C-SVM在不同类别样本数目不均衡下的优化

在解决故障检测等分类问题时,若不同类别样本数目相差很大,C-SVM训练的分类错误总偏向于样本数较少的类别,因而影响了分类的精确性.为提高精确性,提出一种优化算法,在训练过程中针对不同类样本,采用不同的权值来优化训练过程,按正负类样本在总样本中所占的比例,加大样本数较少的类别权值,降低样本数较大的类别权值来实现两类样本间的均衡.实验结果表明,该方法对两类样本数目相差很大的问题有效.

基于NSCT、KFCM和多模型LS-SVM的红外小目标检测

为了进一步提高红外小目标的检测性能,针对图像序列中背景与小目标的特点,提出了一种基于非下采样Contourlet变换(nonsubsampled contourlet transform,NSCT)和核模糊C均值(kernel fuzzy C means,KFCM)聚类多模型最小二乘支持向量机(least squares support vector machine,LS-SVM)背景预测的检测方法。首先对红外小目标图像进行NSCT并去噪,提高图像的信噪比;然后通过基于核模糊C均值聚类的多模型LS-SVM预测去噪后红外图像中的背景,用去噪后的实际图像减去背景预测图像得到残差图像;接着提出基于递归最大类间绝对差的阈值选取算法分割残差图像;最后利用目标灰度的平稳性和运动轨迹的连续性进一步检测出真实的小目标。给出了实验结果与分析,并与现有的3种基于背景预测的小目标检测方法进行了比较。结果表明该方法具有更高的检测概率和信噪比增益。

基于改进FCM聚类的BT-SVM多类分类算法

针对二叉树支持向量机在多类分类问题上存在的不足,利用粒子群算法对模糊C均值聚类算法进行了改进,在此基础上,结合二叉树支持向量机,构建了偏二叉树多类分类算法。该方法在二叉树各节点处根据聚类中心所对应的样本构造学习样本集和最优分类超平面,保障了聚类精度,有效地提高了测试正确率。实验表明,本文提出BT-SVM多类分类算法的测试正确率要高于同类多类分类算法。

多准则赋权排序与C-SVM相结合的特征选择算法

数据挖掘中所获取的数据维数多,常常导致数据存储所需容量大,知识挖掘所需时间长,预测正确率不高等问题,特征选择是解决上述问题的重要方法之一。针对现有特征选择算法最佳特征个数难以确定及分类准确率有待进一步提高等问题,提出一种同时考虑相关性和冗余度的多准则赋权排序的算法(m CRC),m CRC结合两种准则同时对特征进行排序,并利用C-SVM对按重要性降序排好的特征采用顺序前向浮动搜索得出最佳特征子集。实验结果表明,m CRC算法与单独基于互信息或类别可分性赋权排序的特征选择方法相比能在更短的时间内获得分类性能更好的最佳特征子集,为快速并高效地对数据集进行挖掘提供了有力保障。

基于C-SVM的碎米检测算法研究

提出了一种基于支持向量机(C-SVM)区分整精米和碎米的方法,首先对大米图像进行阈值分割、平滑处理等图像预处理,并根据大米的粒形特点,提取米粒的面积、周长等6个形态特征,利用Orange Canvas数据挖掘软件对C-SVM中核函数参数进行预判,最终选择线性核函数的C-SVM作为分类器进行分类。对8组大米样本图像进行碎米测试,可达到较好的分类效果。试验结果表明,线性核函数的支持向量机对精整米与碎米识别分类准确率为95.6%。

基于ACCA-FCM和SVM-RFE的蓄电池SOH特征选择算法

由于铅酸蓄电池老化程度受诸多因素影响,且蓄电池老化实验受完全充放电时间和样本数量限制,使得基于小样本的具有代表性的特征集的选择在蓄电池健康状态(SOH)预测中显得尤为重要。因此在对蓄电池进行特性分析的基础上,提出基于无监督的ACCA-FCM和有监督的SVM-RFE相结合的蓄电池SOH特征选择算法。该算法利用改进的蚁群聚类算法(ACCA)从全局特征集中选取有效的特征值聚类中心,克服模糊C均值聚类算法(FCM)聚类中心敏感和局部最优问题,并根据特征之间相关性排除冗余特征;再通过SVM-RFE特征排序算法剔除非关键干扰(低预测性)特征,最终得到与待测结果最大相关最小冗余的低维特征子集,且在保证精度的前提下,避开了完全放电过程。经基于支持向量机(SVM)的蓄电池SOH预测模型验证,放电初期特征构成的最优特征子集可准确预测铅酸蓄电池的健康状态。

基于PCA和C-SVM的涡轮部件故障诊断

针对某型三轴燃气轮机高、低压涡轮部件容易出现的8种故障,提出一种基于PCA(主成分分析)与C-SVM(C-支持向量机)相结合的涡轮部件故障诊断模型。采用主成分分析方法对表征涡轮部件故障模式的测量参数进行特征提取,选择对故障模式影响最大的若干主成分作为C-SVM的输入样本,进而对高、低压涡轮部件故障进行诊断。通过实验表明,即使在较少样本的情况下,应用PCA与C-SVM相结合仍能取得较好效果。

