基于LS—SVM的棉／氨纶弹力布热定形效率预测

针对热定形大样实验数据较少的问题,提出以基于最小二乘支持向量机（1east squares support vectormachine,IS—SVM）方法建立棉／氨纶弹力布热定形效率预测模型,该方法基于统计学习理论的原理,能较好地解决小样本、非线性的学习问题。将该方法与传统的多元非线性回归方法进行比较,试验结果表明,该方法具有更高的精度,验证了LS—SVM对热定形效率预测建模是一种可行且有效的方法。     

基于SVM的复杂非线性黑箱系统在线辨识方法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,是一种新的具有很好泛化性能的回归方法,本文分析了采用神经网络方法进行非线性系统建模存在的缺点,并将SVM应用于复杂非线性黑箱系统模型的在线辨识当中,理论分析和实验证明,该方法学习速度快,跟踪性能好,泛化能力强,对样本的依赖程度低,比神经网络非线性系统建模具有更好的预测精度.     

基于SVM的车牌字符识别算法研究

SVM可在训练样本很少的情况下获得很好的分类推广能力。首先分析了用多类SVM算法对车牌中的字符进行识别时存在不可区分的区域问题和采用模糊SVM算法解决该问题的办法,然后讨论了字符特征的提取方法,并根据我国车牌字符的特点分别设计了汉字、字母、数字、字母／数字4个基于模糊多类SVM的字符分类器。最后在MATLAB环境下,采用径向基核函数对算法进行学习训练。实验测试结果表明,该方法可以很好的提高字符识别的速率和效率。     

基于果蝇优化的SVM回归模型及其应用研究

为了有效解决支持向量机模型在参数选择上的盲目性,提高该模型的学习性能和泛化能力,提出一种基于果蝇优化的SVM方法。该方法首先运用果蝇优化算法选择全局最优的SVM惩罚因子和核函数参数,建立SVM分类模型,进而将该模型应用于对有机化合物的熔点预测问题中。实验结果表明,基于果蝇优化的SVM模型效率高,实际应用效果好。     

基于数据分布信息的单类支撑向量机

单类支撑向量机（One—Class SVM）是一种重要的核方法,但是其缺少对数据分布信息的考虑,因而制约了其泛化能力的进一步提高。针对此问题,重新定义了原点到超平面的距离,进而提出了基于数据分布信息的单类支撑向量机（DDOne—Class SVM）。推导构建了DDOne—Class SVM算法的优化问题,详细分析和讨论了该优化问题在散度矩阵奇异情况下的求解方法以及该算法的非线情况。相对于传统One．Class SVM算法,该算法体现出了更好的泛化能力。     

自适应GA-SVM参数选择算法研究

支持向量机是一种非常有前景的学习机器，它的回归算法已经成功地用于解决非线性函数的逼近问题．但是，SVM参数的选择大多数是凭经验选取，这种方法依赖于使用者的水平，这样不仅不能获得最佳的函数逼近效果，而且采用人工的方法选择SVM参数比较浪费时间，这在很大程度上限制了它的应用．为了能够自动地获得最佳的SVM参数，提出了基于自适应遗传算法的SVM参数选取方法．该方法根据适应度值自动调整交叉概率和变异概率，减少了遗传算法的收敛时间并且提高了遗传算法的精度，从而确保了SVM参数选择的准确性．将该方法应用于船用锅炉汽包水位系统建模，仿真结果表明由该方法所得的SVM具有较简单的结构和较好的泛化能力，仿真精度高，具有一定的理论推广意义．     

支持向量机α阶逆系统解耦控制方法

为了解决采用传统逆系统方法难以建立逆模型的困难,提出了基于支持向量机(SVM)的α阶逆系统解耦控制方法.在被控对象精确模型未知的情况下,根据SVM的非线性辨识原理,利用具有高斯核函数的SVM离线建立被控对象的非线性逆模型,根据逆系统方法原理,将得到的SVM逆模型串联在原系统之前,将复杂的非线性多变量系统解耦成多个相对独立的单输入输出伪线性子系统.通过对一个典型的两输入两输出强耦合非线性系统进行仿真，结果表明,在没有系统模型先验知识的情况下，利用该方法能够建立准确的非线性系统的逆模型.基于SVM的α阶逆系统解耦控制方法适用于较一般的离散非线性系统，且结构简单，易于工程实现.     

