Twin-SVM和Twin-KSVC标志物检测与分类方法

针对交通标志中禁令标志和指示标志的检测和分类难题,提出一种基于Twin-SVM和Twin-KSVC的交通标志检测与分类方法。对交通标志图像的红色、蓝色和亮度3个通道进行光照归一化处理;在这3个通道上提取Haar-like特征,构建特征向量;采用Twin-SVM方法进行交通标志检测过程的特征训练与验证,采用Twin-KSVC方法进行交通标志分类过程的特征训练与验证。实验采用实测数据对算法进行测试与评价,实验结果表明,该方法可以有效地检测和识别常见的20类禁令和指示交通标志。

基于Twin-SVM的多分形金融市场风险的智能预警研究

本文以沪深300指数(CSI300)长达11年的5分钟高频交易数据为研究样本,首先提出一种基于多分形特征的金融市场正常状态与关注状态的界定方法,并引入新型的支持向量机(SVM)人工智能模型,即孪生SVM(Twin-SVM)模型对多分形特征下的金融市场风险展开预警研究。实证结果表明:(1)我国新兴金融市场的价格波动具有显著的多分形特征;(2)基于多分形特征参数界定的正常与关注状态不仅准确,而且也具有明显的统计检验意义和明确的现实意义;(3)与传统SVM和BP神经网络(NN)相比,Twin-SVM不仅在预测精度上显著更高,而且在预测稳定性上也明显更优,即Twin-SVM能够有效地解决其他预警模型存在的非对称样本问题。

基于图像处理和机器学习的纽扣电池外观缺陷分类方法

针对纽扣电池生产过程中出现的划痕、脏污、凹陷、飞边等外观缺陷,提出基于数字图像处理方法,结合机器学习的方法实现外观缺陷特征的分类。不同的缺陷特征提取难易度不同,针对负极缺陷样本,提取Hog特征数据后经SVM分类算法实现外观缺陷分类。使用卷积神经网络分类模型对正极缺陷进行特征的提取和分类,通过多个经典的分类模型进行对比实验。而缺陷类型中少样本的飞边缺陷则使用了求解极坐标变换后的斜率和孪生神经网络的方法实现识别,在不扩增数据的情况下,达到了较好的分类效果。

基于数字孪生的车间扰动判别与重调度研究

针对车间生产过程中扰动事件频发、扰动影响程度难以判别以及现有重调度方案应用不理想等问题,提出一种基于数字孪生的车间重调度方法,建立了扰动分层判别机制,分别采用数字孪生虚拟模型与支持向量机(Support Vector Machine,SVM)分类决策模型识别显性与隐性扰动,为重调度触发提供决策;通过算法与数字孪生虚拟模型协同优化,得到兼具效率和稳定性的重调度方案。以某大型机械制造工厂为例,仿真实验结果表明,建立的扰动分层判别机制能对车间扰动类型进行有效判别,通过数字孪生虚拟模型仿真输出性能指标能够判定显性扰动,SVM分类决策模型对于隐性扰动的识别具有较高的准确率;基于数字孪生的车间重调度方案可得到效率较高、工序变动成本较低的重调度方案,提高了车间的生产性能。

创业板上市公司财务危机的识别与预警

以我国创业板上市公司为研究对象,针对公司不同财务状况构成的非均衡样本特性,运用Twin-SVM来构建财务危机预警模型。实证结果表明:在Twin-SVM模型的构建过程中,RBF核函数展示出比Linear、Polynomial、Sigmoid、Wavelet核函数更为优异的预测性能;与改进的ODR-ADASYNSVM、BP神经网络、Bayes分类法和K近邻法相比,Twin-SVM不仅在预测精度上高于其他模型,而且在预测稳健性上也显著更为优越,在制造业与信息传输、软件和信息技术服务业两个分行业的泛化性能也显著优越于其余模型。

轴承故障稀疏编码特征提取与多分类SVM识别

为了准确识别滚动轴承故障状态,提出了基于稀疏编码器的自动特征提取方法和基于投票法多分类孪生支持向量机的故障类型识别方法。稀疏自动编码器通过对输入信号编码过程,自动学习隐藏在输入信号中的特征量,无需任何先验知识和专家经验。将投票法与孪生支持向量机相结合,提出了投票法多分类孪生支持向量机的故障模式识别方法,既发挥了投票法"民主决策精度高"的优势,同时具有孪生支持向量机训练速度快的优点。挑选了凯斯西储大学在10类故障状态下的实验数据进行验证,投票法多分类孪生支持向量机故障识别精度为99.40%,而使用神经网络故障识别精度为95.61%,比多分类孪生支持向量机降低了3.96%;投票法多分类孪生支持向量机训练时间为34.79s,而神经网络训练时间为89.76s,是多分类支持向量机的2倍以上。实验证明了投票法多分类支持向量机具有极高的故障识别精度和较少的训练时间。

