基于优化支持向量机的飞机重着陆智能诊断

为提高飞机重着陆判断的准确性,研究了将最小二乘支持向量机应用于飞机重着陆诊断的方法;首先,根据飞机着陆阶段运动方程确定5类关键的重着陆诊断指标,将传统的单一指标诊断扩展到多指标诊断;接着,对支持向量机的分类算法进行扩展,实现了支持向量机的多类分类,建立了飞机重着陆诊断模型;然后,分别利用遗传算法和粒子群算法优化了模型参数,并对优化结果进行了分析比较;最后,利用飞行品质监控数据库中的样本数据对某航空公司B737型飞机进行了重着陆诊断实验,结果表明;支持向量机模型具有较高的诊断精度,适用于飞机重着陆诊断.     

多阶灰色支持向量机集成预测模型研究

对灰色预测模型GM(1,1)和支持向量机SVM预测模型进行分析,提出了多阶灰色支持向量机集成预测模型Dm_GM(1,1)-SVM。通过多阶缓冲算子改进灰色预测模型的预测精度,对最终预测值的各个相关指标进行预测;同时,采用粒子群优化算法对支持向量机模型进行径向基核参数和惩罚参数寻优,得到最佳参数对(c,g),从而确定支持向量机的最佳回归模型;最后将各指标预测值作为支持向量机模型的输入,依据预测模型和预测模型的输入值求得预测结果。实验实例表明,多阶灰色支持向量机集成模型和传统的预测模型相比,在本例中预测精度更高,说明多阶灰色预测模型和支持向量机模型相结合在解决实际预测问题中具有实用价值。     

基于视觉的无人机自主着陆地标识别方法

在无人机自主着陆过程中,传统地标识别方法的相似阈值确定需大量实验估计。为解决此问题,采用一种基于仿射不变矩和支持向量机的识别方法,首先设计了六圆组合的图标作为无人机自主着陆地标;由于无人机会拍摄到发生扭曲的地标图像,因此提取地标的仿射不变矩作为输入特征;最后将其输入支持向量机分类模型,完成地标的识别。与传统的几何不变矩和BP神经网络相比较,该方法提高了地标的识别精度并降低了识别测试时间,因此对地标识别具有一定的实用性。     

支持向量机的智能信息安全风险评估模型

为了提高信息安全风险评估准确性,提出一种支持向量机的信息安全风险评估模型。首先通过模糊系统对风险评价指标进行预处理,然后将数据输入到支持向量机进行学习,并通过蚁群算法对支持向量机参数进行优化,建立智能化的信息安全风险评估模型,最后通过仿真实验对模型性能进行验证。仿真结果表明,支持向量机提高了信息安全风险评估的准确性,克服传统风险评估模型的缺陷,是一种性能优异的信息安全风险评估模型。     

基于支持向量机的飞机地面结冰冰型分类预测

飞机结冰严重影响飞机的安全性,而不同结冰类型对飞机的危害程度也不同.文中提出了一种飞机结冰冰型预测模型,该方法将支持向量机应用于飞机结冰冰型分类.首先对各类结冰冰型影响因子进行分析,在此基础上建立了基于支持向量机的飞机结冰冰型分类模型.采用基于支持向量机的分类模型对飞机地面结冰进行了冰型识别,并与BP神经网络的分类模型进行了识别效果对比.试验结果表明,在小样本条件下,该方法具有分类准确度高、推广能力较强等优点,有良好的应用前景.     

