ε-支持向量回归机算法及其应用

针对现有传统的一些图像去噪方法难以获得清晰图像边缘的问题,提出了利用ε-SVR技术构建图像去噪滤波器的新方法。ε-支持向量回归机通过引入ε不敏感损失函数,可以实现具有较强鲁棒性的回归,而且回归估计是稀疏的,保留了SVM的所有优点。分析了ε-支持向量回归机理论算法及其在图像去噪中的应用,使用ε-支持向量回归机对图像进行滤波并且与最小值滤波、均值滤波和维纳滤波等常用的滤波方法相比较,还比较了SVM各种核函数对不同噪声的滤波效果和分析了不同阶数的Multinomial核的滤波效果。实验结果表明了ε-支持向量回归机能够有效地去除噪声,不但信噪比较高而且比较清晰,同时具有良好的稀疏性。     

直觉区间值模糊集的σ-熵、σ-距离测度和σ-相似测度

σ-度量和弱σ-度量是模糊信息度量的重要概念。熵、距离测度和相似测度是σ-度量和弱σ-度量的特例。在直觉区间值模糊集定义的基础上,给出了σ-熵和弱σ-熵、σ-距离测度和弱σ-距离测度、σ-相似测度和弱σ-相似测度的定义与性质,并讨论了它们之间的关系。     

连续值命题逻辑中公式的条件相对重言度理论

基于Lukasiewicz命题逻辑系统提出一般性的赋值密度函数,定义了公式的概率真度、条件概率真度的概念,引入了公式的条件相对Γ-重言度,并给出了若干性质。利用公式的条件相对Γ-重言度,定义了公式间的条件相对Γ-相似度,进而导出了伪距离。     

Vague关系的α-分解

提出了Vague关系R是可α-分解的概念。得到Vague关系R是可α-分解的两个等价刻画。在Vague关系R是可α-分解时,分别给出了使R=AαB成立的A与B的解集。     

基于蕴涵算子族Lλ0λG的反向α-三I支持算法

提出了基于蕴涵算子族Lλ0λG的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族Lλ0λG给出了模糊推理的FMP模型及FMT模型的反向α-三I支持算法。     

基于新的网格存优策略的多目标归档算法

网格方法被多个进化算法用来保持解集的分布性。基于ε支配概念的ε-MOEA本质上也是基于网格策略的。虽然ε-MOEA通常情况下都能在算法性能的各方面之间取得较为合理的折衷,但是由于其存在固有缺陷,很多时候表现出不容忽视的问题——当PF_true对某一维的变化率在该维不同区域的差异较大时,解集中边界个体或代表性个体丢失——严重影响解集的分布性。针对这一问题,定义了一种新的δ支配概念和虚拟“最优点”的概念,提出了一种新的网格存优策略,并将之应用于更新进化多目标归档算法的归档集。实验结果显示,基于新的存优策略的进化多目标归档算法（δ-MOEA）具有良好的性能,尤其在分布性方面比NSGA2和ε-MOEA好得多。     

基于蕴涵算子族Lλ0λG的反向α-三I约束算法

提出了基于蕴涵算子族Lλ0λG的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族Lλ0λG给出了模糊推理的FMP模型及FMT模型的反向α-三I约束算法。     

脉冲噪声中基于广义恒模算法的多用户检测

在高斯白噪声信道中提出的各种多用户检测方法在脉冲噪声存在的情况下出现了明显的质量下降,而实际的物理信道中又经常伴随着脉冲噪声。将α-稳定分布噪声作为背景噪声模拟实际物理信道中存在的脉冲噪声,根据脉冲噪声的特殊性质,在恒模多用户检测算法的基础上将广义恒模算法应用到了多用户检测技术中去。仿真结果表明该算法在高斯白噪声以及α-稳定分布的脉冲噪声中均取得的良好的性能,具有很好的鲁棒性。     

基于Jerk的常增益目标跟踪及其自适应算法

针对目前高机动目标跟踪的Jerk模型存在计算复杂度高和α-β-γ模型须预先估计过程噪声标准偏差的不足,提出了一种基于Jerk模型的常增益滤波算法：自适应的α-β-γ-δ模型,并从理论上推导出了上述新模型中α、β、γ和δ的计算公式。对一种典型的目标机动形式进行了Monte Carlo仿真,结果表明了新算法对于解决机动目标跟踪问题的有效性,且运算量远远小于Jerk模型算法。     

模糊λ商空间研究

把模糊商空间理论推广为模糊λ商空间理论,证明论域上的一个模糊等价关系一一对应于λ商空间上的一个归一化等腰距离函数;给定一个λ截关系序列,则唯一确定一个模糊等价关系。给出模糊λ商空间的定义,并讨论其性质,引入模糊λ商空间族来求解模糊问题。     

