一种改进的在线最小二乘支持向量机回归算法

针对一般最小二乘支持向量机处理大规模数据集会出现训练速度幔、计算量大、不易在线训练的缺点,将修正后的遗忘因子矩形窗方法与支持向量机相结合,提出一种基于改进的遗忘因子矩形窗算法的在线最小二乘支持向量机回归算法,既突出了当前窗口数据的作用,又考虑了历史数据的影响.所提出的算法可减少计算量,提高在线辨识精度.仿真算例表明了该方法的有效性.     

一种过程支持向量机及其在动态模式分类中的应用

针对一般SVM在机制上难以直接对动态模式进行分类的问题,提出了一种基于函数正交基展开的过程支持向量机.该模型的输入为时变函数,输出为模式类别.在输入函数空间中选择一组适当的正交函数基,将输入函数在该组函数基下进行有限项展开,把展开式系数作为核函数的输入.由于时变函数在基函数映射下与展开式系数一一对应,从而可利用SVM的变换机制实现动态模式分类.给出了基于SMO的求解算法,实验结果验证了模型和算法的有效性.     

内河船舶超载量化检测系统设计探讨

通过对船舶表面模型的研究,应用测量、自动控制、数据处理等技术重构船舶三维表面模型,并从三维模型中提取船舶检验规则关心的关键数据,以便科学计算船舶的实际载重量,判断船舶是否超载。     

基于蚁群优化的SVM及其应用研究

针对蚁群算法的容易陷入局部最优解的问题,对连续蚁群算法的全局转移因子和挥发因子进行了改进.在搜索过程中,蚂蚁利用前一代最优解的位置及信息素强度决定最优解转移步长及概率,对每一代搜索过程,利用动态的全局转移因子来确定蚂蚁应该进行如何搜索,保证蚂蚁能够得到更多的搜索空间,解决了蚁群算法"早熟"的现象.利用优化后的支持向量机(C-SVR和C-LSSVM)建立了某型航空发动机起动过程的数学模型.通过实际的发动机数据对模型的有效性进行了验证,结果表明,C-SVR和C-LSSVM泛化性能优于ε-SVR和LSSVM.     

隐核最小二乘分类器在故障诊断中的应用

作为一种基于正定核的学习方法,传统支持向量机(Support Vector Machine,SVM)能较好地解决小样本、非线性、过学习、维数灾和局部极小等问题,从而广泛应用于模式识别、回归估计等领域。当前,核方法及其在故障诊断中的应用引起了人们的广泛重视并成为研究热点。为解决传统支持向量对核函数正定性的限制及求解速度不高的缺陷,通过引入最小二乘支持向量机分类算法提高学习速度,采用隐核特征映射技术实现核函数的进一步扩展,提出了一种新的隐核最小二乘分类器(HKLSC)算法。将其应用于实际工业过程的故障诊断中并根据采集的滚动轴承数据进行了仿真。结果表明,该隐核分类器具有很好的故障诊断性能,为故障诊断提供了一种新的有效途径。     

基于内容的图像检索中SVM和Boosting方法集成应用

提出一种适用于图像内容检索的AdaBoostSVM算法。算法思想是采用支持向量机(SVM)作为AdaBoost算法的分量分类器;基于相关反馈检索机制,通过增加重要样本来模拟AdaBoost算法的权重调整方法。在包含2000幅图像的数据库中进行了检索实验,结果表明AdaBoostSVM算法能有效提高系统的检索性能。     

一种新的最小二乘支持向量机稀疏化算法

普通的最小二乘支持向量机(LS-SVM)稀疏化算法在处理有些常见的模式识别问题时,随着训练样本的删减,识别率下滑很快,往往达不到稀疏化的目的。针对这种情况,提出了一种新的LS-SVM稀疏化算法来弥补这种不足,从而使得LS-SVM稀疏化算法体系更加完善。将新算法应用到雷达一维距离像的识别中,实验结果证明了新算法的有效性。     

基于支持向量机的计算资源反馈调度

在实时控制系统(RTCS)中,计算资源一般受限。由于诸多不确定性因素和工作负载的动态变化,系统总是运行在不可预期的开放环境中。为保证系统的稳定运行,提出了一种基于支持向量机(SVM)的计算资源反馈调度方法。它周期性地监测系统计算资源,通过SVM在线预测,得到各个控制回路的下一个采样周期,从而实现系统计算资源的动态分配。通过仿真实验验证了该反馈调度方法的性能,并与理想情况、传统开环调度方法进行了比较,显示了其优越性。     

粗糙one-class支持向量机

粗糙集理论是处理不确定性和不完备信息的重要方法之一.通过将粗糙集理论引入到one-class支持向量机,提出了一种新颖的粗糙one-class支持向量机.通过定义上近似超平面和下近似超平面,使得训练样本能根据在粗糙间隔中的位置,自适应地对决策超平面产生影响.并且,outlier样本由于距离上近似超平面较近并产生较小的间隔误差,不会导致决策超平面对它们产生明显的过拟合.实验结果表明,粗糙one-class支持向量机的泛化性能优异,识别率和误识率均优于传统的one-class支持向量机.     

控制流图上支配关系计算方法的分析与实现

支配关系在数据流分析和静态单赋值等程序分析和优化中应用很广泛.采用位向量表示支配结点集合,描述了采用迭代法计算控制流图上支配结点集合的算法,在支配结点集合的基础上讨论了对直接支配结点、支配边界结点的计算方法,并在NPB和SPEC2000测试集上进行了测试.测试结果表明:控制流图的构建占用了过程内支配关系计算的几乎一半时间;对于不包含goto语句的结构化程序,迭代算法一般只需迭代2次.