基于FSVMs的雷达辐射源信号分类识别

利用核函数主分量分析(KPCA)提取雷达辐射源信号时频分布图像的特征矢量。为解决多分类问题中的不可分情况,引入基于模糊C均值聚类的模糊支持向量机。实验表明,该方法对辐射源信号的识别率高于传统的分类方法。

基于FSVM算法的多模态情感数据自动采集方法

多模态情感数据采集过程中,容易出现数据自动采集结果冗余度较高的问题。因此,提出一种基于FSVM算法的多模态情感数据自动采集方法。获取不同情感状态下语音信号和脑电信号,提取多模态情感数据特征,再进行特征融合。采用FSVM算法设计数据识别算法,在数据样本隶属度赋予过程中准确避开噪声点或野值点,完成多模态情感数据的准确分类。最后,在FPGA芯片的作用下完成数据自动采集。实验结果表明:相较对比方法,所提方法的多模态情感数据采集结果的平均冗余度低。

Quantum Fuzzy Support Vector Machine for Binary Classification

In the objective world,how to deal with the complexity and uncertainty of big data efficiently and accurately has become the premise and key to machine learning.Fuzzy support vector machine(FSVM)not only deals with the classifi-cation problems for training samples with fuzzy information,but also assigns a fuzzy membership degree to each training sample,allowing different training samples to contribute differently in predicting an optimal hyperplane to separate two classes with maximum margin,reducing the effect of outliers and noise,Quantum computing has super parallel computing capabilities and holds the pro-mise of faster algorithmic processing of data.However,FSVM and quantum com-puting are incapable of dealing with the complexity and uncertainty of big data in an efficient and accurate manner.This paper research and propose an efficient and accurate quantum fuzzy support vector machine(QFSVM)algorithm based on the fact that quantum computing can efficiently process large amounts of data and FSVM is easy to deal with the complexity and uncertainty problems.The central idea of the proposed algorithm is to use the quantum algorithm for solving linear systems of equations(HHL algorithm)and the least-squares method to solve the quadratic programming problem in the FSVM.The proposed algorithm can deter-mine whether a sample belongs to the positive or negative class while also achiev-ing a good generalization performance.Furthermore,this paper applies QFSVM to handwritten character recognition and demonstrates that QFSVM can be run on quantum computers,and achieve accurate classification of handwritten characters.When compared to FSVM,QFSVM’s computational complexity decreases expo-nentially with the number of training samples.

基于SHAP值的类重叠识别方法对FSVM的改进

在分类问题中,类重叠现象会大大影响分类模型的效果,针对类重叠样本的识别问题,提出了一种基于SHAP值的类重叠识别新方法,基于SHAP值构造出样本在所属类中的分类作用能力隶属属性,对类间重叠样本进行有效识别,然后利用仿真实验验证了基于SHAP的类重叠识别方法的适用性;将样本的分类作用能力归一化后构造出样本隶属度度量,并将该隶属度应用于模糊支持向量机(Fuzzy Support Vector Machine,FSVM)算法后得到FSVM_SHAP模型,通过在多个经典二分类数据集上实验得到了较好的效果,体现了该模型的有效性.

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景。

基于2DLDA与FSVM的人耳识别

针对人耳图像特征提取和识别方面存在的问题,提出一种将二维线性鉴别分析(2DLDA)和模糊支持向量机(FSVM)相结合的人耳图像识别方法。利用2DLDA将人耳图像直接投影,提取的人耳特征,可以保留人耳图像样本的大量类内和类间信息。同时,FSVM在支持向量机(SVM)的基础上引入隶属度参数,更加适合多类问题。实验结果表明,该方法与2DLDA相比具有更高的识别率。

FSVM在图像低层特征与高层语义关联中的应用

基于内容的图像检索中,针对图像的低层可视特征与高层语义特征之间的鸿沟,提出了一种新的基于模糊支持向量机(FSVM)的语义关联方法.重点分析了支持向量机语义关联中存在的误分、拒分现象,在传统支持向量机中引入模糊隶属度函数,解决了不可分区域问题.通过对图像低层特征的分析,提取了颜色和形状特征向量(221维),将它们作为模糊支持向量机的输入向量,对图像类进行学习,建立图像低层特征与高层语义的关联.并应用于鸟类、花卉、海洋以及建筑物等几个典型的语义类别检索,实验结果表明,该方法可适应于不同用户的图像检索,在相同的条件下可以达到比支持向量机方法更为理想的语义关联效果,提高了检索性能.

