短波近红外光谱结合ν-SVM法快速无损鉴别淀粉种类

选用不同厂家的红薯淀粉、马铃薯淀粉和玉米淀粉共112个样品,利用短波近红外光谱技术对淀粉种类进行鉴别。分别采用马氏距离判别法、C-支持向量机(C-SVM)、ν-支持向量机(ν-SVM)建立淀粉种类鉴别的短波近红外光谱模型;并对比多元散射矫正、平滑、一阶微分、二阶微分等多种预处理方法后的建模结果。结果表明:同时使用平滑、多元散射矫正、一阶微分3种预处理方法后,ν-SVM分类模型的效果最佳;训练集交叉验证正确率为100%,测试集正确率也达到100%。该模型快速准确无损的鉴别淀粉种类是可行的。

基于Rademacher复杂度的ν-SVM的推广误差

运用Rademacher复杂度得到了ν-SVM的推广误差和风险的上界.

基于纹理特征与ν-SVM的车牌汉字识别

车牌汉字识别是车牌字符识别中的难点,文章通过对二维Gabor小波特征以及支持向量机(Support vector machine,SVM)分类器进行详细的分析,采用二维奇对称Gabor小波作字符特征滤波函数,并通过基于ν-SVM的多类分类器对数据进行训练及分类,设计了一种能够应用于实际系统的汉字字符识别方法。

无偏置ν-SVM分类优化问题研究

在高维空间中,分类超平面倾向于通过原点,即不需要偏置(b)。为了研究在ν-SVM分类问题中是否需要b,该文提出了无(b)的ν-SVM的对偶优化问题并给出了其优化问题求解方法。该方法通过有效集策略将对偶优化问题转化为等式约束子优化问题,然后通过拉格朗日乘子法将子优化问题转化为线程方程组来求解。实验表明偏置(b)的存在会降低ν-SVM的泛化性能,ν-SVM只能得到无(b)ν-SVM的次优解。

基于PSO-ν-SVM算法的1-芳基-四氢异喹啉类化合物抗HIV活性的QSAR建模研究

以E-Dragon软件计算的RDF,WHIM,Topological,2D-autocorrelation,Geometrical,3D-MoRSE和GETA-WAY等7种QSAR建模常用的分子描述符为结构参数,分别在PSO算法筛选变量的基础上,再以ν-SVM算法对36种1-芳基-四氢异喹啉类化合物的抗HIV活性药物进行定量构效关系(QSAR)研究.7种分子描述符建立的PSO-ν-SVM模型中,以RDF描述符建立的模型最佳.该模型对训练集和预测集计算结果的平均绝对误差MAE分别为0.0028和0.0630,决定系数R2分别为0.998和0.956;而文献[1]3个模型训练、预测结果的MAE分别为0.0612,0.5486,0.0557,0.5676和0.0665,0.5658,训练结果的R2分别为0.9493,0.9533和0.9286,预测结果的R2则均小于0;研究表明,该QSAR模型明显优于文献[1]的3个模型.

基于υ-SVM的汽轮机热耗率回归模型研究

为了直接反映可控边界参数与热耗率的映射关系,基于υ-SVM建立了可控边界参数与热耗率的回归模型,选取与热耗率关联性强的可控边界参数作为输入参数,并应用灰色关联度模型进行验证,详细地描述了基于Libsvm软件建立υ-SVM回归模型的过程,并与BP神经网络模型进行对比.结果表明:在小样本情况下,υ-SVM模型回归精度更高,具有更好的泛化能力;在输入参数小幅波动的情况下,υ-SVM模型的输出结果基本稳定,具有很好的鲁棒性,满足实际应用的精度要求.

一种基于双ν支持向量机的异常入侵检测方法

针对实际网络入侵检测中经常遇到的有标定的不均衡数据集,实现了一种基于双ν支持向量机的异常入侵检测方法,其基本思想是对具有不同数目的样本类别赋予不同的惩罚因子,从而使两种类别的分类错误率趋于平衡。基于1999 KDD不均衡数据集的实验表明,该算法与常规的两分类SVM算法相比,在保持低的误警率的同时,显著提高了对攻击记录的检测率,但对正常样本的检测率略有降低,因此适用于对攻击记录检测更敏感的场合。

基于参数优化SVM的旋转机械故障诊断

介绍了支持向量机(SVM)分类算法,针对常用的C-支持向量分类机(C-SVM)中参数没有确切意义、选取困难的缺点,将ν-支持向量机(ν-SVM)用于对旋转机械振动故障的诊断,通过对实验台模拟数据进行训练、分类和测试,取得了良好的诊断效果。并通过现场故障实例证明了这种方法的准确性。

线性规划ν-支持向量机的牛顿法

基于线性规划的ν-支持向量机(ν-LPSVM)是在基于二次规划的ν-支持向量机(ν-QPSVM)的基础上提出的。ν-LPSVM和ν-QPSVM模型中的参数ν都可以控制支持向量的数目和误差,但ν-LPSVM的模型更为简单,应用前景更广。讨论了这种新型支持向量机的线性规划问题的最小2-范数解,在此基础上给出了一个快速、有限步终止的牛顿算法。数值实验表明,ν-LPSVM的牛顿算法快速而且有效。

ν-SVR改进的滚动预测模型及其在大坝沉降监测中的应用

根据支持向量机的预测能力只与支持向量有关的思想,提出滚动预测时剔除非支持向量的改进的滚动预测模型。实际的大坝沉降监测算例表明,改进的滚动预测模型是有效的,预测精度得到提高。