顾及样本优化选择的多核支持向量机滑坡灾害易发性分析评价

滑坡灾害易发性分析评价对地质灾害的防治与管理具有重要意义。针对滑坡灾害样本选择策略,单核支持向量机多特征映射不合理的问题,本文提出顾及样本优化选择的多核支持向量机(multiple kernel support vector machine,MKSVM)滑坡灾害易发性分析评价方法。为了保证样本平衡性并提高负样本的合理性,采用相对频率比(relative frequency,RF)综合评价各状态对于滑坡灾害易发性影响的重要程度,实现各评价因子状态的合理划分;利用确定性系数法(certainty factor,CF)计算各评价因子各状态分级影响滑坡灾害的敏感性,并在此基础上进行加权求和得到各栅格单元的滑坡灾害易发性指数,在滑坡灾害易发性指数极低和低易发区内随机选择与滑坡灾害点数目一致的非滑坡灾害点作为负样本数据。利用MKSVM对各特征空间最优核函数进行线性组合,解决了单一核函数映射不合理的问题,提高了模型的分类准确率和预测精度。以湖南省湘西土家族苗族自治州为研究区,从滑坡灾害易发性分区图、分区统计及评价模型精度3个方面对CF样本策略的MKSVM模型、CF样本策略的单核SVM模型、随机样本策略的MKSVM模型、随机样本策略的单核SVM模型进行了对比分析。结果表明,4种模型的受试者工作特征曲线(receiver operating characteristic,ROC)下的面积(area under curve,AUC)分别为0.859、0.809、0.798、0.766,验证了CF样本策略的合理性、有效性及MKSVM模型的可靠性。

基于稀疏多核最小二乘支持向量机的浮选关键指标软测量

由于浮选性能受多种因素的制约,适宜的矿浆pH值是高效泡沫浮选的关键。针对pH值在线检测仪易受干扰、维护保养成本高等不足,结合泡沫浮选过程机理分析,以泡沫视频图像特征为辅助变量,将局部核函数和全局核函数加权组合,提高模型的学习和泛化能力,利用Schmidt正交化理论约简多核矩阵,减小计算量,建立基于稀疏多核最小二乘支持向量机的浮选矿浆pH值软测量模型。工业运行数据测试结果表明:所建模型具有预测精度高、反应迅速、稳定性好等优点,适于工业应用。

基于支持向量机的织物悬垂性能评估分析

针对织物悬垂性评估中存在非线性建模困难及评估精度不高等问题,结合织物悬垂性参数数据的特点,基于Mercer核函数的性质,构建Mercer核函数的织物悬垂性评估模型。通过实验,认为其评估精度有了相应的提高,说明基于Mercer核函数的织物悬垂性评估模型是可行的。同时,通过改变参数值进行实验,结果表明这些参数的取值不同对评估结果有影响,且不同参数对评估结果影响的程度也不同,这对基于支持向量机的织物悬垂性评估过程有重要的指导作用。

组合核函数多支持向量机的直线电机建模

为了研究永磁同步直线电机结构参数优化中快速计算问题,提出一种基于组合核函数多输出支持向量机的电机非参数建模方法。通过分析各种核函数的性质,构造高阶多项式和低阶多项式核函数的组合,利用交叉验证的方法对惩罚参数C进行选择,建立永磁直线电机的多输出支持向量机模型。以U型永磁同步直线电机为对象进行仿真和实验,结果表明,利用该方法建立的模型较单一核函数模型,其计算精度有所提高,可达到94%以上,并且该模型的计算效率能够满足电机优化计算中大规模的计算问题。

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法(C-SVC:C-support vector classification)和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。

随机傅里叶特征空间中高斯核支持向量机模型选择

模型选择是支持向量机(support vector machines,SVMs)学习的关键问题.标准支持向量机学习本质上是求解一个凸二次优化问题,求解的时间复杂度为数据规模的立方级,而经典的模型选择方法往往需要多次训练支持向量机,这种模型选择方法对于中等规模的支持向量机学习计算代价已较高,更难以扩展到大规模支持向量机学习.基于高斯核函数的随机傅里叶特征近似,提出一种新的、高效的核支持向量机模型选择方法.首先,利用随机傅里叶特征映射,将无限维隐式特征空间嵌入到一个相对低维的显式随机特征空间,并推导在2个不同的特征空间中分别训练支持向量机所得到的模型的误差上界;然后,以模型误差上界为理论保证,提出随机特征空间中核支持向量机的模型选择方法,应用随机特征空间中的线性支持向量机来逼近核支持向量机,计算模型选择准则的近似值,从而评价所对应的核支持向量机的相对优劣;最后,在标杆数据集上验证所提出方法的可行性和高效性.实验结果表明,所提出的模型选择方法与标准交叉验证方法的测试精度基本相当,但可显著地提高核支持向量机模型选择效率.

