基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

基于pinball损失的结构模糊孪生支持向量机

孪生支持向量机通过求解较小的二次规划问题,提高了分类器的性能,然而,该方法主要利用了类间可分的特性,并使用hinge损失函数构建相应的模型,它们并未充分考虑不同类中数据的结构信息以及不同样本对分类的影响,导致该方法对噪声具有较强的敏感性以及重取样的不稳定性.为了进一步提高孪生支持向量机的性能,基于pinball损失函数,将数据集中不同类的结构信息以及不同样本的作用引入到孪生支持向量机中,获得了基于pinball损失的结构模糊孪生支持向量机模型,从理论上导出了基于pinball损失的结构模糊孪生支持向量机算法pin-sftsvm,通过选取人工生成数据集与UCI标准数据集,对pin-sftsvm算法进行了实验,并与tbsvm、s-tsvm和pin-tsvm算法进行了性能比较,表明了提出算法的有效性.     

基于SVM的金属发射率预测模型研究

根据金属原子特征,提出了基于支持向量机(support vector machine,SVM)金属发射率预测模型.通过分析原子的原子量、原子半径、第一电离势和电负性等特征,选择合适的惩罚参数和多项式核函数,利用一定的训练样本,建立了基于SVM的金属发射率预测模型.通过实例验证了该方法的有效性.     

基于采样协方差矩阵的混合核SVM高效频谱感知

近年来随着盲检测算法的提出,越来越多的基于采样协方差矩阵的盲检测算法应用于频谱感知。针对其检测门限是近似值,检测性能会受到影响等问题,提出了基于采样协方差矩阵的混合核函数的支持向量机（support vector machine,SVM）高效频谱感知,通过感知信号采样协方差矩阵的最大最小特征值（maximum minimum eigenvalue,MME）和协方差绝对值（covariance absolute value,CAV）提取的统计量作为SVM的特征向量并训练其生成频谱感知的分类器,无需计算检测门限并且特征提取减少了样本集的大小。利用遗传算法（genetic algorithm,GA）优化混合核函数的SVM的参数。实验结果表明,该方法比MME算法和CAV算法的检测概率有所提高,并且比SVM减少了感知时间,具有良好的实用性。     

基于DT-KSVM的业务感知算法

提出一种新的基于DT-KSVM（decision tree kernel support vector machine,决策树支持向量机）的业务感知算法,利用ReliefF特征选择算法提取特征,提出样本间类别可分度计算方法排序不同业务感知难度,优先感知易分业务。在实际网络业务数据集上与传统一对一（one-versus-one）SVM感知方法进行对比,结果表明该方法具有较高的业务识别准确率和更好的时间性能。     

基于核稀疏编码的红外目标识别方法

针对红外目标识别问题,提出了一种基于协方差描述子和核稀疏编码的红外目标识别方法.该方法结合了红外图像的灰度、一阶以及二阶梯度等特征的协方差描述子作为红外目标的特征,并采用Log-Euclidean度量进行特征相似性计算,通过高斯核函数将协方差描述子映射到高维空间,最后在新的特征空间上进行稀疏编码.实测数据实验结果表明,与传统的KNN(k-nearest neighbor,k最近邻)以及SVM(support vector machine,支持向量机)等分类算法相比,基于核稀疏编码的红外识别方法在识别准确率上有很大的提高.     

KPCA和SVM在人脸识别中的应用

支持向量机（SVM）适合处理小样本的问题，并且基于核函数主元分析能够处理原始数据的高阶统计量，在图像识别中它可以描述多个像素之间的相关性，因此提出了一种基于核函数主元分析（KPCA）与支持向量机（SVM）的人脸识别方法。     

基于支持向量机的长波红外目标分类识别算法

红外图像的分辨率低和色彩单一,但由于红外设备的全天候工作特点,因而在某些场景具有重要作用.本文采用一种基于支持向量机(support vector machine,SVM)的长波红外目标图像分类识别的算法,在一幅图像中,将算法提取的边缘特征和纹理特征作为目标的识别特征,输入到支持向量机,最后输出目标的类别.在实验中,设...     

基于支持向量机的股票预测

支持向量机(support vector machine SVM)作为一种可训练的机器学习方法,目前已广泛应用于股票预测中。文章利用matlab和支持向量机,结合股票前一段时间的走势数据,做出数据回归拟合,得到训练模型,然后根据训练模型对未来的股票指数做出预测,对预测数据和原始数据做一些误差分析。     

基于支持向量机的企业信用风险评估研究

介绍了小样本学习的通用学习算法——支持向量机（SVM）,建立了基于SVM的企业信用风险评估模型,并将支持向量机非线性分类器应用于信用风险的评估中.分析对比了选取不同核函数和参数的实验结果,同时实验结果表明,相比传统的人工神经网络,SVM在有限样本情况下具有良好的泛化能力.     

