基于支持向量机的乳腺癌检测方法

提出了一种基于支持向量机(SVM)的肿瘤检测方法。此方法通过支持向量回归,确定早期乳腺肿瘤位置,测试结果表明此方法是可行的。     

基于特征级融合和支持向量机的飞机识别

提出一种新的基于组合不变量的飞机识别方法。对不同飞机机型图像,提取Hu矩、仿射矩和归一化傅里叶描述子（NFD）3类不变量进行特征级融合。针对组合不变量取值范围较大问题,提出采用4种归一化方法,结合支持向量机（SVM）以提高飞机识别系统的分类性能。仿真实验表明,提取飞机的组合不变量特征,采用传统神经网络或SVM构建分类器...     

优化样本分布的最接近支持向量机

当两类样本分布存在差异时,最接近支持向量机（Proximal Support Vector Machine,PSVM）等最小二乘类分类器分类结果将出现偏差,不能实现最小错误率分类。本文在分析PSVM等价广义特征值分解模型基础上,提出了一种改善原PSVM分类决策面的优化样本分布PSVM,其基本思想是通过引入最大化正确分类样本距决策面距离,同时最小化错误分类样本距决策面距离的优化样本分布正则化项,构造优化样本分布PSVM的广义特征值分解模型。通过人工数据集和UCI数据集的10个数据子集上的对比实验,验证了该改进分类模型能够有效调整决策边界,从而获得更好的分类效果。     

基于BP网络和支持向量机的雷达高分辨距离像识别

利用雷达目标识别的重要手段之一高分辨距离像,使用误差反传前馈神经网络和支持向量机两种方法分别对其进行识别,并比较二者的识别性能。实验结果表明二者具有相似的抗噪性能和相位角敏感性,而后者的平均识别率较前者有所提高,且对同一样本集支持向量机的识别结果比较稳定。     

基于支持向量机优化的人体动作识别方法

针对传统的基于支持向量机(SVM)在人体运动识别方法中仅单一地采用一对一识别策略并输出识别结果,忽略动作种类较多的时候,导致的识别效率低下,识别精确度不高的情况,提出了UPOP策略。UPOP策略采用了基于SVM的改进策略进行动作的识别,在识别的时候根据分类器的识别精度对DAG SVM策略进行改进,并在输出结果的时候输出识别结果和相对应的置信度,利用置信度对识别结果进行处理。通过实验,文中方法的识别率为98.3%,验证了UPOP策略的有效性,实现了高效率、高准确度的人体动作识别。     

基于边界样本欠取样支持向量机的电信用户欠费分类算法

电信用户欠费预测是一个不平衡数据集分类问题.针对传统支持向量机(SVM)对不均衡数据集中少数类检测精度低的问题,基于分类平面由边界样本的位置决定,提出了一种通过删除部分多数类边界样本的方法来改善传统SVM算法的不足,将该算法和其他几种算法在电信数据和多个不平衡UCI数据集上的实验结果进行对比,验证所提算法对少数类的检测精度和总体评价指标都有所提高.     

基于支持向量机的转炉炼钢终点预测研究

文章主要探究的是建立精确预测炉内的终点碳含量和钢水温度的函数模型,从而准确、高效地得到满足要求的钢材。通过使用对样本数目要求不高、学习能力强的支持向量机学习算法建立数据模型,在MATLAB软件的实验环境下,实现对该模型的训练、测试以及绘制出完整的预测函数图形,并用K折交叉验证算法对预测函数进行反复的训练优化,最终得到较理想的MSE终点预测函数。     

基于DGA支持向量机的变压器故障诊断

针对基于DGA的变压器故障诊断方法在实际操作中存在的不足,提出两种解决方案:基于粒子群优化支持向量机的变压器故障诊断、基于差分进化支持向量机的变压器故障诊断。通过分析两种方案的算法原理建立支持向量机的变压器故障诊断模型,从而完成参数的优化,对得到的最优参数进行验证,获取最优的支持向量机模型。在Matlab软件平台上进行仿真实验,结果证明,采用基于粒子群优化支持向量机的变压器故障诊断结果获取的变压器故障诊断率较高;基于差分进化支持向量机的变压器故障诊断方法的误判率较低,全局寻优能力较好,相比于粒子群优化算法,差分进化支持向量机的优化精度更高。     