基于AFCM-SVM的滚动轴承退化状态评估与剩余寿命预测

针对支持向量机模型状态数需要人为设定的不足,提出了一种基于自适应模糊C均值-支持向量机(AFCM-SVM)的滚动轴承退化状态评估与剩余寿命预测方法。该算法采用相对特征建立敏感特征数据集,利用聚类评价指标构造自适应函数,实现了模型聚类结果的自动更新,获得了轴承运行过程中的最佳状态数;基于AFCM-SVM模型与各个运行状态的一一对应关系,确定轴承在不同退化状态下的时间间隔,实现轴承的健康等级评估与寿命预测。根据美国NSFI/UCR智能维护中心提供的滚动轴承全寿命数据对所提算法进行了验证。结果表明,不受轴承个体差异的影响,AFCM-SVM能有效实现自动聚类,识别结果符合轴承退化演变规律;与分层狄利克雷(HDP)和K-means算法相比,AFCM-SVM具有更快的运算速度和更准确的辨识能力。

基于C-SVM分类器对影响乘客选择出行方式的模型建立与求解

随着我国铁路技术的高速发展,高速铁路的里程已经超过20000 km,高速铁路可以减少人们出行时间以及增加乘客乘车舒适度等优势。因此,越来越多的人选择高速铁路出行。对于大学生而言,铁路运输是假期回家不可缺少的交通方式,选择乘高铁回家的学生越来越多。但由于种种因素,还是会有学生选择乘普通火车回家。考虑到影响学生搭乘高铁和普通火车的因素较复杂并有较大的研究空间,故文章将对此进行分析,并且判别其内在逻辑和数据结构的相关性。通过建立二分类器,对乘客选择乘坐高铁还是火车进行分类和预测。

基于C-SVM的期货订单簿量化择时交易策略研究

文章利用机器学习支持向量机算法中的C-SVM模型来对期货进行择时,构建基于C-SVM的期货订单簿择时交易策略模型,以上海黄金期货主力合约订单簿数据,引入交易止损机制进行回测评价,通过与实际真实交易信号对比,可以发现基于该模型预测的择时交易信号准确率较高,从而验证基于C-SVM的期货订单簿量化择时交易策略是有效的,可以辅助决策期货交易,选择合适时机进行期货合约买卖盈利。

C-SVM动态仿真模型下的光伏建筑一体化板块投资策略研究

目前,光伏建筑一体化板块作为新兴板块,对板块指数发展趋势做出预测,了解板块相应行业未来的发展趋势。文章基于C-SVM动静态仿真等多种模型选择最佳投资方案。文章首先利用多元非线性回归分析计算股票的未来走势,对36家公司进行排序,初步确定风险大小,其次通过C-SVM静态仿真获得买卖信号,进一步利用具备止损测试机构的C-SVM动态仿真模型得出最佳的投资方案。仿真结果显示最终得到年获利率为10.03%。

基于二维Gabor小波与AR-LGC的人脸特征提取算法研究

针对Gabor小波提取的特征信息不够全面以及维数灾难问题,提出了一种基于二维Gabor小波与AR-LGC人脸特征提取的改进算法。首先利用二维Gabor小波提取归一化人脸图像的特征信息,使用AR-LGC算子对提取的Gabor特征进行编码;然后对编码后的Gabor特征图谱进行划分,对每个子块进行直方图统计,将其串联形成人脸表情特征向量并利用PCA进行数据压缩,最后利用C-SVM进行分类识别。实验结果表明,平均识别率为93.33%的比AR-LGC+SVM,Gabor+PCA+SVM提取特征算法的平均识别率分别高6.19%,3.33%。因此所提出的算法在人脸图像的特征信息提取方面有一定的参考价值。

基于改进的C-支持向量机的手写体数字高识别率方法研究

手写体数字的识别在社会经济、社会生活的许多方面都有着广泛的应用。同时支持向量机是近几年来模式识别领域中的一种新技术,它被广泛应用到文字识别、人脸识别等应用中。为此将支持向量机技术应用到手写体数字的识别中,通过使用改进的C-支持向量机进行手写体数字的识别,并得出相应的识别率,结果表明此方法可行且有较高的识别率。

基于C-支持向量机的教室投影阅读舒适度评价

幻灯片投影教学已成为我国高校及中小学校的主要授课模式,其投影质量容易受到环境光的干扰。通过教室模拟空间中的主观评价实验,建立了一种基于C-支持向量机(C-supportvectormachine,C-SVM)算法的教室照明环境下投影阅读舒适度评价模型。模型评价结果表明,该模型对于投影阅读舒适度的识别具有很高的预测准确率,并通过模型的可视化结果探讨了其对于教室光环境设计的实际应用价值。

