基于简易支持向量机的客户流失预测研究*

应用简易支持向量机（SSVM）进行客户流失预测,以提高机器学习方法的预测能力。以国外电信公司客户流失预测为实例,与最近邻算法（NPA）进行了对比,发现该方法在获得与NPA近似准确率的条件下,所花费的时间和时间增加值远小于NPA,是研究客户流失预测问题的有效方法。     

一种基于分而治之的语音识别错误纠正方案*

介绍了一种基于分而治之的语音识别错误纠正方案,首先利用混淆网络把连续语音识别问题转换为顺序的、独立的分类子任务。每个分类子任务可看做是孤立词识别问题,通过训练专门的支持向量机来区分混淆网络的识别候选。提出了一种快速的基于码本转换的语音向量对齐方法,解决了变长语音向量无法直接作为支持向量机输入的问题。通过一个普通话音节识别任务的实验结果表明,该方案能有效提高系统的正确率。     

基于免疫优化多输出最小二乘支持向量机及其应用*

传统的支持向量机是一种两类问题的判别方法, 不能直接应用于多类分类问题。为了解决这个问题,提出了一种免疫优化多输出最小二乘支持向量机方法。该方法利用免疫算法来优化最小二乘支持向量机的参数。将该方法应用于污水生化处理过程建模及语音情感识别,仿真结果表明,该方法具有更高的精度。     

SVPWM在有源滤波器中的应用及仿真研究

有源滤波器控制策略的优劣直接决定其滤除谐波的性能,采用空间矢量脉宽调制技术实现对谐波的调制,并进行仿真验证.仿真结果表明,该算法产生的脉宽指令作为逆变器中各开关器件的通断控制信号,控制的结果能保证补偿电流实时跟踪其指令电流的变化,精确度与准确度均可满足系统要求.     

Fault-Diagnosis Method Based on Support Vector Machine and Artificial Immune for Batch Process

A new fault-diagnosis method to be used in batch processes based on multi-phase regression is presented to overcome the difficulty arising in the processes due to non-uniform sample data in each phase. Support vector machine is first used for phase identification, and for each phase, improved artificial immune network is developed to analyze and recognize fault patterns. A new cell elimination role is proposed to enhance the incremental clustering capability of the immune network. The proposed method has been applied to glutamic acid fermentation, comparison results have indicated that the proposed approach can better classify fault samples and yield higher diagnosis precision.     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

具有两类失效状态和休假的串联可修系统

研究了修理工可多重休假的部件串联可修系统,每个部件有两类失效状态。假定部件寿命服从指数分布,部件修理时间和修理工休假时间均服从一般连续分布,利用向量Markov过程理论和Laplace变换的方法求出了系统的可靠性指标。     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于多特征融合的运动物体识别方法研究

为了实现运动目标的实时检测,本文基于多特征融合,提出了一种运动物体分级识别方法.首先通过对运动目标的分割,分析得到各个物体的形状矩特征、面积大小及运动速度.对上述特征,采用支持向量机方法对其矩特征进行快速的一级分类,然后对一级分类结果及各物体的面积、速度等信源根据其对分类的重要程度,采用模糊积分技术进行多特征融合分类.实验表明,本方法具有较强的学习能力及较高的识别精度,可有效地应用于道路监控等系统.     

结构损伤识别的残余向量法及数值仿真

为了找到对小损伤较敏感的参数,在结构自由振动微分方程基础上,利用广义逆和矩阵投影定理,导出了识别效果很好的残余向量投影范数.确定了损伤单元,计算了该损伤单元的损伤因子.算例分析发现,该参数对结构损伤非常敏感,能识别出结构中的微小损伤,而且不受损伤位置的约束,仅需要结构的前几阶模态就能达到很好的效果.