一种基于反馈学习机制的支持向量机网页分类方法

本文以SVM分类方法为基础,研究了SVM在网页分类方面的应用并给出了基于KKT条件的反馈机制对SVM方法进行改进的方法。通过对中等规模的Web网页测试实验表明基于KKT（karush—Kuhn—Tucker）条件的反馈学习机制的支持向量机对Web网页分类方法是有效的。     

基于改进支持向量机的压裂效果预测方法研究

将支持向量机SVM与遗传算法GA、粒子群算法PSO相结合,建立了基于改进支持向量机的压裂效果预测模型。该模型分别利用GA、PSO对SVM参数进行全局寻优,提高了SVM算法的预测精度和运行速度。实验结果表明,该模型明显优于其他主要非线性预测方法,为快速准确地预测压裂效果提供了新的方法和途径。     

基于线性距离核的支持向量机设计

为了消除样本数量对现有SVM决策函数计算的影响,提出一种基于样本数据线性距离特征的线性距离核函数来改进SVM。基于该核函数的SVM决策函数,实现了与样本数量无关的分类计算,极大提升SVM在执行超大规模分类计算的速度。仿真结果表明,该核函数具有与常用核函数一样的性能,可以完成非线性SVM的训练和分类。     

基于Parameter Server框架的大数据挖掘优化算法

基于大数据挖掘的实时性要求和数据样本的多样性特征,提出一种面向大数据挖掘的机器学习模型训练优化算法。分析当前算法的迭代计算过程,根据模型向量的改变量将迭代过程分为粗调和微调两个阶段,并发现在微调阶段绝大部分样本对计算结果的影响极小,因此可以在微调阶段不计算此类样本的梯度而直接采用上次迭代的计算结果,从而减小计算量,提升计算效率。试验结果表明,算法在分布式集群环境下可以减小模型训练约35%的计算量,且训练得到的模型准确度在正常范围内,可有效提高大数据挖掘的实时性。     

基于GA-LSSVR算法的回采工作面瓦斯涌出量预测

针对回采工作面瓦斯涌出量问题的小样本、非线性、影响因素关系复杂等特点,采用遗传-最小二乘支持向量回归算法对瓦斯涌出量进行预测,利用定量方法进行分析,避免了定性分析的局限性,有效提高了预测的精度。该模型首先利用遗传算法对最小二乘支持向量回归机中的参数进行训练和优化,然后运用遗传-最小二乘支持向量回归模型对测试样本进行了回采工作面瓦斯涌出量测试。测试结果表明:与支持向量回归机以及最小二乘支持向量回归机的预测值相比,遗传-最小二乘支持向量回归的回采工作面瓦斯涌出量预测可靠性和精确性更高。     

用PSO方法搜索基于MLE的ARMA模型参数

针对小样本条件下用矩估计(ME)方法获取ARMA模型参数粗略的缺点,将粒子群优化算法(PSO)用于小样本ARMA模型参数的极大似然估计(MLE),以获得概率上最优的数字解。在分析基于ARMA模型似然函数的基础上,详细分析了PSO的思想、方法和评价指标。以实际例证显示了联合PSO优化方法估计AMAR模型参数的优良特性,并从算法和似然函数角度分别阐释了形成利弊的原因。     

DOA estimation method based on the covariance matrix sparse representation

The performance of the L₁-norm-based sparse representation of array covariance vectors(L₁-SRACV) algorithm significantly degrades with the number of samples decreasing. This paper analyzes the essential cause of this performance degradation and proposes a new direction of arrival(DOA) estimation method based on the fast maximum likelihood(FML) algorithm. Firstly, the FML algorithm is employed to estimate the covariance matrix, which attenuates the instability of the small eigenvalues of the covariance matrix. Then the sparse representation model based on the FML is formulated for DOA estimation and finally, optimized by removing the diagonal elements of the covariance matrix to obtain better performance. Simulation results indicate that our method outperforms the L₁-SRACV with a higher accuracy and detection possibility, particularly under small samples support.     

