考虑全过程优化的支持向量机预测方法

针对支持向量机(support vector machine,SVM)预测过程中影响因素选择、输入特征集优化、核函数选择及参数优化方面存在的问题,提出了一种全过程优化方法。首先使用频繁模式增长关联规则分析和模糊贝叶斯网络组合模型来解决影响因素选择中存在的主观性问题,然后使用在异常值处理和类内距离与类间距离方面进行改进的模糊C均值聚类算法优化输入特征集,减小支持向量机预测模型冗余度及训练样本集过修正度,通过比较各核函数的特点选择径向基核函数作为SVC的核函数,改进了粒子群优化算法中微粒速度和位置函数及惯性权重值算法,使用该方法优化SVM参数并建立预测模型。最后,通过案例运算和分析,证明该文方法具有更高的预测精度。

基于关联规则的语音情感中韵律特征抽取算法研究

近年来,情感计算一直是学术界研究的热点问题。语音情感识别作为情感计算的重要研究且涉及到人工智能、模式识别、机器学习等多个领域。针对语音情感识别中特征挖掘的复杂性,利用关联规则挖掘算法对语音特征中的韵律特征与所包含情感之间的关联关系进行研究。主要进行如下工作:(1)针对语音情感的特点,给出了情感频繁项集的概念;(2)提出基于关联规则的语音情感中韵律特征抽取算法(PFEA_AR);(3)在汉语情感数据集上进行相关实验,取得了85%的识别率,比fisher准则判别法的精度提高了10%。实验结果表明,通过关联规则算法所抽取的特征在降低维度的同时还能够有效提高情感分类精度,从而验证了新算法所抽取特征的有效性。

基于支持向量机的虹膜图像实时预评估算法

实际的虹膜识别系统会遇到因为各种原因产生的不同类型的坏样本图像,如果它们进入系统的识别进程,常常会增加系统的注册失败率,也会导致定位或者识别的错误。而现有的图像质量评估方法是在完成虹膜定位或者粗定位之后,根据虹膜部分的清晰度和分辨率来判定是否为坏样本。因此实际上只能处理部分类型的坏样本,而且计算耗费大。详细分析了坏样本产生的原因和特点,提出了一种基于支持向量机联合评估网络的实时预评估方法,在定位或粗定位开始之前,检测暂时存储的样本图像,根据预评估网络的输出结果来决定是进入下一步处理还是重新采集。结果表明,该方法可以检测出大部分类型的坏样本,检测速度快,而且检测的错误率相当低,能够满足实时虹膜识别系统的评估实时性和准确性的要求。

基于机器学习的针灸相关疾病、基因、药物新关联挖掘

目的:挖掘针灸相关疾病、基因和药物间的新关联。方法:提出一种基于SVM的机器学习算法,结合词典识别疾病、基因和药物实体并挖掘三者之间的关联,构建针灸相关疾病、基因和药物关联网络。结果:识别出针灸相关的296种疾病、51种基因和278种药物,并在27种疾病、13种基因和135种药物之间挖掘出704种关联,构建3个关联网络,发现了262种新关联。结论:针灸相关疾病-基因-药物之间存在大量程度不一的关联,为针灸精准医疗提供了新的研究思路。