网络通过基于梯度迭代的方法进行数据学习,容易陷入局部最小值,支持向量机是通过解决一个二次规划问题,来获得     

基于支持向量机的复杂时间序列预测研究

介绍了相空间重构和基于支持向量机的时间序列预测建模技术,提出了复杂时间序列的多尺度分解方法,对支持向量机回归与预测的各项参数设置进行了试验分析。对股票数据进行建模和预测,结果表明支持向量机对复杂时问序列具有较好的预测效果。