基于复合核支持向量回归机的多类分类算法

针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。     

基于径向基小波核的多尺度小波支持向量机

普通支持向量机(SVM)方法用于多尺度回归建模时不能取得满意的精度,而现有的多尺度SVM算法存在只适合均匀分布的样本并可能收敛于局部极值等问题.为解决上述问题,本文提出了一种基于径向基小波核的多尺度小波支持向量机学习算法.文中提出并证明了一种新的径向基小波支持向量核,可提高小波SVM的训练速度和逼近精度.在此基础上,通过解一个二次优化问题可求出多尺度回归建模问题的全局最优解.最终得出的多尺度回归模型能够有效地逼近多尺度信号.仿真结果验证了所提算法的有效性.     

基于核向量机的模式分类及其实验测试

文中使用一种新的SVM变种--核向量机来对大样本数据集进行训练建模,进而求解模式分类问题.CVM算法是将核函数转换为最小包围球问题进行求解,可以解决任何线性或非线性分类问题.测试结果表明,核向量机可以快速对大样本数据进行分类并能产生较少的支持向量.     

结构风险最小化近邻分析解决大规模训练集支持向量机学习问题

SVM是利用靠近边界的少数向量来构造最大间隔的分类超平面,当海量样本之间存在相互混迭时,支持向量数目急剧增加,导致训练难度增大。针对该问题,本文将结构风险最小化近邻分析与支持向量机相结合构成了一种新的SVM学习方法。它首先根据各个训练数据的类间最近邻距离利用结构风险最小化近邻分析选择训练子集;在选择的样本子空间内采用乘性规则直接求取Lagrange因子,而不是传统的二次优化方法;最后加入附加剩余样本进行交叉验证处理,直到算法满足收敛性准则。各种分类实验表明本文提出的算法具有良好的性能,特别是在训练样本庞大,支持向量数量较多的情况下,能够较大幅度的减少计算复杂度,提高分类速度。     

一种改进的支持向量机回归故障预测方法

为实现装备的故障预测,把支持向量机(SVM)作为基础学习算法,采用加权支持向量机回归方法,对突变点赋予较大的权值,增强对突变点的训练,提高故障预测精度。采用权重自适应裁剪方法,通过计算样本点的回归权重,剔除权重较小的样本点,减少每次参与训练的样本个数,提高预测速度。选定合适的核函数及相关参数,建立故障预测模型,研究以某通信电台为例,验证了算法的有效性和优越性。     

基于粒子群优化支持向量机的语音情感识别

提出一种基于粒子群优化算法的支持向量机网络,并把它应用到语音情感识别系统中。依据情感的维度空间模型,研究分析情感语音数据的韵律特征与音质特征。利用粒子群优化算法(PSO)训练网络的超参数以优化支持向量机模型,可快速地实现网络的收敛。最后在实验中比较线性核函数SVM、径向基核函数SVM与粒子群优化径向基SVM分别用于语音情感识别的识别率,结果显示粒子群优化径向基核SVM模型用于语音情感识别能获得明显的识别性能的提升。     

基于支持向量机的高光谱遥感图像分类

多数传统分类算法应用于高光谱分类都存在运算速度慢、精度比较低和难以收敛等问题.本文从支持向量机基本理论出发建立了一个基于支持向量机的高光谱分类器,并用国产OMIS传感器获得的北京中关村地区高光谱遥感数据进行试验,分析比较了各种SVM核函数进行高光谱分类的精度,以及网格搜寻的方法来确定C和愕闹?结果表明SVM进行高光谱分类时候径向基核函数的分类精度最高,是分类的首选.并且与神经网络径向基分类算法以及常用的最小距离分类算法进行比较,分类的精度远远高于SVM分类算法进行分类的结果.SVM方法在高光谱遥感分类领域能得到广泛的应用.     

基于遗传优化SVM的通信信号的分类

为了充分利用遗传算法的全局寻优能力和SVM（支持向量机）的分类能力,文章设计了遗传优化SVM的分类算法。用遗传算法优化SVM中核函数的两个参数,再利用优化后的SVM进行分类。通过对方波和白噪声两种信号的分类仿真,证明了其优越性,同时也展现了遗传优化SVM在通信领域很好的应用前景。     

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。      

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

Support vector machine incremental learning triggered by wrongly predicted samples

According to the classic Karush-Kuhn-Tucker (KKT) theorem, at every step of incremental support vector machine (SVM) learning, the newly adding sample which violates the KKT conditions will be a new support vector (SV) and migrate the old samples between SV set and non-support vector (NSV) set, and at the same time the learning model should be updated based on the SVs. However, it is not exactly clear at this moment that which of the old samples would change between SVs and NSVs. Additionally, the learning model will be unnecessarily updated, which will not greatly increase its accuracy but decrease the training speed. Therefore, how to choose the new SVs from old sets during the incremental stages and when to process incremental steps will greatly influence the accuracy and efficiency of incremental SVM learning. In this work, a new algorithm is proposed to select candidate SVs and use the wrongly predicted sample to trigger the incremental processing simultaneously. Experimental results show that the proposed algorithm can achieve good performance with high efficiency, high speed and good accuracy.     