基于简约凸壳的一类模糊支持向量机

为解决传统一类支持向量机对噪声数据敏感和不适用于大规模分类等问题,提出了用于大规模噪声环境的基于简约凸壳的一类模糊支持向量机（OC-FSVM-RCH）.OC-FSVM-RCH根据简约凸壳的定义在核空间得到代表正常类数据几何特征的样本,然后基于改进的模糊支持向量域描述算法,使得正常类数据包含在最小超球内,异常数据与超球间隔最大化.OC-FSVM-RCH剔除正常类数据轮廓边缘处的噪声,同时对数据内部的噪声不敏感.实验结果表明了所提算法在性能和训练时间上取得了良好的效果.     

一种基于KKT条件和壳向量的SVM增量学习算法

针对传统支持向量机(SVM)增量算法,在学习过程中因基于局部最优解而可能舍弃含隐性信息的非支持向量样本,以及对于新增样本需全部进行训练的缺点,文中提出一种基于KKT条件和壳向量的SVM增量学习算法。该方法利用壳向量的特性保留了训练样本集中可能含隐性信息的非支持向量,并只将违反KKT条件的增量样本加入新的训练集,从而提高运算效率。通过对公共数据集Abalone和 Balance Scale的实验表明,新算法在属性列数较多的数据集上分类效果更明显。     

尺度核函数支撑矢量机

本文提出了一种可容许的支撑矢量机核—尺度核.该尺度核函数可以被看作是一个具有平移因子的多维尺度函数,它能作为平方可积空间的子空间上一组完备的基函数.在此意义上,采用尺度核函数的支撑矢量机,可以认为是在尺度空间中寻找最佳的尺度系数.因此在理论上尺度核函数支撑矢量机能够以零误差逼近某一空间上的任何目标函数,文中给出的仿真实验进一步验证了它的可行性和有效性.     

计算和存储空间受限下的数据稀疏核分析方法

针对核主成分分析算法广泛面临的训练样本数量大而带来的计算和存储空间的问题,提出了基于1类支持向量理论的稀疏核主成分分析算法,该方法适合于计算和存储空间受限下的应用场合,如小型硬件平台下的图像检索系统、医学辅助诊断系统等.通过求解最优方程找到能够代表原始样本空间的少量典型样本,这些样本作为计算核数据矩阵,大大节省了核矩阵计算的时间和存储空间成本,在有限的训练样本集上最大限度在硬件平台下图像处理领域有效提高识别率和计算效率.     

Deformable shape finding with models based on kernel methods.

In this paper, a new kernel-based deformable model is proposed for detecting deformable shapes. To incorporate valuable information for shape detection, such as edge orientations into the shape representation, a novel scheme based on kernel methods has been utilized. The variation model of a deformable shape is established by a set of training samples of the shape represented in a kernel feature space. The proposed deformable model consists of two parts: a set of basis vectors describing the sample subspace, including the shape representations of the training samples, and a feasibility constraint generated by the one-class support vector machine to describe the feasible region of the training samples in the sample subspace. The aim of the proposed feasibility constraint is to avoid finding some invalid shapes. By using the proposed deformable model, an efficient algorithm without initial solutions is developed for shape detection. The proposed approach was tested against real images. Experimental results show the effectiveness of the proposed deformable model and prove the feasibility of the proposed approach.     

局部子空间自适应核函数网络

针对目前单一整体核函数网络相对于原始空间特征局部分布缺乏自适应性以及网络规模巨大的不足,本文提出局部子空间自适应核函数网络解决思路。首先将原始空间的高维特征分成一系列低维子空间;然后针对不同子空间构造不同的核函数和核参数局部网络;最后综合所有子空间形成综合核函数网络。同时利用支持向量分布几何意义,选择边界向量代替原始训练样本,大大减少网络的复杂度。由于不同输入子空间构造的核函数以及网络规模相对于样本分布具有一定的自适应性,所以该方法相对于经典全局核函数网络可以得到更好的综合性能。对比实验结果表明本文提出的方法能够改进高维模式识别的性能,是一种值得实际应用推广的方法。     

一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

基于三维凹包学习算法的海面小目标检测方法

对于特征类的海面小目标检测方法,现有3特征检测器通常采用凸包分类算法完成检测。在实际应用时发现,该分类算法生成的判决区域在某些情况下不能很好地反映海杂波样本集合在特征空间中的分布情况,进而对检测器性能造成一定程度的损失。相比之下,使用凹包算法生成的判决区域是由凸包内剖得到的,它能更加贴合海杂波样本的分布,因此该文将判决区域的形式由凸包转化为凹包,并在此基础之上提出一种基于3维凹包学习算法的海面小目标检测方法。同时,针对现有3维凹包算法存在的内剖效率低、无法实现恒虚警检测的缺点,该文通过优化内剖点选择方法、增加“外补”环节的方式对算法进行改进。最后,经实测CSIR数据及X波段试验雷达数据共同验证,在其他参数均相同时,该文方法的检测性能要优于已有的多特征检测方法,并且通过对凹包算法的复杂度分析证明了所提方法的应用潜力。     

支撑矢量预选取的中心距离比值法

支撑矢量机为小样本模式识别提供了一新的途径,但其支撑矢量的选择相当困难,也成为其应用的瓶颈问题.对此,本文提出了一种能够预先选取支撑矢量的方法——中心距离比值法.该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度.文中给出的仿真实验结果也验证了该方法的有效性和可行性.类似的结果在国内外还未见报导.