基于多分类高斯SVM的光纤信号的模式识别方法

为了有效提升光纤信号识别精度,采用了一种基于多分类的高斯支持向量机(SVM)的信号事件类型判别方法,先通过汉宁窗卷积的方法以及95%能量的原则来识别事件发生始末段信息,再从时域、频域以及尺度域等角度出发,对归一化后的多种特征参数的均值与离散性进行分析,并选取合适的主要特征参数,最后采用基于多分类高斯SVM算法对3组不同事件类型进行了分类识别,通过理论分析和实验验证,取得了不同类型光纤事件信号的数据。结果表明,对30组实验数据的事件类型进行模式识别,正确率在96%以上。该方法流程满足了光纤传感的事件信号高精度识别要求,对光纤传感器应用具有较重要的参考价值。

基于CMCP-LMCL的多分类深度神经网络及其应用

多分类问题涉及信用风险管理、股票走势预测等多个领域。深度神经网络(DNN)是常用于多分类预测的机器学习模型,然而输入特征维度较高且存在冗余信号时,将加重其可解释性不强和结构冗余等缺陷;同时,常用的Softmax损失也可能面临分类边界模糊导致预测效果不佳等问题。为此,本文针对多分类问题,提出一个新的深度神经网络CMCP-LMCL,利用CMCP变量选择方法压缩输入特征到第1隐藏层的权重。该方法融合权重的组结构,能够剔除无关特征以及不重要的连接;同时,对特征层之外的权重施加权重衰减L;2;惩罚,有利于改进过拟合问题。新方法的增强边缘余弦损失(LMCL)在Softmax基础上引入扩大参数和距离参数,增大分类决策边界的间隔以期提高分类预测性能。模拟分析表明,对比已有DNN和传统分类方法,无论特征以简单线性形式还是复杂非线性形式映射到因变量,本文所提出的方法均具有良好的特征选择性能和预测表现。基于信用贷款数据的实证分析表明,该方法能够有效选择风险指标并进行违约风险预警。

基于影像组学建立多分类联合模型预测肺GGN病理分型

目的:探究计算机断层扫描(computed tomography,CT)影像组学多分类联合模型在磨玻璃结节病理分析的预测价值。方法:回顾性收集2019年2月至2023年3月新乡医学院第一附属医院收治的影像表现为磨玻璃结节并经病理证实的早期肺腺癌患者资料,共285例患者的324个结节按照浸润性腺癌(invasive adenocarcinoma,IAC)、微浸润性腺癌(minimally invasive adenocarcinoma,MIA)及侵袭前病变(preinvasive lesions,PILs)分为三组,行递归消除及单变量逻辑回归对组学及临床-影像特征选择后,使用逻辑回归(Logistic regression,LR)、支持向量机(support vector machine,SVM)、随机森林(random forest,RF)和集成学习(stacking)构建七个模型,评估模型预测效能。结果:基于结合临床-影像-组学特征和集成机器学习策略的混合联合模型相比其他六个模型具有更准确的预测性能,准确度、精确度、特异性、召回率、F1评分分别为0.791、0.788、0.857、0.790、0.789。结论:基于CT影像组学建立的多分类联合模型能够较好地预测肺磨玻璃结节病理分型,有利于影像准确诊断及为临床制定治疗方案提供依据。

基于混合采样和SE_ResNet_SVM的不平衡多分类研究

针对结构化多分类算法中不平衡数据集类别分布不均导致分类难度增加的问题,本文提出了一种基于混合采样、压缩与激励(squeeze and excitation, SE)模块、改进深度残差网络和支持向量机(support vector machines, SVM)的网络模型SNSMRS (SMOTEENNmixed residual networks-SVM network)。首先,通过合成少数过采样和编辑最近邻技术来改善数据分布;然后,构建融合SE模块与通过融合批次归一化和群组归一化的深度残差网络来提取特征;最后,通过SVM进行输出网络模型。其中,SE模块增强了模型对特征的区分能力,提升了模型的鲁棒性;基于融合归一化的残差网络受批次大小的影响较小,并且避免了传统神经网络梯度消失和精度退化等问题,增强了网络的稳定性与准确度;SVM可以根据特征向量在空间上的分布进行全部特征的分割,特征利用率高,提高了模型的分类精度。在7个不同规模和领域的非平衡公开数据集上进行了对比和消融实验,结果表明,本文所提的网络模型SNSMRS不仅优于其他深度学习模型,而且相对于未改良的ResNet,Macro-F1和G-mean值分别提升了约3%和4%,同时在4个数据集上的Macro-F1和G-mean值均超过了95%。

基于voting集成的智能电能表故障多分类方法

为提升智能电能表故障准确分类能力,助力维护人员迅速排除故障,提出基于投票法voting集成的智能电能表故障多分类方法。针对实际智能电能表故障数据进行编码预处理,基于皮尔逊系数法筛选智能电能表故障分类关键影响因素,结合合成少数类过采样技术(synthetic minority oversampling technique, SMOTE)算法解决数据类别不平衡问题,由此建立模型所需数据集,再通过投票法进行模型融合,结合粒子群PSO(particle swarm optimization)确定各基模型的权重,据此构建基于极限梯度提升树(extreme gradient boosting trees, XGBT)、K近邻(k-nearest neighbor, KNN)和朴素贝叶斯(naive bayes, NB)模型的智能电能表故障多分类方法。实测实验结果表明:所提出方法能有效实现智能电能表的故障快速准确分类,与现有方法相比,在智能电能表的故障分类精确率、召回率及F1-Score均有明显提升。