基于PSO与LS—SVM的飞机总体设计的综合论证

研究小样本数据对飞机武器系统的设计和改型方案是航空系统工程的重要内容。针对提高设计的进度和质量问题,利用粒子群优化算法的群体智能优化理论与最小二乘回归支持向量机的回归思想,提出了一种基于粒子群算法与最小二乘回归支持向量机的飞机设计综合智能论证模型。提出应用粒子群算法对支持向量机核函数参数进行寻优,再利用优化的核函数参数支持向量机回归模型,建立映射模型来对飞机的作战效能进行预测。仿真实例验证了方法的适用性和结果的可靠性。     

一种改进的SVM算法在乳腺癌诊断方面的应用

针对计算机辅助诊断(CAD)技术在乳腺癌疾病诊断准确率的优化问题,提出了一种基于随机森林模型下Gini指标特征加权的支持向量机方法(RFG-SVM)。该方法利用了随机森林模型下的Gini指数衡量各个特征对分类结果的重要性,构造具有加权特征向量核函数的支持向量机,并在乳腺癌疾病诊断方面加以应用。经理论分析和实验数据验证,相比于传统的支持向量机(SVM),该方法提升了分类预测的性能,其结果与最新的方法相比也具有一定的竞争力,而且在医疗诊断应用方面更具优势。     

高斯超向量-支持向量机鉴别性语种识别系统

支持向量机在语种识别技术中获得了广泛的研究和应用,并且达到和传统混合高斯模型相当的性能。高斯超向量-支持向量机系统将高斯混合模型与支持向量机有效地结合起来,采用高斯超向量核函数,以支持向量机作为后端分类器。重点介绍基于高斯超向量-支持向量机的语种识别系统,并和传统的高斯混合模型系统进行比较。在美国国家标准技术研究院2003年和2007年语种识别评测数据集上进行实验。实验结果表明,高斯超向量-支持向量机系统相对于混合高斯模型建模的方法,在长时数据上有较明显的性能优势。     

基于支持向量机和遗传算法的人脸识别研究

采用自适应遗传算法(AGA)优化筛选改进高斯核函数支持向量机(SVM)参数模型进行人脸特征分类。支持向量机的泛化性能主要取决于核函数类型和核函数参数及惩罚系数C,本文在传统高斯核函数基础上提出改进高斯核函数作为支持向量机的非线性映射函数,并使用自适应遗传算法优化筛选核函数参数和支持向量机惩罚系数,将优化后的SVM模型用于人脸库进行实验仿真。实验结果表明,本文方法比传统高斯核函数支持向量机分类器模型有更高识别率。     

压缩式垃圾车液压系统故障诊断方法研究

针对传统液压系统故障诊断方法诊断效率低、诊断精度不高等问题,以垃圾车液压系统为研究对象,提出了基于支持向量机的液压系统故障诊断方法.运用AMEsim软件建立垃圾车液压系统仿真模型、采集故障数据,利用故障数据建立支持向量机分类模型并进行参数寻优,最后利用分类模型对液压系统未知故障样本进行测试.仿真结果表明,上述函数和惩罚因子的选择对诊断精度影响较大;支持向量机诊断方法能更加有效提取液压系统故障信息,有更高的故障诊断精度和诊断效率.     

一种变压器故障诊断新方法

提出一个基于欧氏聚类（Euclidean Clustering,EC）和支持向量机（Support Vector Machine,SVM）的变压器故障诊断模型及其求解步骤。选择典型油中气体作为模型的输入参数,按照变压器常见的13种故障类型,利用训练集样本数据建立基于EC和SVM多分类的组合故障诊断模型。通过与其他组合诊断的方法进行比较证明了该模型的有效性。     

基于LS-SVM的测井物性参数的预测方法

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。采用新型的支持向量机——最小二乘支持向量机（LS-SVM）对孔隙度、渗透率和饱和度进行了预测,获得了满意的结果。该方法易于使用,很少受不确定性因素的影响,并具有较强的信息整合能力以及更高的预测准确性。     

