双支持向量顺序回归机

针对顺序回归问题的深入研究,基于支持向量顺序回归机提出了双支持向量顺序回归机。由于双支持向量顺序回归机所对应的2个优化问题是对称的,则只需求解其中的一个问题,进而得出一个分划超平面。又因其对应的优化问题的规模只是支持向量顺序回归机规模的一半,故其运算速度会快于支持向量顺序回归机。数值实验的结果表明:双支持向量顺序回归机在一些数据分析中具有较高的正确率。     

应用双支持向量回归机的风速预测模型

风速对风电场功率输出起着十分重要的作用,但由于风速具有很强的随机性,使得对其预测的精度不高。针对上述问题,以双支持向量回归机为主要工具,结合风电场的实测风速数据建立了风速预测模型;给出了模型的特征以及相关参数的,并与标准支持向量回归机的预测结果进行了比较。实验结果表明:双支持向量回归机在预测精度上优于标准支持向量回归机,为风电场的风速预测提供了参考。     

支持向量机理论研究

如何解决分类问题和回归问题是支持向量机算法的基本内容。本文研究了使用支持向量机算法解决线性和非线性分类问题和回归问题的原理和方法。     

支持向量机回归算法及其应用

支持向量机是建立在统计学习理论基础上的通用学习方法,它可较好地解决以往很多学习方法的小样本、非线性、过学习、高维数、局部极小点等实际问题。笔者利用支持向量回归理论和方法,建立支持向量机的预测模型,并利用winSVM和MATLAB软件进行了实例预测,与二次回归预测值相比较,支持向量机预测模型具有更好的预测精度,且有很强的推广能力。     

基于支持向量机的电子商务经济效益评价

支持向量机主要以统计学习理论为依据,在解决小样本、非线性以及高维模式识别问题中表现出许多特有的优势。针对如何评价电子商务经济效益问题,尝试将支持向量机引入企业经济效益评价领域;并将其与BP神经网络应用于企业经济效益评价之中,发现支持向量机评价更准确,且分类结果更容易观察理解。     

基于神经网络和支持向量机的故障诊断

介绍了神经网络和支持向量机理论,对比分析两种理论的优缺点.通过试验,说明了神经网络和支持向量机在故障诊断中的应用方法,并通过改变学习样本数量,比较两种智能技术在故障诊断中的运用情况,验证了支持向量机在小样本情况下比神经网络具有更强的泛化能力.     

基于壳向量的线性支持向量机快速增量学习算法

提出了一种新的基于壳向量的增量式支持向量机快速学习算法.在增量学习的过程中，利用训练样本集中的几何信息，在样本中选取一部分最有可能成为支持向量的样本--壳向量，它是支持向量集的一个规模较小的扩展集，将其作为新的训练样本集，再进行支持向量训练.这在很大程度上减少了求取支持向量过程中的二次优化运算时间，使增量学习的训练速度大为提高.与单纯使用支持向量代表样本数据集合进行增量学习的传统算法相比，使用该算法使分类精度得到了提高.针对肝功能检测标准数据集（BUPA）的实验验证了该算法的有效性.     

基于支持向量机的彩色滤波阵列插值方法

针对已有彩色滤波阵列插值方法的结果图像存在边缘模糊、虚假色的问题,提出了图像相关性与支持向量机将结合的插值方法.该方法以色彩相关性为基础构造色差平面,在色差平面上根据空间相关性选择适当的邻近点输入模式训练支持向量机,然后用训练的支持向量机及输入模式估计出未知像素点对应的色差,最后计算出各像素点未知的彩色像素值.实验结果表明,与已有算法相比,该算法结果图像的PSNR值、NCD值及视觉效果均有显著攻善.     

支持向量机回归集成股市预测模型

利用基于主成分分析的支持向量机回归集成技术,提高集成个体差异度,生成一组优良的神经网络集成个体,将股票指数函数拟合成高维核空间的线性回归函数,求出一个满意的全局最优解,提高股指预测精确度,继而建立一个新型股市预测模型.试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好.     

Novel Method of Predicting Network Bandwidth Based on Support Vector Machines

In order to solve the problems of small sample over-fitting and local minima when neural networks learn online, a novel method of predicting network bandwidth based on support vector machines(SVM) is proposed. The prediction and learning online will be completed by the proposed moving window learning algorithm (MWLA). The simulation research is done to validate the proposed method, which is compared with the method based on neural networks.     

