基于代价敏感支持向量机和多变量决策树的分级自适应暂态电压稳定评估

为解决暂态电压稳定评估中失稳工况漏判率高的问题、提升多变量决策树(multivariate decision tree,MDT)应用能力,提出一种分级代价敏感多变量决策树(hierarchical cost sensitive multivariate decision tree,HCS-MDT)评估方法。基于可量测电气量时空联合拓展构建特征,利用改进经验风险的代价敏感支持向量机(cost sensitive support vector machines,CS-SVM)作为MDT内部节点分类器,生成解析式组合特征判稳规则作为可视化决策依据,并能有效减少失稳漏判;将分级自适应(hierarchical self-adaptation,HSA)准则融入CS-MDT中进行暂态电压稳定评估,在提升早期评估能力的同时有效保障评估准确率。暂态电压稳定仿真算例验证了所提方法的有效性。

基于决策树多分类支持向量机岩性波谱分类

地面岩性波谱建模是高光谱遥感地质填图的关键环节之一,地面岩性波谱具有高维、多类特点,传统的多光谱分类方法不能对地面岩性高光谱数据进行有效处理。该文在岩性波谱特征分析的基础上,构建岩性波谱特征空间;然后,从支持向量机(SVM)基本理论出发并对算法改进,建立了一个基于决策树的SVM多类分类器(DT-SVMs);最后,利用云南北衙金矿区采集的野外实测岩性波谱数据进行分类实验,分类正确率达到93.75%。实验结果表明:基于决策树的多类分类支持向量机(DT-SVMs)可以很好的应用于地面岩性的波谱分类建模。同时,可推广到高光谱遥感岩性分类研究。

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM多类分类器的分类精度和速度.

基于决策树和支持向量机的电能质量扰动识别

提出一种新型电能质量扰动识别方法,该方法采用快速傅里叶变换(fast Fourier transform,FFT)结合动态测度法提取3种特征以及S变换提取4种特征;采用决策树和支持向量机(support vector machine,SVM)设计组合分类器。针对FFT频谱中谐波频率明显的扰动类型,采用极值点包络的动态测度法提取频谱中的主要频率点特征,结合S变换提取的特征首先将扰动类型进行初步归类,然后采用S变换的2个特征就能进行后续分类;决策树分类过程中采用SVM来区分电压暂降和中断,克服了特征阈值随信噪比(signal-to-noise ratio,SNR)变化难以确定的问题。仿真实验表明,该方法能够准确识别包含2种复合扰动在内的11种电能质量扰动信号,SNR低至20 dB时准确率仍达到96.50%;且与已有文献的分类结果对比表明,该方法准确率高,稳定性强,在低SNR条件下分类结果优势明显。

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法.该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度.在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率.实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低.

改进的决策树支持向量机地下水水质评价

基于结构风险最小原理的支持向量机(SVM)具有较强的学习泛化能力和良好的分类性能,能用来解决少样本学习的二类模式识别问题。针对具备多级类别的地下水水质评价问题,可以采用决策树SVM分类方法,通过对多类别水质标准的重新组合以构建类似于决策树的多个子分类器来实现。但基于决策树SVM分类过程中常常会出现由于正负类训练样本数据不均一导致的局部识别误差。基于二叉树原理提出了一种改进决策树SVM模型,通过加密数据插值和二叉分类有效避免正负类训练样本数据不均一的问题,针对地下水水质评价特点,增加了第5个子分类器以精确识别Ⅱ类水质和Ⅲ类水质。实验结果表明,改进的决策树SVM分类模型评价结果稳定。

基于模糊支持向量机与决策树的文本分类器

针对模糊支持向量机在文本分类应用中的隶属度函数确定问题,提出了一种基于模糊支持向量机与决策树的文本分类器的构建方法。该方法不仅考虑了样本与类中心之间的关系,还根据传统支持向量机中包含支持向量且平行于分类面的平面构建切球,来确定类中各个样本之间的关系,由样本点与球的位置关系计算其隶属度,可以合理地区分有效样本和噪音、孤立点样本。并与决策树方法相结合,实现多类分类。实验结果表明,该方法具有良好的分类效果。