基于分组特征多核支持向量机的微钙化簇检测

针对疑似区域内的乳腺微钙化簇和正常乳腺组织特征的多源性这个一直被忽略的问题,提出基于分组特征多核支持向量机(GF-SVM)的乳腺微钙化簇检测。特征被分组后针对不同源特征分别使用不同的核函数映射,组合成多核SVM。将多核SVM转化为半定规划问题,求解多核SVM的核函数权值系数。在训练样本的选择方面采用主动反馈学习方法最终得到稳定的样本模型。实验结果表明,与传统的基于单核SVM相比,该方法具有更好的检测性能。

基于模糊相似测量和模糊映射改进的模糊支持向量机对不确定性信息处理

针对传统模糊支持向量机(FSVM)对于不确定性信息处理的局限性,提出一种基于模糊相似测量和高维空间模糊映射的改进模糊支持向量机方法。首先,构建不确定信息集的模糊相似测量函数,从不确定性信息本质出发,利用Gregson相似度,构建具有模糊特征的相似测量函数;然后,根据空间映射理论,将模糊相似测量函数应用于FSVM,构建满足Mercer理论的FSVM相似内核;最后,利用该方法对旋转超声加工中材料切屑率(MRR)中的不确信性信息进行建模。对比具有传统内核的FSVM,所提方法能够利用较少的运算步骤完成较好的不确定性信息处理,有效提高不确定信息处理的准确性,且计算复杂度低。

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式——Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。

基于不同测井曲线参数集的支持向量机岩性识别对比

对测井曲线提取的不同参数值,进行支持向量机(support vector machines,SVM)岩性识别对比,找出适合于岩性识别的测井参数集。利用取心段岩心和测井资料,依据M-N值法、曲线重叠法和测井曲线特征值法等3种常用的岩性识别方法,提取能够用于岩性识别的测井曲线参数值,再利用支持向量机进行岩性识别,将识别结果进行对比,按照误差最小原则,找出适合于岩性识别的测井参数集。结果显示,M-N值法、曲线重叠法和测井曲线特征值法3种不同的测井参数集在岩性识别时,测井曲线特征值法和重叠法误差最小,可优先作为识别的基础数据。

基于约简核矩阵的稀疏最小二乘支持向量机

为了解决最小二乘支持向量机模型稀疏性不足的问题,提出了一种约简核矩阵的LS-SVM稀疏化方法。按照空间两点的欧式距离寻找核矩阵中相近的行(列),并通过特定的规则进行合并,以减小核矩阵的规模,进而求得稀疏LS-SVM模型。以高斯径向基核函数为例,详细阐述了改进方法的实现步骤,并通过仿真表明了采用该方法求得的稀疏LS-SVM模型泛化能力良好。

利用支持向量机识别松辽盆地火山岩岩性

利用支持向量机(SVM)方法,选取个性特征元素,建立火山岩岩性成分的识别方法,来区分玄武质、安山质、粗面质、英安质、流纹质火山岩岩性.通过对松辽盆地内部的火山岩样本进行学习和预测,火山岩大类平均识别率达到95%以上,表明支持向量机在火山岩岩性成分识别方面取得了良好效果.

基于最小方差支持向量机的织物热湿舒适性预测

在纺织服装工程研究中应用人工智能与机器学习的方法,可以更加准确地预测纺织材料的穿着热湿舒适性。为此,利用最小方差支持向量机(LSSVM),分析了36种针织织物热湿舒适性客观指标与人体穿着对织物的热湿舒适性主观评定之间的对应关系,并建立了客观指标与主观评定之间的回归模型。该模型能够快速预测成衣之后人体穿着主观评定的舒适度,并可节约新面料和织物材料研发过程中的评估成本。通过对多个回归模型的比较与分析,证明LSSVM回归模型比BP神经网络模型能够更加准确地预测织物的主观热湿舒适性。

使用交叉距离最小化算法设计支持向量机

针对核方法在处理非线性可分数据问题上的优势,将一种硬间隔无核支持向量机——交叉距离最小化算法(cross distance minimization algorithm,CDMA)推广到带核的版本,称为带核的交叉距离最小化算法(kernel cross distance minimization algorithm,KCDMA).利用乘子将交叉距离最小化算法表示为内积的形式,然后使用核函数代替内积运算,并且引入二次惩罚,这样扩展后的模型能处理非线性可分数据集,并且允许一定的分类偏差.实验结果表明,与一些经典的支持向量机方法相比,该方法具有明显的竞争力.

