基于聚类粒度的模糊支持向量机

为了提高模糊支持向量机在大规模数据集上的训练效率,提出了一种基于聚类粒度的模糊支持向量机算法.首先在每类训练样本上执行无监督聚类算法,产生聚类颗粒.在综合考虑了聚类中心、半径和聚类中的样本数目等聚类信息基础上,找到每个聚类内部的边缘点和交叉点集合,去除对分类贡献很小的聚类内部点,最终形成了新的用于模糊支持向量机训练的样本集合.随后的试验结果表明,由聚类颗粒生成的约简样本集合,很好的表示了原有样本的分布,不仅提高了训练效率,同时保持了较好的分类效果.     

基于径向基函数网络估计密度函数的数据分类

针对样本总体分布已知的分类问题，提出了一种新的分类方法.通过非线性映射将训练样本映射到高维特征空间，基于向量投影法从训练样本中选择边界向量，运用多维二叉树搜索法确定每个边界向量同类中的k-近邻，运用统计理论中的大数定理估计样本的类条件概率密度函数，由边界向量与相应的密度函数构成新的训练样本对.对每一类数据建立一个径向基函数（RBF）网络，以相应类的边界向量作为中心，通过训练以RBF网络来估计样本的类条件概率密度，并采用基于最小错误率的贝叶斯决策来实现分类.对机器学习数据的仿真研究结果表明该方法具有与支持向量机（SVM）相似的识别率，并且能快速有效地实现多类分类.     

一种基于谱聚类的聚类核半监督支持向量机

针对传统半监督支持向量机的高斯核函数无法恰当描述流形数据特性,从而导致流形数据分类精度下降的问题,提出一种基于谱聚类的聚类核半监督支持向量机.利用谱聚类方法在特征向量空间中对原始样本数据进行重新表述,使得在新表述中同一聚类中的样本能够更好地积聚在一起,构建聚类核函数,并进而构造聚类核半监督支持向量机,使样本更好地满足半监督学习必须遵循的聚类假设.研究结果表明:聚类核半监督支持向量机对未标记样本的分类精度高且算法性能稳定,对控制参数的设置不敏感,适于解决流形数据的分类问题.     

支持向量机在混凝土强度预测中的应用研究

支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.文中提出了基于支持向量机的混凝土强度预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的混凝土强度预测模型.以实例数据为学习样本和测试样本讨论了基于支持向量机的混凝土强度预测方法及可行性.研究表明支持向量机可以较好地表达混凝土强度与其影响因素之间的非线性映射关系.用支持向量机来预测混凝土强度是可行的,它为预测混凝土强度提供了一种新的方法.     

基于支持向量机的多种人体姿态识别

为了实现对边防哨所等场合中无人监控的车辆、人体直立、哈腰、匍匐几种姿态的识别,提出了一种基于支持向量机的多种人体姿态识别方法.在对各种目标建立了样本库之后,提取了形状复杂性、矩形度、宽高比、头部矩形度等特征,利用支持向量机具有全局最优性和较好泛化能力的特点,进行了小样本的2类及多类目标分类识别,并和RBF神经网络的分类效果进行对比.实验结果表明,SVM不需进行网络迭代训练,求解速度明显高于RBF神经网络,且识别性能也优于RBF神经网络,并且采用径向基核的SVM性能最好.该方法识别率高,平均可达到96%,快速性好,识别速度平均为0.0172S,为小样本下的多目标分类及识别提供了理论和技术基础.     

在雷达HRRP识别中多特征融合多类分类器设计

在传统线性关联向量机的基础上,设计了一种多特征融合的多类分类器.该分类器基于多类Probit回归模型将传统的两类线性关联向量机推广为多类关联向量机,利用线性关联向量机的特征选择功能,对融合的高维特征向量进行降维和合理的幂次扩展,使线性关联向量机具有构造非线性分类界面的能力,以保证对非线性多类分类问题稳健的融合识别性能.针对雷达高分辨距离像目标识别问题,提取3种平移不变特征,使用提出的多特征融合的多类分类器在基于实测数据的识别实验中得到了稳健的融合识别结果.     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

支持向量机在地基沉降预测中的应用

尝试把最近发展起来的支持向量机(SVM)引入地基沉降的预测中.支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法.本文提出了基于支持向量机的地基沉降预测方法,并在MATLAB中编制了相应的支持向量机程序,建立了相应的地基沉降预测模型.以实例数据为学习样本和测试样本,讨论了基于支持向量机的地基沉降预测的方法及其可行性.研究表明,支持向量机可以很好地表达地基沉降与其影响因素之间的非线性映射关系,用支持向量机方法来预测地基沉降是可行的.它为预测地基的沉降提供了一种新的方法.     

基于核K-均值聚类和支持向量机结合的说话人识别方法

提出了基于核K-均值聚类方法与支持向量机结合的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好的聚类并约简数据,提高了识别率.实验比较了在用支持向量机作为分类器的情况下,该核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性.     

一种改进的基于密度聚类的支持向量机

运用OPTICS算法能发现任意形状的聚类,且对输入参数不敏感的优势,提出一种基于OPTICS密度聚类的支持向量机算法,通过对原始数据进行预处理,利用可达图得到约简样本代替原始训练样本用支持向量机进行训练,降低了SVM训练所需的时间及空间复杂度.实验表明,该方法在保持分类精度的同时,大大缩短了训练时间,提高了分类效率.     