基于PCA和多分类SVM的网络游戏流量识别

传统机器学习从原始网络游戏流量准确提取特征面临巨大的困难。目前,已有研究者使用深度学习从原始流量中自动化提取特征,然后再进行流量分类。论文针对深度学习模型开销较大,计算复杂度较高等问题,提出了一种基于PCA和多分类SVM的网络游戏流量识别模型。首先将游戏流量预处理为28×28的灰度图,然后利用主成分分析PCA进行特征降维,最后基于多分类SVM算法进行游戏流量的分类和识别。经过三折交叉实验,结果表明在保持较好的分类效果基础上能够实现较低的计算复杂度。

随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

基于熵权法Stacking集成学习的多分类窃电检测

为了精准定位窃电行为,减小电力窃取给电力系统带来的经济损失,提出了一种基于熵权法Stacking(stacking based entropy,E_Stacking)集成学习的多分类窃电检测模型。首先基于用电量信息共线性的特点,使用方差膨胀因子(variance inflation factor,VIF)作为标准对数据降维,以降低数据复杂度。然后在模型训练时嵌入k折交叉验证,有效防止模型过拟合。该模型包含初级学习器和元学习器两层学习器,可以充分结合两层学习器的优点,将学习的互补特征和判别特征相结合,进一步提高检测性能。最后,使用爱尔兰数据集和部分加州大学欧文分校(University of California Irvine,UCI)数据集验证模型,结果优于目前几种常见的方法,证明该模型的有效性和稳定性。

基于SVM一对一多分类算法的二次细分法研究

在研究了支持向量机(SVM)多分类算法的基础之上,针对一对一多分类算法出现不可分区域问题,提出了基于SVM一对一多分类算法的二次细分方法,并将该方法应用于弹簧应力小样本数据的多分类仿真实验。通过与原始方法的仿真结果进行对比,改进方法在多花费了极短时间的前提下,显著提高了分类正确率。针对改进方法可能存在的问题,又通过10次仿真实验验证了该方法的可行性,同时也为SVM在小样本分类领域提供了新的思路。

基于不平衡数据的多分类航班延误预测方法研究

航班延误会给旅客和航空公司带来诸多不便和损失,影响到整个出行体验和航空运营效率,为为了增强航班延误预测的可靠性,构建一种基于极端随机树的航班延误预测模型。首先,该模型结合美国航班数据和对应机场气象数据,通过递归特征消除和交叉验证算法进行特征选择,以识别出最相关的特征。其次,使用SMOTETomek算法对数据集进行平衡,以解决样本不平衡的问题。最后,使用极端随机树进行建模。将本文中的模型,与其它先进机器学习模型进行对比。结果表明,所提模型在各种预测指标中获得了更准确的预测结果。预测精度提升到了97%以上。

基于深度学习的直播弹幕情感多分类研究

在网络直播场景下为提高弹幕分析的准确性与高效客观性,文章提出了一种结合MacBERT预训练语言模型与BILSTM-CNN模型的弹幕情感多分类模型MacBERT-BILSTM-CNN,将情感按照乐、好、怒、愁、惊、恶和惧7种情感维度进行分类;同时考虑到颜文字和表情等情感符号所蕴含的内在信息对弹幕情感分析的影响,进行了颜文字和表情符号的替换。经过对比实验,MacBERT-BILSTM-CNN模型在相同数据集上的评价指标与CNN、BILSTM-CNN和MacBERT模型相比都有不同程度的提升,表明了该模型在弹幕情感多分类任务中具有更好的效果;替换情感符号后相比与原始数据集的评价指标有一定提高,证明了充分考虑情感符号蕴含的内在信息能提升弹幕情感倾向判断的准确性。

基于YOLOv8多分类模型的番茄病叶识别应用

针对七种常见的番茄病害,基于深度学习技术YOLOv8的多分类模型,探索了其在农业领域中的应用场景。通过对YOLOv8n-cls和YOLOv8x-cls两个预训练模型在番茄病叶数据集上的训练,对番茄病害叶片图像进行了识别与分类。研究结果表明,对晚疫病、黄化曲叶病、花叶病毒、健康叶片的预测精度高,误检率低;斑枯病、早疫病、叶霉病由于症状相似,识别准确率较低,容易混淆。未来,数据集数量的增加和多样性的提升将成为优化模型参数的主要研究方向,可为提高所有类别病害的召回率和识别精度,实现YOLO深度学习技术的高效应用提供有效参考。