基于聚类动态LS-SVM的L-赖氨酸发酵过程软测量方法

针对生化反应过程中软测量模型存在的模型失效问题,提出了一种基于模糊C均值聚类(FCM)和动态LS-SVM的混合建模方法。首先,采用FCM算法将训练集分成具有不同聚类中心的子集,然后对每一类分别采用LS-SVM进行训练并建立子模型。对于带有新信息的样本数据首先计算其对每一类的模糊隶属度函数,然后用隶属度最大的一类所对应的子模型进行动态学习,并更新子模型。将所提出的软测量建模方法用于对L-赖氨酸发酵过程关键生物量参数的预测,实验结果表明所提出的建模方法可以有效地增强软测量模型适应工况变化的能力,提高其预测精度。

粒子群优化的KFCM及SVM诊断模型在断路器故障诊断中的应用

为了利用相对较少的故障数据样本对断路器主要故障类型进行较为准确的在线判断,提出了一种基于融合粒子群的模糊核聚类(particle swarm fused kernel fuzzy C-means,P-KFCM)与支持向量机(support vector machine,SVM)的故障诊断方法。通过对断路器分合闸电流信号的分析,找出与断路器主要故障类型相对应的特征量;据此对采样信号进行处理,建立故障特征样本空间;利用P-KFCM算法对故障训练样本进行预分类,并以此为基础建立多SVM故障预测模型。P-KFCM算法将粒子群(particle swarm optimization,PSO)的全局搜索能力融入KFCM中,有效的解决了局部最优问题,在一定程度上提升了诊断结果的可靠性。实验结果表明,该方法在诊断断路器主要机械故障方面能够取得较好的效果。

一种基于学习的高维数据c-近似最近邻查询算法

针对高维数据近似最近邻查询,在过滤-验证框架下提出了一种基于学习的数据相关的c-近似最近邻查询算法.证明了数据经过随机投影之后,满足语义哈希技术所需的熵最大化准则.把经过随机投影的二进制数据作为数据的类标号,训练一组分类器用来预测查询的类标号.在此基础上计算查询与数据集中数据对象的海明距离.最后,在过滤后的候选数据集上计算查询的最近邻.与现有方法相比,该方法对空间需求更小,编码长度更短,效率更高.模拟数据集和真实数据集上的实验结果表明,该方法不仅能够提高查询效率,而且方便调控在查询质量和查询处理时间方面的平衡问题.

支持向量机中遗传模糊C-均值的样本预选取方法

提出了在支持向量机(support vector machine,SVM)方法中采用遗传模糊C均值(FCM)进行样本预选取的方法,旨在保留最优分类超平面附近的样本点,去除远处样本点,使训练样本集减小,消除冗余,从而减小所需内存。并以航空影像中的居民地为例进行分析,结果表明,按比例减少样本集后的分割结果与用原样本集的基本一样。

改进的快速FCM及SVM实现糖网白色病灶的自动检测

为构建基于眼底图像的糖尿病视网膜病变(糖网)自动筛查系统,提出一种基于改进的快速FCM(IFFCM)及SVM的糖网白色病灶自动检测算法。首先,利用改进的快速FCM算法,对彩色眼底图像进行粗分割获取糖网白色病灶候选区域,由于该算法将中值滤波添加到FCM算法的准则函数中,同时利用K-means算法的聚类结果对FCM进行聚类中心初始化,使得该算法克服了传统FCM算法计算复杂度高以及对噪声敏感的缺点;其次,采用两层级联分类结构的SVM对候选区域进行分类,即先利用SVM根据候选区域的特征集将白色病灶提取出来,再利用SVM根据另外的特征集将白色病灶中的硬性渗出与棉绒斑区分开,从而实现眼底图像中糖网白色病灶的自动检测。利用该方法对65幅眼底图像进行糖网白色病灶的自动检测,得到图像水平灵敏度100%,特异性95.0%,准确率98.46%;病灶区域水平(硬性渗出/棉绒斑)灵敏度96.42%/97.15%,阳性预测值90.03%/91.18%;平均一幅图像处理时间35.56 s。结果表明:将改进的快速FCM算法所提供的良好粗分割结果与识别率较高的分类器SVM相结合,使得对糖网白色病灶的自动检测结果较优,即该算法能够高效地自动检测出眼底图像中的糖网白色病灶。

二次VMD筛选-MPE和FCM相结合的故障诊断方法

针对单向阀振动信号含有背景噪声,故障特征提取困难和诊断精度不高的问题,提出了二次变分模态分解(二次VMD)、多尺度排列熵(MPE)和模糊C均值聚类(FCM)相结合的故障诊断方法。首先,通过二次VMD对振动信号进行分解,再使用双阈值法筛选得到有用的本征模态函数(IMF)。其次,提取重构信号中具有敏感特性的MPE特征。最后,将故障特征输入至FCM得到聚类中心,并根据海明贴近度对待识别样本进行分类。通过多组对比实验,结果表明二次VMD筛选能有效去除噪声及虚假成分,MPE具有更好的敏感故障特征表征能力。同时,使用FCM对模糊特征进行聚类能够取得比传统支持向量机(SVM)更好的效果。