一种基于支持向量机决策树多类分类器

提出一种基于支持向量机决策树的多类分类器SVMDT(Support Vector Machines based Decision Tree)。训练时,SVMDT采用样本类间最小距离原则进行决策树分叉,综合考虑局部类簇,生成一棵平衡的分类二叉树。分类时,SVMDT采用最大距离原则匹配决策。SVMDT训练时采用的距离为等效距离,综合考虑特征空间中样本类的中心距离以及样本类自身的分布特点,使得训练过程中确定各个SVM的优先级别更加合理,由此生成的决策树将特征空间严格划分开,避免了拒识区域的出现。UCI样本数据集实验结果表明,和传统的1对多SVM分类器相比,SVMDT具有训练速度快、分类速度快,分类精度高的特点。

基于决策树支持向量机模型的变压器故障诊断法

根据对变压器常见故障原因和危害程度的分析,构造了电力变压器故障诊断决策树。其判定级别为自上而下,而决策树的每一叶都对应着一种具体的故障模式,并选用不同的支持向量机单元模块作为决策树不同分支中的基本分类器,建立组合支持向量机模型,实现了对故障的多分辨识别,该方法提高了故障分析及预测的准确度。应用结果表明该系统模型是富有成效的。

基于节点优化的决策树支持向量机及在故障诊断中的应用

针对目前故障诊断中,难以获得大量的故障数据样本以及诊断知识获取困难等不足,提出了专门针对有限样本的新一代机器学习的算法—支持向量机(SVM),它在样本很少的情况下具有较好的泛化能力,比较适合解决故障诊断小样本情况的实际问题。在多故障诊断时,必须先进行多分类扩展.决策树是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,结点的排部影响了诊断的正确率.提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在故障诊断中获得良好效果.

一种新的支持向量机决策树设计算法

支持向量机决策树的精度和速度取决于树结构。为了获得好的泛化性能,应由可分性强的类为树的上层结点定义分类子任务。提出了一种新的支持向量机决策树设计算法。决策树中每个结点的分类子任务定义规则如下:采用模糊核C-均值将当前训练集粗分为两个子集,然后基于隶属度从各个子集中选择可分性强的子类定义当前结点的分类子任务,并将可分性弱的子类移至下层结点。实验结果表明,该方法的精度和速度都优于其他传统的多类分类方法。

基于GA参数寻优的决策树支持向量机生态环境质量评价方法

选取决策树作为支持向量机多类分类方法,选择径向基核函数建立了生态环境质量决策树支持向量机评价模型,基于遗传算法实现了惩罚因子、核函数参数的自适应优选,并运用建立的模型对我国主要省市生态环境质量进行了评价。研究结果表明,该方法可以较好地实现生态环境质量评价。

用于早期火灾分类的非线性决策树支持向量机

对早期火灾信息进行研究,提出了一种基于非线性决策树的支持向量机多类分类模型。该模型利用非线性映射将样本投影到高维特征空间,比较每类样本在高维空间的分布情况,进行聚类构造出一个二叉决策树,使容易区分的类别从根节点逐层分类出来,有效克服了错分积累和避免不可分情况;同时,各个节点采用二值最小二乘小波支持向量机,以获得较高的泛化能力。该文将该模型用于早期火灾分类,并与BP神经网络、K近邻法和决策树方法进行比较,实验结果表明,该模型对早期火灾的识别率更高。

基于支持向量机决策树的电梯载重建模研究

电梯能效评估需要考虑电梯载重影响,常用电梯载重仅提供超载提示,无连续载重测量的数据输出接口。图像处理方法可用于轿厢内人数统计,但仍无法获得准确的电梯载重量。为了能够估算载重量,利用支持向量机决策树(Support Vector Machine Decision Tree,SVMDT)分类的数据挖掘方法,对海量离线曳引机电压数据进行挖掘,建立电梯载重量与电梯母线电压之间的非线性模型,通过实验对模型进行验证,所得结果的准确性超过83. 3%。利用估算出的载重量计算电梯的能效评定指标,对比不同电梯的能效评定指标可以得到它们之间的能耗及能效情况。

