融合异构特征的子空间迁移学习算法

特征迁移重在领域共有特征间学习,然而其忽略领域特有特征的判别信息,使算法的适应性受到一定的局限. 针对此问题,提出了一种融合异构特征的子空间迁移学习（The subspace transfer learning algorithm integrating with heterogeneous features,STL-IHF）算法.该算法将数据的特征空间看成共享和特有两个特征子空间的组合,同时基于经验风险最 小框架将共享特征和特有特征共同嵌入到支持向量机（Support vector machine,SVM）的训练过程中.其在共享特征子空间上实现知识迁移的 同时兼顾了领域特有的异构信息,增强了算法的适应性.模拟和真实数据集上的实验结果表明了所提方法的有效性.     

基于支持向量机的TiO_2/C复合气凝胶光催化性能预报

TiO_2/C复合气凝胶光催化性能与材料的组成、孔结构参数密切相关,本文利用支持向量机的方法建立材料原始合成配方与TiO_2/C复合气凝胶光催化性能之间的定量预报模型。SVR建模和留一法交叉验证所得材料降解率计算值与实验值之间的相关系数平方(R~2)分别为0.929和0.884。利用该模型预报了2个新的实验样本,其降解率预报结果和实验结果非常接近,相对误差小于4%。     

分子结构网络静态参数用于食品防腐剂构效关系的研究

本文应用网络科学的理论与方法,将组成分子的原子看作是网络节点,而一个分子的平面结构图就是由这些节点通过边连接而成,从而构造出分子结构网络,进一步计算出分子结构网络的平均度、平均路程长度等18个网络静态特征变量,作为构效分析的候选自变量。为了更好的进行构效分析,利用BP(Back Propagate,反向传播)人工神经网络从18个候选自变量中筛选出对活性贡献大的接近度中心性最大值等4个自变量,分别用支持向量机回归(SVR)和BP神经网络对分子结构网络的4个自变量与大鼠经口毒性LD_(50)进行定量构效关系(QSAR)研究,实验结果表明:基于分子结构网络静态参数的支持向量机回归模型具有良好的预测能力。说明应用分子结构网络静态参数建模,对具有同一(或多种)属性/活性的一类物质进行构效关系分析研究的这种新方法具有一定的应用前景。     

基于FRS-SVM的工业数据挖掘研究

在工业生产分类过程中,存在数据量过大,冗余特征过多的问题,本文结合模糊粗糙集和支持向量机研究了一种分类算法。首先采用模糊粗糙集方法对条件属性进行属性约简,找出对分类决策具有主要影响的特征。以约简结果作为分类模型的输入变量,然后利用支持向量机对样本进行训练,建立分类模型,最后将本文的方法用于地板正反面分类和分析氧化铝晶种分解过程,并测试模型的分类效果。MATLAB仿真实验的结果表明本文的方法是有效的,具有分类正确率高,结构简单,泛化能力好的优点。     

灰色—支持向量机的空调负荷预测

对空调负荷进行准确预测不仅对空调优化控制的意义重大,而且也是实现空调经济运行与节能的关键所在。为了提高建筑空调负荷的预测精度,在分析灰色模型和支持向量机建模特点基础上提出了一种空调负荷组合预测算法。该方法综合了灰色建模计算过程简单以及支持向量机自学习和泛化能力强的优点,能够更加有效地利用样本数据的有效信息,提高模型预测精度。首先,通过灰色建模过程弱化了样本数据的随机因素。然后,对灰色模型输出进行归一化处理及数据重构,以作为支持向量机的输入。最后,通过支持向量机模型的预测得到最终预测结果。将本文所提出的方法应用于福州一栋办公建筑的逐时空调负荷预测中,并与灰色模型及支持向量机模型作比较,证明了组合模型的预测值与实际运行值拟合度最高,平均绝对误差比灰色模型和支持向量机模型分别降低了47.84%和17.39%。该组合预测模型具有较高的预测精度和更好的泛化能力,具有较强的可行性和实用性。     