改进的SMO文本分类算法

支持向量机（SVM）的文本分类算法被广泛应用,其中序列最小优化算法（SMO）是它的一个特例。SMO算法使用了块与分解技术,简单并且容易实现,但是它的收敛较慢,迭代次数较多。解决的办法是改进SMO算法中工作集的选择算法,并更新步长因子,目的是为了使目标函数尽可能地下降。文中基于这个目标提出了改进的SMO算法来进一步提高SVM的训练速度和分类的准确程度。     

一种降维的MIMO雷达MVDR波束形成算法

深入研究了多输入多输出（Multiple-Input Multiple-Output, MIMO）雷达的波束形成问题,针对MIMO雷达直接运用常规的最小方差无失真响应（MVDR）波束形成算法时所需的训练样本数大和运算复杂度高的不足,提出了一种降维的MVDR波束形成算法。该算法首先将1个 维（ 分别为发射和接收阵元数）的权矢量分解成两个低维（1个 维和1个 维）权矢量的Kronecker积,然后分别利用MVDR算法求得分解后的两个权矢量,最后再合成原始的最佳权矢量。该算法通过将一个高维权矢量的求解问题转换成两个低维权矢量的分别求解问题,在保证波束形成器性能的基础上有效地降低了运算复杂度,减少了所需的训练样本数,因此本文算法更具有实际应用价值。仿真结果验证了算法的有效性。      

一种改进的Laplacian SVM的SAR图像分割算法

当有标识的样本数量有限时,Laplacian SVM算法需要加入尽量多的无标识样本,以提高分类精度.但同时当无标识样本数很大时,算法的时间和空间复杂度将难以接受.为了将Laplacian SVM应用于SAR图像分割这样的大规模分类问题中,提出了一种改进的Laplacian支持向量机算法(Improved Laplaci...     

基于EQPSO-GS优化SVM的入侵检测模型研究

支持向量机(Support Vector Machine,SVM)的惩罚因子C和核参数σ影响模型分类精度和泛化性能。传统进化算法优化支持向量机时主要存在早熟收敛、优收敛速度慢、收敛精度低以及泛化性能不高等问题。针对这些问题,将精英策略与量子粒子群算法融合,提出了精英量子粒子群算法(Elite Quantum Particle Swarm Optimization Algorithm,EQPSO),既提高了种群收敛速度,也一定程度上避免了算法局部收敛,凭借其全局探索能力初探参数范围,并通过网格搜索算法(Grid Search Algorithm,GS)提高开发能力做进一步的优化,将优化好的SVM模型用于入侵检测。利用入侵检测数据集UNSW-NB15对传统的进化算法优化支持向量机模型进行仿真实验,通过交叉验证对比EQPSO-GS-SVM、QPSO-SVM、PSO-SVM、DE-SVM模型,得出EQPSO-GS优化的SVM模型具有更好的泛化性能。     

基于Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。     

基于变尺度寻优和遗传搜索技术的模糊神经网络全局学习算法

本文给出了一种改进的拟牛顿算法与具有新型交配方式和可变变异概率的遗传算法相结合的全局寻优算法，用以搜索模糊神经网络误差函数的全局量小点。     

去噪声的加权SVM分类方法

针对支持向量机(SVM)本身抗噪声能力低和训练数据类别不均匀会造成分类结果偏向数目较大一类的倾向性等问题，本文提出了去噪声的加权SVM分类方法。在该方法中，通过引入主成分分析方法来降维去除噪声，再通过引入加权系数的方式，补偿了上述倾向性造成的不利影响，提高了预测分类精度。对污水处理过程运行状态的分类实验表明该方法的有效性。     

基于循环谱分析的航空通信干扰信号检测

随着现代通信技术在航空领域的广泛应用,在机场环境下如何避免各干扰信号对航空通信的危害成为人们广泛关注的焦点问题。本文基于机场环境下的信号感知模型,提出一种基于支持向量机（SVM）和谱相关性的干扰信号感知算法,有效避免了外界信号对航空通信信号的干扰。该算法采用信号循环谱进行分析的方法提取特征向量,进而结合SVM分类器对航空干扰信号进行检测。仿真结果表明,本文算法对干扰信号具有较高的分类检测精度和良好的识别性能。     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。