基于多分类不均衡支持向量机的制造型企业财务管理研究

近年来,制造型企业在经营过程中面临的挑战日益增大。为帮助制造型企业探索科学合理的财务管理方法,更好地保障企业的健康经营和降低成本,论文首先利用哈夫曼树将多分类不均衡企业数据分解为一系列相对平衡的二分类子问题,接着以支持向量机为分类器构建模型,然后,采用算术优化算法进行模型参数寻优。结果表明,发展能力、经营能力、偿债能力对企业的财务状况影响较大。最后,论文基于结果对企业提出相关管理建议。

基于预测-校正原对偶内点法的多分类支持向量机学习算法

支持向量机基于统计学习理论,是一种新型通用的有监督的机器学习方法,其核心思想是使结构风险极小化,但是由于需要求解二次规划,使得它在求解大规模数据上具有一定的局限性,尤其是对于多分类问题,现有的支持向量机算法具有很高的复杂性.本文构造了基于线性规划的一对一三类结构支持向量分类器,可以直接利用比较成熟的线性规划算法——预测-校正原对偶内点法,并在此基础上提出了基于预测-校正原对偶内点法的支持向量机的多分类学习算法,这种算法可用于比较庞大的多类别识别问题,并且克服了标准支持向量机的一些缺点,而且模型简单,容易实现.针对UCI数据库上数据进行了实验,结果证实该算法具有较高的可行性和实用性.

二分类、多分类Logistic回归模型SAS程序实现的探讨

目的:探讨在SAS中使用多个不同的过程分析Logistic回归模型。方法:通过具体实例说明相应的SAS程序并解释。结果:Logistic、catmod与genmod过程都可以拟合Logistic回归模型。结论:每个过程有其各自的特点,在实际处理数据时要能正确使用它们。

一种动态的主动多分类方法

在面向大数据问题的应用领域中,由于现实世界的多样性和复杂性,经常会遇到大规模的多类别数据挖掘问题,传统的多分类方法一方面存在着超平面不平衡更新的问题,另一方面学习效率较低,对于复杂的多类别数据无法进行高效分类。针对这个问题,本文提出了一种改进的动态主动多分类(Dynamical active multiple classification,DYA)方法,该方法通过将死锁、激活等概念引入到主动多分类过程,在主动多分类过程中随着分类器的不断更新,动态地控制样本是否参与主动学习的过程;同时,采用分位计数、轮换学习方式的主动多分类方法,使得多类别的分类器能够得到平衡的学习和更新。实验结果表明,本文提出的动态主动多分类方法有效提高了模型的学习效率和泛化性能。

应用多分类多核学习支持向量机的变压器故障诊断方法

提出一种基于多分类多核学习支持向量机的变压器故障诊断方法,相对于传统的2分类支持向量机,该方法有如下特点:算法针对单一的优化目标函数求解,只需设计1组参数,降低了支持向量机在解决多类问题中模型构造和参数选择的难度;核函数是多个基核函数的组合,提高了分类的精度;将模型分解为2个凸优问题进行求解,问题的复杂度低,求解速度快。诊断实例表明,该方法能保证较高的诊断准确率,具有较好的实用性和推广性。

基于多分类相关向量机的水电机组振动故障诊断

水电机组振动故障成因与故障征兆之间呈复杂的非线性关系,传统方法难以描述。当前研究常采用模式识别方法,如支持向量机、神经网络等实现振动故障诊断。该文在现有研究基础上,引进相关向量机(relevance vector machine,RVM)对诊断过程进行改进。相比传统方法,该文所提方法在学习过程中参数设置简单,在输出结果时给出了分类的可靠性,适合实际工程应用。同时,该方法在决策过程中,能够根据训练数据分布情况,自动选取决策结构,进一步提高诊断的速度与准确性。将该文所提诊断方法用于水电机组振动故障诊断实例,取得良好效果,验证了算法的有效性。

基于粒子群算法的决策树SVM多分类方法研究

针对SVM多分类问题提出了一种基于粒子群算法的最优决策树SVM生成算法,以解决传统支持向量机多分类方法存在的不可分区域和误差积累现象。该方法利用自变异的PSO聚类算法在每一决策节点自动寻找最优或近优分类决策,将数据集划分为两类,直至叶子节点为止,最终根据最优决策树构建SVM多分类结构,训练各个节点SVM分类器。将该算法应用于图像人群密度分类问题,仿真实验表明,分类精度和分类时间得到明显改善,是一种有效地的多分类算法。

基于主成分分析和多分类相关向量机的GIS局部放电模式识别

GIS局部放电模式识别是其状态评估的重要部分,搭建了252k VGIS局部放电超高频检测仿真实验平台,模拟了4种典型的GIS局部放电模型,并通过试验建立了相应的超高频信号图谱数据库,然后根据信号特点提取了26个原始特征量;采用主成分分析法对特征空间进行降维处理,最终得到10个新的特征量,将原始特征量和降维后的特征量分别输入到多分类相关向量机(M-RVM)中进行分析,结果表明,以降维后的特征量作为输入量,其识别率要高于降维前的;并且采用BN、SVM和M-RVM三种分类器进行对比分析,结果表明,无论是采用原始特征参量还是降维后的参量作为输入量,M-RVM方法的识别率都是最高,其中降维后的识别率大于85%。