基于改进FSVM的数据挖掘分类算法

针对模糊支持向量机(FSVM)应用于数据挖掘分类中存在对大样本集训练速度慢以及对噪声点敏感影响分类正确率的问题,提出一种基于改进FSVM的数据挖掘分类算法.该算法首先预选有效的候选支持向量,减小训练样本数目,提高训练速度;其次定义一种新的隶属度函数,增强支持向量对构建模糊支持向量机的作用;最后将近邻样本密度应用于隶属度函数设计,降低噪声点或野值点对分类的影响提高分类正确率.实验结果表明,该算法在训练样本数目较大时训练速度和分类正确率都有提高.

模糊支持向量机在径流预测中的应用

在分析现有径流预测模型局限性的基础上,考虑径流量随时间变化的不确定因素,建立了基于模糊支持向量机的径流预测模型,使得较近时间的径流数据与较远时间的径流数据相比,对预测精度的提高影响更大.将该模型应用于新疆伊犁河雅马渡站年径流预测中,与传统的支持向量机预测模型比较表明,模糊支持向量机预测精度有较大的提高,并能进一步在其他流域径流预测中推广应用.

模糊支持向量机和变化矢量分析相结合的矿区土地覆盖变化检测

针对目前土地覆盖变化检测常用的方法存在不同程度的误差累积,夸大了变化区域,提出模糊支持向量机(FSVM)和变化矢量分析(CVA)相结合的土地覆盖检测方法。以某矿区2004年和2008年两期的CBERS遥感影像进行了试验。结果表明,植被大幅减少,其他地类都有不同程度的增加,主要是由于开采规模和产量提升所致。通过与常规的其他两类方法比较发现,本文方法的总体精度、Kappa系数、漏检误差和虚检误差分别为92.67%、0.892 7%、5.79%、7.31%,比其他两种方法有较大提高,能够提供较全面的变化类别和准确信息,可以有效地应用于矿区土地覆盖动态监测。

FSVM在有限集脱机手写体汉字识别中的应用

模糊支持向量机方法解决了多类支持向量机方法中的不可分区域问题。将模糊支持向量机方法引入到有限集脱机手写体汉字识别中，并以同济大学成绩自动识别系统为背景进行了一系列实验，结果表明在相同的条件下可以达到比支持向量机方法更为理想的识别效果。

基于组合隶属度FSVM的图像边缘检测

文中提出了一种新的边缘检测方法———基于组合隶属度模糊支持向量机(FSVM)的图像边缘检测。通过对这种新的FSVM分类算法建立边缘检测的模型对加入椒盐噪声状态的图像进行边缘检测的实验。仿真实验结果表明,新的算法稳定性高,抗噪性能好,具有更好的检测效果。

基于聚类FSVM的小电流接地系统馈线故障定位系统

提出小电流接地系统实现单相接地故障定位的新方法。该方法应用基于聚类的FSVM和电流注入法分两步实现故障定位。首先阐述了模糊支持向量机(FSVM)的原理,应用分级聚类和决策树思想在两类支持向量机的基础上构造基于聚类的多类FSVM实现故障选线。接着应用电流注入法对故障线路进行定位。

基于类中心和密切度的L-2范数FSVM

支持向量机(SVM)是解决回归问题的一种有效的方法,但传统的支持向量机对样本中的噪声和孤立点非常敏感。为了克服这个问题,文中提出了一种基于类中心和密切度的L-2范数模糊支持向量机(L-2范数FSVM),即模糊隶属度的建立不仅根据样本到类中心的距离,而且根据样本点和其目标点之间的密切度。仿真实验结果显示了该方法有效地减少了噪声的影响,改进了回归的精度,增强了推广能力。

A Multiple Model Approach to Modeling Based on Fuzzy Support Vector Machines

A new multiple models(MM) approach was proposed to model complex industrial process by using Fuzzy Support Vector Machines(F -SVMs). By applying the proposed approach to a pH neutralization titration experiment, F -SVMs MM not only provides satisfactory approximation and generalization property, but also achieves superior performance to USOCPN multiple modeling method and single modeling method based on standard SVMs.