改进鲸鱼算法优化混合核支持向量机在径流预测中的应用

构建基于多项式核与高斯核相融合的混合核支持向量机(MSVM),利用拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化MSVM关键参数和混合权重系数,提出LXWOA-MSVM径流预测模型,并构建高斯核LXWOA-GSVM、多项式核LXWOA-PSVM及LXWOA-BP作对比预测模型,以云南省清水江水文站枯水期1-4月月径流预测为例进行实例研究,利用实例前24年和后10年资料对各模型进行训练和预测。结果表明,LXWOA-MSVM模型对实例1-4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于LXWOA-GSVM等3种模型,具有较好的预测精度和泛化能力,可为相关径流预测研究提供参考。

支持向量机在柴油机尾气分析中的核模型选择

研究支持向量机(SVM)中常用核函数及其参数对分类效果的影响。在此基础上,联系柴油机尾气数据,应用交叉确认法(CV)得到在该数据集下拥有不同常用核函数的SVM的最优参数,及在最优参数下SVM的三个性能指标,即对训练集的交叉确认准确率、对测试集的分类准确率和寻优时间。对比各性能指标,结果表明:对于柴油机尾气数据,径向基核函数模型所对应的训练集交叉确认准确率最高,而其测试集分类准确率最低;线性核函数模型的寻优时间最短。综合考虑SVM的学习能力、外推能力及寻优时间,决定选择线性核函数作为SVM在柴油机尾气分析中的核模型。

基于最小二乘支持向量机的图像边缘检测研究

本文研究了基于最小二乘支持向量机(LS-SVM)的图像边缘检测技术,利用LS-SVM对图像像素邻域的灰度值进行曲面拟合,通过采用多项式核函数、高斯核函数推导出图像的梯度和零交叉算子,并结合梯度算子和零交叉算子实现了图像边缘定位.通过实验获取了不同核函数的最佳卷积核的大小,同时采用遗传算法对不同核函数的参数进行寻优以获得最佳的边缘检测性能.通过与Canny方法的实验比较,验证了本文提出的边缘检测方法是有效的.

基于遗传算法对支持向量机模型中参数优化

支持向量机是基于统计学习理论的结构风险最小化原理基础上提出来的一种学习算法,其在理论上保证了模型的最大泛化能力。针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,对影响模型分类能力的相关参数进行了研究,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到支持向量机(SVM)的最优参数值,并用算例表明了此算法有效提高了分类的精度和效率。

基于支持向量机的信号滤波研究

提出了基于支持向量机(SVM)的信号滤波方法.由于利用了SVM泛化能力强、全局最优等特点,因此该方法与传统方法相比,能更有效地抑制随机加性噪声.在时域和频域分别讨论了参数对核函数的影响,通过对基于SVM的函数回归形式的变换,得出了一种能描述滤波原理的表达式.从该表达式中可以看出,核函数的作用相当于低通滤波,而其参数决定了滤波器的截止频率,从而可以通过对核函数参数进行优化,以取得最佳的滤波效果,达到抑制随机加性噪声的目的.仿真结果表明,基于SVM的滤波方法有效地抑制了随机加性噪声,为信号滤波提供了一种以结构风险最小化为理论框架的新手段.

一种快速最小二乘支持向量机分类算法

最小二乘支持向量机不需要求解凸二次规划问题,通过求解一组线性方程而获得最优分类面,但是,最小二乘支持向量机失去了解的稀疏性,当训练样本数量较大时,算法的计算量非常大。提出了一种快速最小二乘支持向量机算法,在保证支持向量机推广能力的同时,算法的速度得到了提高,尤其是当训练样本数量较大时算法的速度优势更明显。新算法通过选择那些支持值较大样本作为训练样本,以减少训练样本数量,提高算法的速度;然后,利用最小二乘支持向量机算法获得近似最优解。实验结果显示,新算法的训练速度确实较快。