基于支持向量机的血液细胞核彩色图像分割

对血液细胞核进行精确的分割是自动分析与识别的关键环节，现有经典算法很难获得满意的效果。本文将分割问题转化为分类问题，利用支持向量机（SVM）实现血液细胞核彩色图像分割。为了获得最佳的分割效果，对采用不同色彩空间、核函数及样本数量的分割结果进行了详细的比较和分析。实验结果表明，与目前经典的分割算法比较，该算法具有分割速度快、准确率高及泛化性强等优点。     

基于支持向量机的飞行执照成绩预测研究

成绩分析为学生管理提供指导,为教学管理决策提供依据.传统的成绩分析只是对均值、挂科率等数据进行简单的统计分析,具有一定的局限性.文章在飞行学生成绩管理中,引入支持向量机SVM这种监督学习算法.将飞行学生的平时成绩和纪律表现等多个维度的数据作为输入,将执照通过情况标记为正类和负类,并作为模型输出.实验结果表明,支持向量机...     

特征加权支持向量机

该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。     

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。     

支持向量机学习算法的研究现状与展望

回顾了支持向量机理论的发展历程,介绍了支持向量机的标准训练算法及其分解算法、变形算法、几何算法以及多类分类算法,重点描述了最小二乘支持向量机算法,总结了支持向量机理论及其应用的现状,对支持向量机的未来发展方向进行了展望。     

基于支持向量机(SVM)的图像去噪方法

提出了一种基于支持向量机进行图像去噪的方法。该方法利用支持向量回归技术构造图像去噪所需的滤波器．其中特征的提取和训练样本的设计旨在抑制不同类型的噪声。实验结果表明，该方法能够有效去除噪声，并能较好地保护边缘信息，适用于边缘检测等操作的预处理。     

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.     

基于粗糙集属性约简的SVM异常入侵检测方法

文章提出了基于粗糙集属性约简的支持向量异常入侵检测方法。为验证该方法的有效性,对实验数据集KDD99分别用粗糙集属性约简的支持向量分类方法和传统的支持向量分类方法进行实验仿真,并把两者的实验结果进行对比。实验证明,基于粗糙集属性约简的支持向量异常入侵检测方法在检测精度相当的情况下,有效的降低了检测时间并减少了存储空间。     

支持向量机推广能力估计方法比较

支持向量机是一种新的机器学习算法，与其它学习算法相比，它的最大优点是基于结构风险最小化原则，因而能够保证推广能力。推广能力估计是机器学习中的一个重要问题，是实现自适应调整、参数选择、模型选择的等方法的基础。本文详细比较当前较有影响的几种推广能力估计方法，指出了这些方法适应范围和优缺点，并结合各种方法的原理讨论了推广能力估计可能的发展方向。     

一种基于粗糙集理论的支持向量机分类算法

粗糙集理论和支持向量机在数据挖掘方面具有较强的互补特性,基于粗糙集理论的上近似集、下近似集和边界域概念,结合支持向量机的分类原理,提出了一种支持向量机分类算法。首先,在支持向量机分类中定义样本分类的粗糙集规则,然后在边界域寻找两类样本中使判别式绝对值取值最小且分类正确的样本来确定最优分类面,脱离了对惩罚系数C的寻优问题,有效避免了过拟合问题,并通过循环迭代算法寻找合适的参数b,获得分类性能更优的支持向量机,最后通过对一个二维样本数据库进行分类实验,验证了此算法的有效性与可行性。     

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。     

基于路径特征和支持向量机算法的硬件木马检测技术

硬件木马攻击成为当前集成电路(IC)面临的严重威胁。针对硬件木马电路具有隐蔽、不易触发以及数据集不均衡等特点,该文提出对门级网表进行静态分析的硬件木马检测技术。基于电路可测性原理建立涵盖节点扇入数、逻辑门距离、路径数、节点扇出数的硬件木马路径特征,简化特征分析流程;基于提取的路径特征,使用支持向量机(SVM)算法区分电路中的木马节点和正常节点。提出训练集双重加权技术,解决数据集不均衡问题,提升分类器的性能。实验结果表明,分类器可以用于电路中的可疑节点检测,准确率(ACC)达到99.85%;训练集静态加权有效提升分类器性能,准确率(ACC)提升5.58%;与现有文献相比,以36%的特征量,真阳性率(TPR)降低1.07%,真阴性率(TNR)提升2.74%,准确率(ACC)提升2.92%。该文验证了路径特征和SVM算法在硬件木马检测中的有效性,明确了数据集均衡性与检测性能的关系。