一种基于支持向量机集成的决策树分类算法

传统决策树算法有好的可理解性,而支持向量机集成方法有好的分类性能。本文基于二者的优点提出了一种基于支持向量机集成的决策树分类算法,首先在样本集合上训练支持向量机集成分类器。然后随机生成一定数目的特征向量并加以标注,构造辅助样本。最后在辅助样本的帮助下生成新的决策树。由于最终结果由决策树给出,所以本文算法具有很好的可理解性。此外在辅助样本的帮助下,算法的分类性能也得到提高。在UCI标准数据集与新闻文本数据集上的实验充分验证了本文算法的合理性。

基于支持向量机(SVM)的古代玻璃制品分类

古代玻璃制品是古丝绸之路交易的商品之一,一般依据化学成分对玻璃制品进行分类.但是风化会改变玻璃制品化学成分的含量,从而影响玻璃制品类型的鉴别.本文尝试先预测风化前的化学成分以消除风化的影响,再采用灰色关联分析化学成分的关联关系以及差异,最后建立支持向量机(SVM)模型对古代玻璃制品进行分类.

基于类间可分性度量的支持向量机决策树

采用支持向量机解决多类分类问题一般通过多个两类分类器的组合来求解,如何组合这些两类分类器就是该方法的关键。提出一种改进的支持向量机决策树多类分类模型,该模型通过引入类间可分性度量来确定决策树结构,以类间可分性度量的高低来决定不同类别在决策树中的位置,将容易分离的类尽可能早地划分出来。最后通过一组实验证明了该模型的有效性。

基于几何参数特征与决策树支持向量机的猪只姿态分类

为了研究分类与猪只行为及精神状况相关的姿态,试验提出了一种基于几何参数特征与决策树支持向量机的猪只姿态分类方法,首先根据猪只行为学特征并借鉴前人的研究成果选择5种相关的姿态,包括躺卧、侧面抬头站立、侧面低头站立、侧面平视站立以及正面站立,并以此建立猪只姿态样本库,再针对所研究姿态的图像形状特点,提出利用圆形度、高宽比、伸长度、质高比、质左比、质心左右比、最高点左右比、左(右)夹角余弦与左(右)抬头度11个几何参数特征作为描述姿态的图像特征,最后利用决策树支持向量机(DT-SVM)进行猪只姿态分类。结果表明:与1-V-1多分类支持向量机(1-V-1 SVM)与Ada Boost分类算法相比较,DT-SVM的分类精度较高,耗时较短。说明所选取的特征可以有效地描述猪只姿态。

基于决策树支持向量机的苹果表面缺陷识别

在基于机器视觉苹果缺陷识别过程中,因果梗/花萼与缺陷表皮颜色相似,极大地降低苹果表面缺陷识别准确率,提出一种基于决策树支持向量机(DT-SVM)的苹果表面缺陷识别方法。该方法首先采用单阈值法去除背景,其次在R通道中利用Otsu法和连通域标记法提取目标区域(果梗、花萼和缺陷)的颜色、纹理和形状特征,最后利用决策树支持向量机进行识别。以600幅富士苹果图像为例,使用该方法进行缺陷识别,结果表明该方法的平均准确率为97.7%。与1-V-1多分类支持向量机(1-V-1SVM)和AdaBoost分类算法相比,DT-SVM方法正确率高、耗时短。说明决策树支持向量机对苹果表面缺陷识别十分有效。

基于决策树与多元支持向量机的齿轮箱早期故障诊断方法

齿轮箱部件的故障形式多样,典型故障训练样本数量有限;为了提高齿轮箱故障诊断的精度和效率,提出了基于决策树与多元支持向量机的齿轮箱早期故障诊断方法;利用决策树分类速度快、效率高的优点和支持向量机在小样本二元分类方面突出的特点构建多元分类识别模型,在不同故障情形下提取齿轮箱振动信号典型特征参数作为故障特征向量训练模型,并对样本进行测试;实验结果表明,该方法在小样本情况下识别效果明显优于神经网络方法,同时在识别效率方面比常规多元支持向量机方法有了较大的提高。