PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用。探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能。

基于多特征融合及PSVM的车辆检测研究

针对传统单目视觉车辆检测系统准确度及实时性方面研究的不足,提出一种融合多特征的单目视觉车辆检测方法。在车辆假设阶段,结合车辆底部阴影、水平边缘、竖直边缘等多特征融合来产生车辆感兴趣区域,从而产生车辆假设目标;在车辆确认阶段,通过垂直梯度直方图来提取车辆竖直边缘特征,运用于最邻近支持向量机训练器的训练。最后,通过训练好的最邻近支持向量机训练器来对车辆假设进行进一步的确认,从而排除虚假目标。实验结果表明,上述车辆在车辆检测时准确度很高且实时性较好。

用于处理不平衡样本的改进近似支持向量机新算法

近似支持向量机(PSVM)在处理不平衡样本时,会过拟合样本点数较多的一类,低估样本点数较少的类的错分误差,从而导致整体样本的分类准确率下降。针对该问题,提出一种用于处理不平衡样本的改进的PSVM新算法。新算法不仅给正、负类样本赋予不同的惩罚因子,而且在约束条件中新增参数,使得分类面更具灵活性。该算法先对训练集训练获得最优参数,然后再对测试集进行训练获得分类超平面,最后输出分类结果。UCI数据库中9组数据集的实验结果表明:新算法提高了样本的分类准确率,在线性的情况下平均提高了2.19个百分点,在非线性的情况下平均提高了3.14个百分点,有效地提高了模型的泛化能力。

基于小波去噪核主元分析和邻近支持向量机的性能监控和故障诊断

针对化工过程数据中包含噪声和强非线性的特点,提出了基于小波去噪核主元分析(De-noised Kernel Principal Component Analysis,DKPCA)和邻近支持向量机(Proximal Support Vector Machine,PSVM)的性能监控和故障诊断新方法.将样本数据用小波方法进行去噪处理,去除数据所包含的噪声,通过KPCA将降噪后的数据进行变换,在特征空间里构建T2和Q统计量来监测是否有故障发生;若发生故障,则计算数据的非线性主元得分向量,并将其作为PSVM的输入值,通过PSVM分类来确定故障的具体类型.流化催化裂化装置(FCCU)仿真试验验证了小波去噪的必要性和利用DKPCA-PSVM进行监控和故障诊断的有效性.

基于支持向量机粒化的证券指数预测

为分析股票价格指数变化,文中提出一种采用近似支持向量机(PSVM)将金融时间序列数据进行模糊信息粒化的方法,并用此方法对上证指数数据进行回归分析预测。其实现过程是以2008年到2013年的上证综指数据建立抛物型模糊粒子,运用近似支持向量机原理,采用交叉验证的方法对相关参数进行寻优,用优化参数对时间序列进行训练,并回归预测模糊粒子的三个参数来确定上证综指的走势变化。对于非线性难预测的股票指数,实验分析比较了实际数据与预测数据,证明具有较好的预测效果。

基于模糊加权近似支持向量机的Web文本分类

Web文本分类是数据挖掘领域的研究热点。针对Web文本数据集高维和不平衡的特点,将模糊隶属度和平衡因子引入近似支持向量机,提出模糊加权近似支持向量机。首先计算样本的平均密度,并结合样本数量求得平衡因子,克服传统加权算法仅以样本数为依据设置权值的缺陷,缓解数据不平衡造成的分类超平面偏移;再计算样本的模糊隶属度,消除噪声和奇异点造成的分类误差;近似支持向量机相比标准支持向量机具有明显的速度优势,更加适用于高维数据分类。实验表明,算法能有效提高不平衡数据的分类精度,在Web文本的训练速度和分类质量上有一定提高。

优化样本分布的最接近支持向量机

当两类样本分布存在差异时,最接近支持向量机(Proximal Support Vector Machine,PSVM)等最小二乘类分类器分类结果将出现偏差,不能实现最小错误率分类.本文在分析PSVM等价广义特征值分解模型基础上,提出了一种改善原PSVM分类决策面的优化样本分布PSVM,其基本思想是通过引入最大化正确分类样本距决策面距离,同时最小化错误分类样本距决策面距离的优化样本分布正则化项,构造优化样本分布PSVM的广义特征值分解模型.通过人工数据集和UCI数据集的10个数据子集上的对比实验,验证了该改进分类模型能够有效调整决策边界,从而获得更好的分类效果.

用临近支持向量机预测熔喷非织造布的性能

用临近支持向量机(PSVM)建立了熔喷非织造布热空气温度、接收矩离、挤出量等3个工艺参数与过滤效率和透气量两大性能之间的关系预测模型,并用每组条件下两大性能的平均值对模型进行了验证.结果表明:过滤效率和透气量预测的拟合误差分别为0.122和38.49,而预测值与实测平均值之间的相关系数R都接近于1.经对比认为,PSVM的拟合效果非常理想.在此基础上通过计算机模拟方法得到最优工艺参数为:过滤效率最优工艺条件为温度270℃,DCD 15～19 cm,定量100 g/m2;透气量最优工艺条件为温度270～300℃,DCD 20 cm,定量160 g/m2.

基于加权近似支持向量机的文本分类研究

文本分类能够很好地帮助用户整理、获取信息,在提高信息检索的速度和准确率方面显得意义重大,具有很重要的研究价值。针对以往的近似支持向量机没有考虑不均衡数据的情况,提出了通过对每个训练错误赋予一个权值来改进近似支持向量机,并给出了一种简单的参数估计方法。实验结果表明,基于加权近似支持向量机的分类算法在处理不均衡数据时,样本数少的类别分类精度得到提高,性能表现良好。

用于非平衡样本分类的近似支持向量机

针对标准的近似支持向量机(PSVM)没有考虑样本分布不平衡的问题,提出一种改进的 PSVM 算法(MPSVM).根据训练样本数量的不平衡对正负样本集分别分配不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变更为一个对角阵.最后推导出线性和非线性 MPSVM 的决策函数,并将其与 PSVM、非平衡的 SVM 的运算机理和性能进行比较.实验结果表明,MPSVM 的性能优于 PSVM,与非平衡 SVM 方法相比效率更高.