Constant modulus semi-blind space-time equalizer based on structure risk minimum criterion

A new adaptive filtering principle based on capability control and semi-blind method is presented. A new semi-blind space-time equalizer based on constant modulus characteristic and structure risk minimum （SRM） criterion is also proposed. The equalizer sufficiently exploits the learning information of communication signals by using the structure information of filter itself through capability control technique. Namely, it maximizes the amount of learning information to im- prove filter tracking performance. Simulations are carried out and the result is compared with that of typical recursive least squares space-time equalizer （RLS-STE） and constant modulus semi-blind space-time equalizer （ CM-SB-STE ）. The results show that, even if with insufficient training data, the SRM constant modulus semi-blind space-time equalizer （SCM-SB-STE） keeps good tracking per- formance, showing promises in mobile wireless communications.     

永磁式开关磁阻电机原理及特性分析

提出一种带永久磁钢的新型开关磁阻电动机,对基基本结构,运行原理及电机性能等作了分析,该电机的定子上内嵌高性能永久磁钢,电机的转矩／体积比、效率均较相同功率等级的传统ＳＲＭ要高。同时不存在传统ＳＲＭ所固有的一些缺点,并就其出力能力与传统ＳＲＭ进行了比较,最后给出了实验结果。     

SVM在通信信号处理中的研究与应用

统计学习理论（statistical learning theory,SLT）提出结构风险最小化（structure risk minimization,SRM）准则,克服了人工神经网络（aretificial neural network,ANN）的模型过拟合和局部极小值问题.支持向量机（support vector machine,SVM）作为其具体实现方式,具有良好的泛化能力、高维处理能力和非线性处理能力.在简要介绍SVM原理的基础上,总结了其在通信信号处理领域的应用,包括数字调制识别、多用户检测、信道均衡、信号重构与相关参数估计、到达角（angle of arrival,AOA）与定位估计及其它6个方面,并指出了存在的问题和值得进一步研究的方向.     

采用SRM准则的盲均衡器

提出了一种新的采用结构风险最小化（SRM）准则的盲均衡器（SRM-BE）。该方法根据信号的特征恢复思想,以SRM为准则构造具有时间去相关特性的代价函数,采用静态迭代学习算法在线跟踪信道。通过仿真实验,并与采用最小均方误差准则的盲均衡器（LMS-BE）和采用神经网络的盲均衡器（NN-BE）进行比较,结果表明该方法的非线性均衡性能最佳。     

SADE-ELM电容层析成像流型辨识算法

针对电容层析成像反问题流型识别较难的问题,提出了一种新的ECT流型辨识算法——差分演化优化极端学习机算法,进而提出了基于自适应差分演化优化极端学习机(Sa DEEML)的ECT辨识算法.在论述极端学习机算法的基础上,结合差分演化算法对极端学习机算法进行优化,自适应差分演化算法中的关键参数,通过训练得到各类流型的分类器的参数,构造分类器进行精准与快速分类.实验结果表明:该算法能有效克服极端学习机算法的缺点并提高了局部与全局收敛能力,通过与BP、SVM算法比较,该算法具有竞争力,并为电容层析成像流型辨识的研究提供了新算法.     

异常检测中支持向量机最优模型选择方法

为了构建一个具有良好的学习性能和推广能力的异常检测分类器,在结构风险最小(SRM)原则下讨论了基于支持向量机(SVM)的异常检测分类器的设计准则,提出了SVM分类器模型及其参数快速选择和评估方法,并给出了异常检测分类器训练步骤.针对KDD'99网络入侵检测数据集,实验结果表明,该方法能够有效地缩短入侵检测分类模型建立时...     

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质.支持向量机(support vector maehinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点.该文系统介...     

基于空间稀疏编码的MIL算法及刑侦图像分类

针对刑侦图像分类问题,提出一种基于空间稀疏编码（SSC）的多示例学习（MIL）算法。首先,利用稠密尺度不变特征转换（SIFT）原理设计一种带有示例位置信息的多示例建模方案,将刑侦图像分类问题转化为MIL问题;然后,基于多样性密度（DD）函数及稀疏编码（SC）理论,设计了一种针对MIL的字典构造方法及空间稀疏编码方案,用于计算多示例包的元数据（metadata）;最后,结合大尺度线性支持向量机方法,提出了一种SSC-MIL的MIL新算法。14类真实刑侦图像的对比实验表明,该算法是有效的,且分类精度高于其他方法。     

基于SVM的光伏最大功率跟踪的预测研究

针对光伏组件中常用的最大功率跟踪方法存在的不足,将支持向量机用于预测光伏组件的最大功率点工作电压.支持向量机是一种新型的机器学习方法,该方法以结构风险最小化原则取代传统机器学习方法中的经验风险最小化原则,在小样本的机器学习中有着优异的性能.根据光伏组件的特点和最大功率点工作电压的影响因素,建立了支持向量机的最大功率点工作电压预测模型.实际仿真分析表明,与BP神经网络的模型相比,支持向量机的模型具有更高的预测精度.     

自适应模糊匹配模型及实现技术

讨论了模糊知识表示及机器学习的基本原理,并介绍了在计算机辅助教学系统中的具体应用。通过模糊统计的方法将模糊知识进行量化,从而进行自适应模糊匹配,以达到学习的目的。