大肠杆菌启动子启动强度的预测

启动子是DNA序列中的关键元件,直接影响生物的转录与表达,启动子的研究对转录机制的阐明以及整个基因组功能的注释都具有重要作用。然而,用实验方法对启动子进行检测费时费力,发展启动子预测的方法具有十分重要的意义。本文基于离散小波变换建立伪三碱基组成表征DNA序列,支持向量机建模,预测大肠杆菌启动子的启动强度。首先采用二维映射法对DNA序列进行映射,得到二维离散的数字序列,并将之合并为一维数字序列;采用离散小波变换对数字映射序列进行转换,将得到的小波变换结果与三碱基组成结合构建伪三碱基组成,离散小波变换中小波函数与小波分解尺度的优化通过5-折交叉验证选取;构建得到的伪三碱基组成作为支持向量机的输入参数,建模进行预测。训练集得到的预测相关系数R为0.9830,RMSE为0.0907;测试集得到的预测相关系数R为0.8606,RMSE为0.1014。结果表明,模型的预测效果良好,说明基于离散小波变换的伪三碱基组成能够有效地反映DNA序列中碱基的顺序信息,本文方法不仅能够有效地实现大肠杆菌启动子启动强度的预测,也为DNA其他生物功能的预测提供了参考。     

基于排列组合熵的高速列车走行部故障分析

针对列车走行部的多种故障模式,提出了基于排列组合熵的高速列车走行部故障诊断方法.对原车和抗蛇行减振器失效、空气弹簧失气、横向减振器失效四种工况进行仿真实验,得到列车不同位置的振动信号.计算列车振动信号的排列组合熵,首先实现了同一速度下不同故障的分离,然后以排列组合熵作为故障特征向量,对特征向量进行多级SVM分类识别.实验结果表明,该方法可以有效识别列车同一速度下的不同故障,高速时对四种工况的平均识别率达97％以上.     

融合Hu矩与BoF-SURF支持向量机的手势识别

基于尺度不变特征变换的特征包（BoF-SIFT）支持向量机的分类方法具有较好的手势识别效果, 但是计算复杂度高、实时性较差。为此, 提出了融合Hu矩与基于快速鲁棒特征的特征包（BoF-SURF）支持向量机（SVM）的手势识别方法。特征包模型中用快速鲁棒性特征（SURF）算法替换尺度不变特征变换（SIFT）算法提取特征, 提高了实时性, 并引入Hu矩描述手势全局特征, 进一步提高识别率。实验结果表明, 算法无论是实时性还是识别率都要高于BoF-SIFT支持向量机方法。     

解决高维优化问题的差分进化算法

针对高维优化问题难以解决并且优化耗费时间长的问题,提出了一种解决高维优化问题的差分进化算法。将协同进化思想引入到差分进化领域,采用一种由状态观测器和随机分组策略组成的协同进化方案。其中,状态观测器根据搜索状态反馈信息适时地调用随机分组策略重新分组;随机分组策略将高维优化问题分解为若干较低维的子问题,而后分别进化。该方案有效地增强了算法解决高维优化问题的搜索速度和搜索能力。经典型的实例测试,并与其他一流差分进化算法比较,实验结果表明:所提算法能有效地求解不同类型的高维优化问题,在搜索速度方面有明显提升,尤其对可分解的高维优化问题极具竞争力。     

基于ACO优化SVM参数的蛋白质耐热性预测

氨基酸含量是影响蛋白质耐热性的主要因素,为了提高以氨基酸含量为特征向量的蛋白质耐热性预测的精度和预测模型的性能,提出了一种基于机器学习蚁群算法(ACO)优化支持向量机(SVM)参数的蛋白质耐热性预测方法。建立了SVM参数优化模型,探讨了基于网格划分策略的连续蚁群算法,通过对SVM的惩罚因子和径向基核函数的全局搜索,筛选出最优参数,使SVM的蛋白质耐热性预测率最优。结果表明:采用未优化的SVM建立的预测模型的蛋白质耐热性总预测率相对较低,约为76.5%,采用遗传算法优化预测模型参数后的预测率约为86.6%,采用ACO优化预测模型参数后预测率达到87.8%。采用ACO优化的SVM模型参数的寻优速度快,预测结果准确。