基于加权SVM的电力通信网络异常流量入侵检测方法

当前检测方法一般为目标执行检测,检测覆盖范围容易受限,导致误报率增加,为此提出基于加权支持向量机(Support Vector Machine,SVM)的电力通信网络异常流量入侵检测方法研究。先提取异常流量隐性特征,采用动态化的方式打破检测覆盖范围受到的限制。设计动态异常流量检测机制,并以此为基础构建基于加权SVM的通信网络异常流量入侵检测模型,采用交叉跟踪识别的方式来完成入侵检测。测试结果表明,应用所提方法检测时,其误报率控制在15%以下,证明设计方法具有较强的稳定性与针对性,实际应用效果更佳。

基于加权SVM的高压GIS设备绝缘缺陷检测方法

常规的高压GIS设备绝缘缺陷的检测方法中,通常使用红外热线的方法来检测缺陷,导致检测精度较低,提出基于加权SVM的高压GIS设备绝缘缺陷检测方法。在方法的整体设计流程中,首先通过局部放电信号确定GIS设备缺陷特征,然后在相位周期内统计特征参数并对特征进行降维,进而基于加权SVM建立检测模型,通过模型运算取得最优解,实现设备绝缘缺陷的检测。实验结果表明所设计的检测方法具有较高的精度,可以运用到实际的缺陷检测流程中。

加权SVM在中医舌象分类与识别中的应用研究

加权SVM是解决不均衡舌象样本分类和识别的有效方法,但在边界支撑向量很少是错分样本的情况下,已有方法有时不能取得良好的效果。本研究首先采用已有的加权方法进行舌象样本的分类与识别,在训练结果不能使得大小样本的分类率得到很好均衡的情形下,分别进一步加大和缩小重要样本和非重要样本的惩罚项,直到满足要求为止。理论分析和实验均表明该方法的有效性。

中医舌象样本分类中加权SVM的应用研究

SVM在机器学习领域中是一种通用有效的学习方法,在中医舌象分类中取得了一定的效果。但是由于各类舌象样本的数量不均衡,标准SVM方法对于这一问题的解决尚不尽人意。针对这一问题,本研究将加权SVM方法应用于大量舌色苔色样本的分类中,根据各类样本的相对重要性,加大或减小其惩罚项,在保证非重要样本的识别正确率可以接受的情况下,尽量提高重要样本的识别正确率。实验结果表明,该方法在不均衡舌象样本的分类中能取得较好的效果。

一种对fMRI数据分类的加权随机SVM集群算法

如何从小样本、高维度特性的功能磁共振成像(fMRI)数据中识别出内在的脑区活动模式,对理解人脑意义重大。随着模式识别技术和机器学习算法的发展,fMRI的分类研究也引起了人们的重视。提出一种对fMRI数据分类的加权随机SVM集群(WRSVMC)算法。该算法分为两步,首先通过随机选择样本和特征建立多个SVM,以构建集成分类器;然后在投票过程中,对每个SVM赋权重,以优化模型的集成性能。结合fMRI数据和图论特征,采用WRSVMC算法对轻度认知障碍(MCI)患者数据展开分类研究。结果表明,准确率最高可达87.67%。该方法能帮助医师对MCI患者进行辅助诊断。

进化的加权随机SVM集群算法研究

运用SVM技术处理功能磁共振成像(fMRI)数据,在辅助脑神经疾病分类领域已经取得许多成果。由于fMRI的小样本和高维度特性,如何最大限度地降维以及提高分类精确度依然是研究的热点。在研究加权随机SVM集群算法的基础上,提出一种进化的加权随机SVM集群(EWRSVMC)。首先随机挑选样本和特征构建SVM集成分类器,通过训练使每个SVM获取权重,以优化模型的集成性能;其次从特征选择角度出发,动态地从高维样本中逐轮淘汰无用数据,做到可控降维的同时又不损失异常特征,经过多轮进化后获得最优的异常特征集。采用该算法对阿尔茨海默病(AD)患者的数据展开分类研究,结果表明,准确率最高可达88.89%。

一种改进的线性支持向量机的特征筛选算法

针对SVM法线特征筛选算法仅考虑法线对特征筛选的贡献,而忽略了特征分布对特征筛选的贡献的不足,在对SVM法线算法进行分析的基础上,基于特征在正、负例中出现概率的不同提出了加权SVM法线算法,该算法考虑到了法线和特征的分布。通过试验可以看出,在使用较小的特征空间时,与SVM法线算法和信息增益算法相比,加权SVM法线算法具有更好的特征筛选性能。

基于区域样本分析的台风对电力设施破坏预测

根据近几年广东电网台风受灾抢修工程的数据,采用基于粒子群优化(particle swarm optimization,PSO)算法的灰色特征加权支持向量机(support vector machine,SVM)模型对台风破坏规律进行回归分析,对台风登录频次较高的地区建立基于台风特性与灾害量统计分析的预测模型。预测模型的建立有助于灾后抢修工程施工组织的有序进行,同时有助于台风常登陆地区的电网工程设计中抗台风参数的选定,整体提升电网防御台风的能力。

基于滚动窗法最小二乘支持向量机的稳健预测模型

在推导加权最小二乘支持向量机数学模型的基础上,基于启发式学习算法并结合滚动窗的思想,提出基于滚动窗法最小二乘支持向量机的稳健预测模型.为了缩短模型的预测运行时间,将启发式算法进行改进后,采用迭代求逆方法,在不丧失预测精度的基础上,很大程度地缩短预测时间.最后通过仿真实例验证这个模型可以成功抑制奇异点,实现稳健预测并取得良好效果.

一种基于数据域描述的图像压缩方法

提出一种基于数据域描述的自适应加权支持向量回归图像压缩算法.先将一幅灰度图像分割成不重叠的方块,每个方块数据经过离散余弦变换得到对应的频率域系数,然后根据样本到高维特征空间最小包含超球球心的距离构建相应的加权函数模型,最后将确立的模型应用到基于加权支持向量回归的图像压缩方案中.实验结果表明,与同类的图像压缩算法相比,该算法在预测性能和压缩效果方面获得较明显提高.