基于EEMD-GWO-LSSVM的公共交通短期客流预测

为了提高大型公共交通短期客流预测精度,提出了一种在利用集成经验模态分解原始数据的条件下,采用灰狼优化算法优化最小二乘支持向量机（EEMD-GWO-LSSVM）的算法,利用该算法实现城市大型公共交通短期客流预测。该模型采用EEMD分解原始数据,将分解后的各个本征模函数（IMF）分量运用最小二乘支持向量机进行回归预测,最小二乘支持向量机的预测参数由灰狼算法进行优化。通过对西安地铁二号线北客站一个月进出站人数进行训练预测,将预测结果和支持向量机（SVM）,自回归移动平均模型（ARIMA）,仅利用灰狼优化参数的最小二乘支持向量机（GWO-LSSVM）算法以及基于交叉检验进行参数优化的最小二乘支持向量机进行对比,分析得出该算法具有更加精确的预测结果。     

处理非平衡数据的粒度SVM学习方法

通过多维关联规则挖掘,将粒度计算（Granular Computing,GrC）和支持向量机（Support Vector Machine,SVM）有效融合,提出一种粒度支持向量机（Granular SVM,GSVM）学习方法,称为AR-GSVM。该方法用于非平衡数据处理时,不仅可以有效降低分类器的复杂性,而且本质上可以进行并行计算以提高学习效率,同时提高分类器的泛化能力。考虑到保持数据在原始空间和特征空间的分布一致性,在AR-GSVM的基础上又提出核空间上的粒度支持向量机学习方法,称为AR-KGSVM,该方法具有更好的泛化性能。通过在UCI数据集上的实验表明：AR-GSVM和AR-KGSVM的泛化能力优于一些常用非平衡数据处理的方法。     

一种新的基于GCS．SVM的网络流量预测模型

针对网络流量预测模型存在预测稳定性不好、精度较低等问题,提出一种改进布谷鸟搜索算法优化支持向量机的网络流量预测模型（GCS．SVM）。将网络流量时间序列进行重构,采用改进布谷鸟搜索算法优化支持向量机参数,使用这组最优参数建立网络流量预测模型。仿真结果表明,GCS—SVM模型对网络流量预测是有效可行的。     

基于VQ-MAP和SVM融合的说话人识别系统

针对传统支持向量机（SVM）在说话人识别中运算量过大的问题,提出了VQ-MAP和SVM融合的说话人识别系统。它应用仅自适应均值向量的最大后验概率矢量量化过程（VQ-MAP）,来得到自适应的说话人模型,用此模型中的参数向量作为支持向量应用于SVM来进行说话人识别。用Matlab进行仿真实验,结果表明,基于VQ-MAP和SVM融合的说话人识别系统大大降低了运算量,SVM训练时间短,且具有较高的识别率。     

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型（KNN-SVM）。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。     

基于支持向量机协同训练的半监督回归

将支持向量机与半监督学习理论相结合,提出基于支持向量机协同训练的半监督回归模型,使用两个支持向量机回归模型相互影响,协同训练。利用实验数据集进行实验,并与监督支持向量机回归模型、半监督自训练支持向量机回归模型作比较。实验结果表明,基于支持向量机协同训练的半监督回归模型在缺少标记样本的情况下,提高了回归估计的精度。     

结构化支持向量机研究综述

结构化支持向量机（Structural Support Vector Machine,SSVM）是支持向量机（Support Vector Machine,SVM）的变体算法,被广泛应用于多个领域。阐述了SSVM的发展过程,详细分析了SSVM各种具体实现算法的思想及表现上的优劣;并通过实验的对比讨论,发现了SSVM的各种具体实现算法在分类性能和分类效率上优于其他SVM算法,而在稳定性上则逊于后者;基于此,给出了SSVM的后续研究方向。     

基于SVM概率输出与证据理论的多分类方法

单一技术无法有效解决多类分类问题。为此,提出一种基于一对多支持向量机(SVM)的基本概率分配输出方法,并与置信最大熵模型的D-S证据组合方法结合,给出基于SVM概率输出和证据理论的多分类模型。在3种UCI标准数据集上的仿真结果表明,该方法的分类精度优于传统的一对多和一对一硬输出方法,是一种有效的多类分类方法。