改进的基于支持向量机的网络综合评价策略

针对现有移动网络性能综合评估方法中存在的问题，提出了在维度变换基础上的采用支持向量机的综合评价策略。首先对语义上相关的n个指标进行维度变换使之成为独立的n维，然后对变换后的数据用支持向量机建立回归模型。理论分析表明，这种方法既可克服反向传播(BP)神经网络方法在应用中存在的收敛于局部极小问题，也可避免主成分分析法引起的信息丢失问题。实验表明，用支持向量机的方法比用BP神经网络的方法过程更可控，预测误差更小，且样本评价值间的差异保持得更好。     

基于支持向量机和遗传算法的纹理识别

为了解决尺度变化和训练样本有限给纹理识别带来的困难,提出了一种基于支持向量机和遗传算法的纹理识别新方法。该方法用小波变换各子带图像共生矩阵参数、分析窗口大小、像素均值和像素标准差等参数作为纹理特征,用多类支持向量机作为分类器。用遗传算法对纹理特征集进行了优化;用输出纠错码将二类支持向量机扩展到多类,提高了分类器的泛化能力。用包含有25类单色自然纹理的图像库进行识别试验,结果表明,该方法的识别错误率小于10%,得到了比传统的贝叶斯等方法更高的识别率和更好的推广性。     

人工冻土单轴抗压强度GA-SVM预测模型

为了预计冻结法凿井中井壁结构设计中的人工冻土单轴抗压强度,利用支持向量机在处理小样本分类学习的独到优越性及遗传算法全局并行搜索优化的特点,结合影响人工冻土单轴抗压强度因素,提出了人工冻土单轴抗压强度不同核函数的遗传支持向量机计算模型,并运用该模型预计了两淮地区第四系人工冻土单轴抗压强度。结果表明,多项式核函数的遗传支持向量机模型较高斯径向基核函数及Sigmoid核函数的遗传支持向量机模型较准确地预计人工冻土单轴抗压强度。该模型为人工冻土单轴抗压强度的预计提供了一条新途径。     

使用SVMs进行汉语浅层分析

提出了基于support vector machines（SVMs）的汉语浅层分析方法,并且为描述整个层次短语结构定义了10种汉语组块类型. 与其他机器学习方法相比,该方法能自动选择对浅层分析有用特征,并能选择出有效的特征组合,较以前的研究可反映识别方向、特征模板、核函数、多分类方法及其组合对基于SVMs的汉语浅层分析性能的影响. 在开放语料Chinese TreeBank 上, Precision、 Recall和 FB1平均达到了95.36％、97.30％和96.32％.     

基于经验模态分解和支持向量机的传感器故障诊断方法

提出了一种基于经验模式分解（EMD）和支持向量机（SVM）的传感器故障诊断方法,该方法对传感器输出信号进行经验模态分解,将其分解为若干个固有模态函数（IMF）,对每个IMF通过一定的削减算法增强故障特征,然后计算每个IMF和残余项的能量以及整个信号的削减比作为特征向量,以此作为输入来建立支持向量多分类机,判断传感器的故障类型。通过压力传感器的故障诊断结果表明,该方法能有效的应用于传感器的故障诊断中。     

多元分类LS-SVM设计与装备保障性评估

科学、有效地进行保障性评估是提高装备综合保障能力和加快装备形成战斗力的研究重点之一；支持向量机是采用结构风险最小化原则代替传统统计学中的，基于大样本的经验风险最小化原则的新型机器学习方法，具有出色的学习分类能力和推广能力。研究了新型支持向量机算法——最小二乘支持向量机，并设计了基于多元分类的最小二乘支持向量机；建立了装备保障性评估的最小二乘支持向量机决策模型，确定了保障性评估指标体系和支持矢量学习决策模式；对某新型装备的保障性进行了评估。结果表明，基于最小二乘支持向量机的保障性评估是有效的、可行的。     

基于MTC结构的支持向量机并行训练算法

为加快支持向量机的训练速度,提出一种新型的"多重三叉级联(MTC)"学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

基于MTC结构的支持向量机并行训练算法 贾华丁1, 2,游志胜1,王磊2

摘要：为加快支持向量机的训练速度,提出一种新型的“多重三叉级联(MTC)”学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

云计算环境下基于SVM的数据分类

为了提高数据的分类效率和准确度,利用云计算提供的弹性集群平台来解决计算力伸缩性瓶颈,并用MapReduce编程模型对SVM进行Map和Reduce并行化处理,并将基于优化理论的遗传算法（ GA）引入SVM分类算法中对分类器参数进行优化,以分类器的准确率作为GA算法适应度函数,找出全局最优的模型参数和核函数参数值。经开源云计算平台Hadoop实验验证,数据分类的准确度有了明显的提高,整个分类过程的加速度几近呈线性增加。