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。

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.

基于共空间模式与决策树支持向量机的运动想象脑电信号分类

针对脑电信号(Electroencephalogram,EEG)采集易受干扰导致EEG分类准确率低的问题,提出一种基于共空间模式(Common Spatial Pattern,CSP)与决策树支持向量机法(Decision Tree Support Vector Machine,DTSVM)相融合的运动想象脑电信号处理方法。首先利用CSP算法对运动想象的EEG特征值进行特征提取,其次运用线性判别分析法(Linear Discriminant Analysis,LDA)、自适应增强分类法(Adaptive Boosting,Adaboost)和决策树支持向量机法分别对特征进行分类,最后通过实验对比发现,利用决策树支持向量机进行分类的分类效果最佳,分类准确率最高可达到92.52%。

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.

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。

基于决策树和支持向量机的智能变电站二次系统防误方法

随着智能变电站的普及,电力系统的安全运行对变电站的二次检修提出了更高的要求。针对二次设备状态转换过程中易发生误操作的现问题,提出了一种新型二次系统防误方法。通过测量装置获取一二次设备状态值,构建初始样本数据集。为获取模型所需的特征向量集,采用了PCA法实现数据降维,特征向量集通过决策树实现二次操作分类。对分类后的样本集进行SVM训练和测试,实现二次设备操作的防误判别。最后构建了防误模型,用历史运行数据进行仿真测试,验证了此方法防误判别的有效性。

基于决策支持向量机的中文网页分类器

提出了基于决策支持向量机的中文网页分类算法。把支持向量机方法和二叉决策树的基本思想结合起来构成多类别的分类器，用于中文网页分类，从而减少支持向量机分类器训练样本的数量，提高训练效率。实验表明，该方法训练数据规模大大减少，训练效率较高，同时具有较好的精确率和召回率。

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。

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。

支持向量机和决策树算法在滚动轴承故障诊断中的应用

滚动轴承作为旋转机械中常见的部件,其发生故障轻则导致设备停工,重则造成经济损失和人员伤亡,因此滚动轴承的故障诊断在机械维护中有着重要意义。使用DC竞赛轴承故障检测数据集对滚动轴承故障诊断中常用模型进行对比分析,按照8:2的比例划分训练集与测试集,采用SMOTE过采样方法对训练集进行处理,从而解决类样本不平衡问题。将处理完后的训练集输入支持向量机(SVM)以及决策树模型,通过比较2个模型的测试集测试结果可以发现,SVM模型在滚动轴承故障诊断中更有效。

基于支持矢量机和决策树的多值分类器

基于SVM理论的分类器已经发展为一种通用的二值分类器,但它不适用于多值的场合。该文在分析经典的SVM分类算法和决策树分类算法的基础上,采用了将SVM和二叉决策树结合的方法来实现多类问题的分类,实验表明它与一对一的多值分类器具有相似的分类精度,并比一对一的分类算法具有快的测试速度。

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。

基于决策树特征提取的支持向量机在岩性分类中的应用

由于支持向量机属于黑箱模型,因此在进行模型学习时无法直接对特征进行选择,而决策树模型在递归创建的过程中自身具有一定的特征选择能力。针对岩性分类问题,本文将决策树和支持向量机结合,通过决策树的建立,在考虑特征重要性的前提下,利用树节点的高度对特征进行提取,并将具有更高分类能力的特征送入支持向量机进行岩性分类。结果表明:通过决策树的特征提取,减少了支持向量机模型的输入特征,从而有效控制了模型的复杂度,使得模型更加稳定并具有更高的分类精度,测试集精度能够提升10%以上。

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法 ,较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程 ,对色谱分析法检测到的特征气体含量进行数值预处理 ,提取出故障识别所需要的 6个特征量 ,然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别 ,并最后判断输出变压器所处的状态。测试结果表明 ,该方法具有三个优点 :1 )具有较强的鲁棒性 ,识别正确率极高 ;2 )训练时间很短 ,实时性能好 ;3 )不存在局部极小问题。

基于支持向量机与无监督聚类相结合的中文网页分类器

提出了一种将支持向量机与无监督聚类相结合的新分类算法 ,给出了一种新的网页表示方法并应用于网页分类问题 .该算法首先利用无监督聚类分别对训练集中正例和反例聚类 ,然后挑选一些例子训练 SVM并获得 SVM分类器 .任何网页可以通过比较其与聚类中心的距离决定采用无监督聚类方法或 SVM分类器进行分类 .该算法充分利用了 SVM准确率高与无监督聚类速度快的优点 .实验表明它不仅具有较高的训练效率 ,而且有很高的精确度 .

基于决策支持向量机的产品设计知识文档分类研究

为准确地定位大量旧的产品设计知识文档信息,构建产品设计知识库,提出了基于决策树和支持向量机的产品设计知识文档分类方法。通过对产品设计知识文档的分词处理、特征抽取、特征合并和向量表达,为决策支持向量机方法提供了样本数据预处理。在分类算法中,为了改善样本的处理效率,通过二叉决策树依次构建多个支持向量机对文档样本进行分类。同时为了保证样本分类的准确性,在最后一个分类添加一个分类器,再次对样本进行判断,避免出现因前期分类器训练不足而产生的误判。最后,通过分类性能评价理论的验证和企业信息化项目的应用,证明了该方法的有效性和实用性。

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单。

基于支持向量机元分类器的体育视频分类

为弥补特征提取中的语义缺陷,提出了一种利用领域知识规则填补特征与高级语义之间鸿沟的思想,从体育视频中对语义对象进行有效的特征提取,并采用支持向量机元分类器和组合策略对体育视频进行分类的方法.实验表明,该分类方法对大部分体育视频都具有很好的分类效果,平均准确率可达92.23%,优于其他提取特征无语义关联的分类方法.

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题,讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理,提出了一种简化算法.针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足,简化算法不需计算梯度,而是利用固定的迭代步长来实现核函数一个参数的优化.依据简化算法实现了二分类故障分类器的参数优化,并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中.测试结果表明,通过参数优化可提高故障分类器的分类能力.