基于GA-SVM方法的结肠癌基因表达谱数据分析

对结肠癌的基因表达谱数据进行分析,提出选取其特征基因的新方法。首先考虑到基因表达谱数据高维数、小样本的特点,采用Bhattacharyya距离对数据进行降维,运用遗传算法生成特征基因子集,以支持向量机作为分类器,建立了基于GA-SVM的结肠癌两类别分类模型。实验结果表明,仅需提取10个特征基因就可获得95.62%分类准确率。     

浅埋地下洞室围岩岩体力学参数反分析研究

基于随机权重粒子群和最小二乘支持向量机方法建立地下洞室力学参数位移反分析模型,利用正交试验和3DEC模型确定各水平参数的学习样本,对地下洞室岩体的力学参数进行位移反分析。结果表明:利用支持向量机方法的非线性映射可以实现力学参数的反分析;反演得到主厂房围岩方向的侧压力系数Kx,Ky为0.453、0.644;三类岩体的弹性模量E3,E4,E5分别为10.15、8.20、2.62 GPa;将反演分析的参数带入3DEC模型得到的位移与实测位移相对误差较小,验证了反演参数的合理性。     

灰色粒子群自适应卫星钟差预报方法

高精度卫星钟差预报是当前接收机实时精密单点定位技术(Real-time precise point positioning,RT-PPP)亟需解决的关键技术难题之一.为找到一种基于小样本钟差序列的快速高精度卫星钟差预报方法,在分析常规GM(1,1)灰色模型(grey model)缺点的基础上对其进行了改进,提出了PGM(1,1)模型(particle swarm optimization-grey model)及其算法.该模型利用最新量测值进行初始化,然后通过引入遗忘因子的最小二乘法对新旧信息进行加权处理;再引入优化因子对模型系数进行调节,以归一化的平均相对误差作为精度检验标准,采用粒子群算法对其自适应寻优.最后选取了5颗钟差变化典型的GPS(global positioning system)卫星原子钟进行1 d内的精密钟差预报实验.结果表明,相对于常规GM(1,1)灰色模型和常规二次项拟合模型,所提出的模型及其算法预报精度有显著提升,其平均预报残差达到了亚纳秒级,且所需训练样本小.因此,该预报模型可以应用于卫星钟差快速精准预报.     

杂质类型及含量对小麦容重的影响

对取自直属库及种植农户的65份样品的杂质类型、含量及容重进行了测定.采用SPSS10.0统计软件对测定数据进行了相关性分析、多元逐步回归分析,并建立了各类型杂质与小麦容重的优化模型.结果表明：总杂质对小麦容重影响最大,在最常见的6类杂质中,麦秸、麦皮、砂石对容重的影响依次减小.为了得到容重随麦皮、麦秸、砂石含量的变化趋势,制备不同麦皮、麦秸和砂石含量的小麦样品,并对这些样品的容重进行测定分析.研究发现：随着麦皮、麦秸含量的增加,容重逐渐减小;随着砂石的增加,容重逐渐增大.     

多分类支持向量机在公交换乘识别中的应用

为获取居民公交出行的换乘信息,设计了一套基于多分类支持向量机(multi-class support vector machine)的公交换乘识别方法.通过融合GPS数据和公交IC卡数据获取训练样本,利用多分类支持向量机进行样本训练,选取最佳训练样本量,并采用网格搜索法结合粒子优化算法对模型参数进行标定,以获取最优SVM分类模型.测试结果显示模型分类精度可达90%.以佛山市公交车GPS数据和IC卡数据对算法进行验证,并获取公交换乘量、公交换乘比例等基本换乘数据.结果表明:算法可在少样本条件下完成公交换乘识别,且分类识别精度高,尤其适用于公交线网复杂的大城市公交换乘识别,有助于在公交前期规划时进行线路布设和枢纽选址.