基于预分类的FSVM

模糊支持向量机(fuzzy support vector machine,FSVM)通过为每个样例设置模糊化训练参数,达到抑制离群点及噪声数据对分类器不利影响的目的。提出了基于预分类的FSVM,每个样例的模糊权重通过关联于该样例的预分类面来确定。该方法不仅考虑了各个样例在未来分类中的作用效果,还考虑了分类器对离群点及噪声数据的敏感性。这样确定的模糊权重能使SVM根据离群点及噪声数据的影响情况决定抑制强度,减少或避免无视数据具体特征的盲目抑制。在IDA、UCI等标准数据集上的实验验证了所提方法的合理性和有效性。

基于K均值聚类及模糊支持向量机的海洋灾害风险预警方法

我国是世界上海洋灾害最严重、最频发的少数国家之一,本文构建基于K均值聚类及FSVM的海洋灾害风险预警方法,有效解决海洋灾害数据具有不确定性、模糊性及带有扰动信息等问题,从而大大提高海洋灾害预警的准确性,为预测和评价海洋灾害提供更科学的方法,对海洋经济可持续发展有重大意义。实验证明,本文的模型对海洋灾害风险预警具有较高的精确度。

基于FSVM的图像多类分类方法

图像多类分类问题一直是语义图像检索的一个难点问题,目前常采用的Support Vector Ma-chine(SVM)多类分类方法会存在分类盲区,严重影响了图像的分类准确率,将Fuzzy Support VectorMachine(FSVM)理论引入到SVM多类分类器常用的两种分类策略中去,分别构成一对一FSVM(1-v-1 FSVM)和一对多FSVM(1-v-r FSVM),文中详细对比了两种方法的分类准确率及分类速度,最终实验证明1-v-1 FSVM方法提高了图像多类分类的准确率,同时也比1-v-r FSVM方法更具优越性。

一种结合Vague集的模糊支持向量机研究

为了解决传统支持向量机对噪声或野值敏感的问题,模糊支持向量机给出一种解决办法,就是区别对待训练样本,为每一个数据点分配不同的权重,使其在分类模型训练过程中起不同的作用.以期获取更加合理的分类超平面,使得分类模型具有更好的泛化能力.Vague隶属度的计算是该算法实现的关键步骤之一,文中给出一种基于模糊C-均值聚类方法的Vague隶属度计算的方法,可以生成训练样本的真、假隶属度.实验结果表明,该算法具有更好的抗噪性能及分类能力.

深度网络与FSVM集成学习的卫星云图云分类

准确的云分类模型对气象监测有重要的意义,传统机器学习云分类模型依赖手工特征提取,容易受噪声数据影响,模型泛化能力较差。深度网络分类模型能自动学习图像深度特征,但是对于图像边缘与细节分类效果不佳。本文针对上述问题进行研究。首先提取Himawari-8卫星云图光谱特征、纹理特征用以训练模糊支持向量机(Fuzzy Support Vector Machine,FSVM)模型;同时利用不同通道云图训练深度网络,学习云图深度特征;最后,根据不同模型特性,训练元分类器对各模型输出进行融合,设计了一种基于深度网络与FSVM集成学习的云分类方法,该方法综合不同模型优势,利用不同模型间的互补性提高云分类结果的鲁棒性和可信度。相比单独使用FSVM或深度网络的分类模型,本文集成学习方法在众多评价指标中有更好的表现,平均命中率、平均误报率和平均临界成功指数分别达到0.9245、0.0796、0.8581;与其它云分类模型相比,本文方法也有更好的分类效果;在具体案例测试中也发现,该方法对于不同云类混合区有更高的识别精度,而且能更加准确的识别云团边缘及细节。本文模型能够满足云分类模型稳定可靠、高精度、泛化性能强的要求。