K均值聚类和孪生支持向量机相结合的高光谱图像半监督分类

为解决高光谱数据维度高、波段之间相关性强、获取大量监督信息费时费力的问题,对高光谱图像的分类进行研究。半监督分类方法是基于传统的机器学习的一种分类方法,它可以利用少量带标签的监督信息和大量无监督信息解决获取大量监督信息问题。将分类精度高、分类时间长的孪生支持向量机分类方法与迭代速度快、收敛速度快的的K均值聚类方法结合,可以在基本不改变分类精度的前提下,大幅度缩减孪生支持向量机分类的样本数量,从而降低分类时计算的复杂度,缩短计算时间,最终缩短整个分类过程所需要时间,提高分类效率。

基于加权最小二乘双支持向量机的含噪声分类

针对最小二乘双支持向量机对噪声样本敏感的问题,依据给含有大噪声的样本赋予较小权重、给较小噪声的样本赋予较大权重的原则,通过评估训练样本点到两个非平行分类超平面的距离,构造了能反映样本噪声程度的权重,提出了线性和非线性加权最小二乘双支持向量机,并发展了两种加权支持向量机的求解算法,解决了对含噪声样本的高精度分类问题。将所提两种加权最小二乘双支持向量机分别应用到Heart-statlog和Two-moons数据集上进行仿真,结果表明所提方法有效消除了噪声的影响,提高了分类精度。

模糊型支持向量机及其在入侵检测中的应用

支持向量机是一种基于结构风险的机器学习方法,克服了传统学习方法仅采用经验风险最小化原理的不合理性,为此,研究人员将样本的隶属度引入到支持向量机中,以此解决支持向量机所存在的问题。在此基础上,文章通过分析研究模糊支持向量机FSVM、v型模糊支持向量机v-FSVM、模糊孪生支持向量机FTSVM,提出了v型模糊孪生支持向量机v-FTSVM;实验中选择了UCI数据集,验证了模糊型孪生支持向量机的性能。最后,将这些不同的支持向量机应用于入侵检测数据集,进一步检验模糊型支持向量机的有效性。

基于TW SVMs的入侵检测方法

支持向量机SVM是一种基于统计学习理论的机器学习算法,它能在训练样本很少的情况下达到良好的分类效果。TWSVMs是一种通过解决SVM相关问题确定两个非平行平面的新的二元SVM分类器,与传统的SVMs方法相比,Twin SVMs不仅达到了更快的检测速度及更优的检测效果,而且大大降低了算法的时间复杂度。在入侵检测的实际应用中,Twin SVMs能够在小样本条件下保持较高的识别正确率。

一种无约束凸规划多平面修正TWSVM

对支持向量机(Twin Support Vector Machine,TWSVM)的优化思想源于基于广义特征值近似支持向量机(ProximalSVM based on Generalized Eigenvalues,GEPSVM)。该算法将传统SVM问题分解为两个凸规划问题,使得训练速度缩减到原来的1/4。对TWSVM做了修正,基于新的优化准则设计了一种特殊TWSVM(GTWSVM),在此基础上,提出了快速GTWSVM(FGTWSVM),其将GTWSVM转换为无约束凸规划问题求解。该算法在保证得到与TWSVM相当的分类性能以及较快的计算速度的同时,还减少了输入空间的特征数以及内存占用。对于非线性问题,FGTWSVM可以减少核函数数目。

双目标函数支持向量机在情感分析中的应用

针对单目标函数支持向量机在情感分析中应用的不足,采取两种双目标函数支持向量机NPSVM和TWSVM进行情感分类应用研究.实验表明双目标函数支持向量机在应用于情感分析中,其精度和稳定性具有明显优势.

基于几何算法的投影孪生支持向量机

投影孪生支持向量机(PTSVM)是最近提出的一种具有较好泛化性能的分类模型,但由于采用内点算法求解二次规划问题,PTSVM的训练速度较慢。针对该缺陷,提出一种快速的、基于几何算法的PTSVM(GPTSVM)。遵循PTSVM的几何思想,提出一种新的二次规划模型,为每类数据产生一个投影方向;然后基于优化理论推导该模型的对偶问题并给予明确的几何解释,并利用计算几何算法求解。实验表明,提出的方法具有更快的训练速度和更好的泛化性能。

增强型投影双胞支持向量机设计

投影双胞支持向量机(PTSVM)在分类问题上拥有优秀的泛化能力。然而,在对偶求解方面,PTSVM模型存在矩阵求逆运算。这不仅增加了模型的训练负担,而且容易导致模型解的不稳定性。为解决上述问题,提出了一种新的增强型投影双胞支持向量机模型(IPTSVM)。IPTSVM模型能够寻找一对最优非平行投影方向。在新的投影空间,同类别的样本点尽量聚集在类内投影中心附近,而其他类样本应尽量远离当前类别中心,有效地避免了矩阵求逆问题,提高了模型的训练效率。同时,在IPTSVM模型中,利用等式约束对类内样本的损失函数进行了重构,并将正则项引入,显著提高了模型的泛化能力,保障了模型解的稳定性。基于UCI公共数据集上的仿真试验结果,验证了IPTSVM模型的有效性。