一类蕴涵算子下的支持度及α-三I算法

研究了基于正则蕴涵算子G-λ-R0模糊推理的三I算法的支持度理论,分析了支持度的性质,给出了α-三I算法的FMP（FMT）下（上）确界的计算公式。     

小波支持向量机在SAR图像降噪中的应用

基于支持向量回归理论和小波支持向量核函数,提出了一种新的SAR滤波方法。首先对支持向量回归方法做了分析,通过对复杂信号进行逼近实验,验证了其应用于图像滤波的可行性和合理性。之后将SAR图像看成是一个二维连续信号,将对复杂信号具有更好逼近能力的小波支持向量核函数用于SAR图像滤波,小波核函数由Morlet小波构建。实验结果表明本文提出的方法能很好的降低SAR图像噪声,而且能比传统方法更好的保持边缘。     

基于多特征结合与加权支持向量机的图像去噪方法

在基于支持向量机(SVM)的图像去噪方法的基础上,提出了一种基于多特征结合与加权SVM的图像去噪方法。首先,根据图像中相邻像素的相关性及椒盐噪声的特点,提取含噪图像中的多种特征;然后,利用针对不平衡数据集所改进的加权SVM分类器,识别出含噪图像中的噪声点,再利用支持向量回归机(SVR)对噪声点的原始灰度值进行回归预测;最后,重构图像以达到去噪的目的。实验结果表明,该方法能提高SVM分类器对噪声点的识别率,改善分类器的性能,并能在去噪的同时较好地保留图像的边缘信息,获得较高的峰值信噪比(PSNR)。     

基于蕴涵算子族的模糊推理的FMP三I约束算法

提出了基于蕴涵算子族L-λ-R₀的模糊推理的思想,这将有助于提高推理结果的可靠性。针对蕴涵算子族L-λ-R₀给出了模糊推理的FMP模型的α-三I约束算法、三I约束算法,并说明其现实意义。     

新型鲁棒孪生支持向量回归机

回归问题是模式识别与机器学习领域的基本问题之一,孪生支持向量回归机（TSVR）是在支持向量回归机（SVR）基础上发展而来的一种处理回归问题的新算法,它在处理无噪声数据时表现出较好的性能,但在处理有噪声数据时往往性能不佳。为了降低噪声对孪生支持向量回归机性能的影响,结合ε-不敏感损失函数与Huber损失函数构造了混合Hε损失函数,该损失函数可以有效地适应于不同分布类型的噪声;然后基于混合Hε损失函数和结构风险最小化（SRM）原则提出了一种鲁棒的孪生支持向量回归机（Hε-TSVR）,并在原始空间中利用牛顿迭代法求解模型。分别在有噪声和无噪声的人工数据集、UCI数据集上进行实验,与支持向量回归机和孪生支持向量回归机等算法比较,实验结果验证了所提算法的有效性。     

支持向量机在钻井工程数据拟合中的应用

支持向量机(SVM)是近年来发展起来的一种通用的机器学习方法,在小样本数据的拟合中已获得了很好的效果。对于常见的支持向量回归机方法:ε-支持向量回归机和最小二乘支持向量回归机进行了归纳总结,并给出了一具体应用案例。     

基于SVM的分类问题的研究

支持向量机(SVM)具有适合处理小样本、非线性和高维数问题,利用核函数且泛化能力强等多方面的优点。文章简要介绍了SVM的基本原理,然后利用支持向量机(SVM)进行两类分类和多类分类实验,比较不同核函数的结果。实验证明支持向量机的分类效果比较好。     

基于差异演化的ε-SVRM参数优化

参数优化是ε-支持向量回归机研究领域的重要问题,其本质是一个优化搜索的过程.基于差异演化算法在求解优化问题上的有效性,提出了以差异演化算法寻优技巧的ε-支持向量回归机参数优化方法.将该算法应用于受噪声影响的标准函数,与采用遗传算法、蚁群算法、粒子群算法对支持向量机进行优化的仿真实验结果对比表明由DE算法所确定的ε-支持向量回归机具有较好的预测性能.     

稀疏贝叶斯及其在时间序列预测中的应用

阐述了稀疏贝叶斯方法在时间序列预测中应用的理论基础,将稀疏贝叶斯方法应用于Logistic方程产生的混沌时间序列和发动机油滑数据的预测,并与支持向量机（SVM）和RBF神经网络时间序列预测进行了比较.实验结果表明,稀疏贝叶斯方法不仅具有SVM的性能,而且比SVM使用更少的核函数,取得了较好的预测效果.     

基于混合核函数的SVM在文本自动分类的应用

核函数是SVM的关键技术,核函数的选择将影响着学习机器的学习能力和泛化能力。不同的核函数确定了不同的非线性变换和特征空间,选取不同核函数训练SVM就会得到不同的分类效果。本文提出了一种混合的核函数[1]Kmix=λKpoly+(1-λ)Krbf,从而兼并二项式核函数及径向基核函数的优势。实验证明选用混合核函数的支持向量机,与普通核函数构造的支持向量机的评估效果进行比较,混合核函数支持向量机具有较高的分类精度。