面向星座概率成形的向量近似消息传递软频域均衡算法

在发送端通过能量扩展变换来改善向量近似消息传递软频域均衡算法收敛特性,均衡器迭代输出可近似认为无符号间干扰,均衡器输出符号与发送符号之间可用加性高斯白噪声信道来建模。在带宽受限的加性高斯白噪声信道下,均匀分布的调制方式距离香农容量限有一定差距。为缩小这个差距,发送端可通过星座概率成形设计,获得成形增益。接收端可利用非等概符号的先验信息改进均衡器结构,提升接收性能。理论分析和仿真结果表明,在经典的Proakis B和Proakis C多径信道下,所提算法能够大幅度提升收敛速度以及均衡性能。相比均匀分布的信号,约有0.5 dB的性能增益。

低维金属固体化合物的能带结构及化学键研究──（Ⅱ）键向量近似法及低维固体π能带的简化计算

通过复平面向量的关系，提出了一种固体π能带的简化计算方法。这种方法不仅极大地简化了固体能带通常所需的复杂计算，而且轨道的成键性质十分明确。本方法用于链状固体ＰｔＳ_２^（２－）及六方平面网状结构的π能带计算，其能带结构及定性结论与用紧束缚ＥＨＴ法计算的结果完全一致。

聚合近似最近邻残差向量描述符

图像的局部聚合描述符向量(Vector of Locally Aggregated Descriptor, VLAD)在图像检索和识别任务中被证明是一种高效的方法。随着码书的增大,描述符的精度会提高,但随之而来的是训练成本和描述符存储成本的显著增加。在确保描述符大小不变的前提下,文章提出一种通过聚合近似最近邻向量残差的图像描述符,以提升描述符的表征能力。在码书的训练阶段,使用K-means聚类算法对图像局部特征进行训练,以形成视觉词典。在描述符的生成阶段,基于图像局部视觉单词与多个近邻码字的距离进行分配,聚合局部特征向量和近邻码字的残差。最后,通过串联累加码书各码字的残差向量,形成近似最近邻向量残差描述符。在两个国际公开数据集上的图像检索实验中,与其他描述符进行比较,结果显示聚合近似最近邻残差向量描述符在平均检索精度上具有一定的优势。

基于样本分布不平衡的近似支持向量机

针对标准的近似支持向量机(PSVM)没有考虑样本分布不平衡的问题,提出了一种新的PSVM算法—BPS-VM;根据训练样本数量的不平衡对正负样本集分别分配了不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变更为一个对角阵,最后推导出了线性和非线性BPSVM的决策函数。实验结果表明,BPSVM的性能优于PSVM,与SVM方法相比效率更高。

用于处理不平衡样本的改进近似支持向量机新算法

近似支持向量机(PSVM)在处理不平衡样本时,会过拟合样本点数较多的一类,低估样本点数较少的类的错分误差,从而导致整体样本的分类准确率下降。针对该问题,提出一种用于处理不平衡样本的改进的PSVM新算法。新算法不仅给正、负类样本赋予不同的惩罚因子,而且在约束条件中新增参数,使得分类面更具灵活性。该算法先对训练集训练获得最优参数,然后再对测试集进行训练获得分类超平面,最后输出分类结果。UCI数据库中9组数据集的实验结果表明:新算法提高了样本的分类准确率,在线性的情况下平均提高了2.19个百分点,在非线性的情况下平均提高了3.14个百分点,有效地提高了模型的泛化能力。

基于近似支持向量机的能见度释用预报研究

利用2008—2010年逐年12月、次年1月的T_(511)L_(61)数值预报产品和单站观测资料,采用近似支持向量机方法,分别建立了南京、杭州和衢州站分类和回归结合的能见度释用预报模型(简称分类和回归结合模型)。利用2011年12月、次年1月资料作为独立样本,对模型进行试报检验,并与不分类条件下的纯回归模型进行对比。结果表明:分类和回归结合模型的预报效果好于纯回归模型,在24、36、48、60和72 h试报中,分类和回归结合模型的南京、杭州和衢州三站平均的准确率依次为75.5%、83.7%、72.1%、75.4%和78.0%,在除48 h的其余4个预报时次中,分类和回归结合模型的三站平均的准确率均高于纯回归模型。分类和回归结合模型在单站能见度预报中有较好的应用前景。

基于近似支持向量机的Web文本分类研究

文本分类技术是知识管理系统实现知识有效组织、存储和检索的重要手段。本文提出了一种新的基于近似支持向量机的分类算法,并将该分类算法应用于文本分类分析。实验过程中与现有的分类方法比较,新的分类方法具有训练速度快、分类精度比较高的优点。

密度加权近似支持向量机

标准的近似支持向量机(PSVM)用求解正则化最小二乘问题代替了求解二次规划问题,它可以得到一个解析解,从而减少训练时间。但是标准的PSVM没有考虑数据集中正、负样本的分布情况,对所有的样本都赋予了相同的惩罚因子。而在实际问题中,数据集中样本的分布是不平衡的。针对此问题,在PSVM的基础上提出了一种基于密度加权的近似支持向量机(DPSVM),其先计算样本的密度指标,不同的样例有不同的密度信息,因此对不同的样例给予不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变为一个对角矩阵。在UCI数据集上用这种方法进行了实验,并与SVM和PSVM方法进行了比较,结果表明,DPSVM在正负类样本分布不平衡的数据集上有较好的分类性能。

永磁同步电机转子位置提取近似分类支持向量机灰色预测方法

针对单一灰色预测方法下磁特性曲线建模对电机不同运行状态区分能力差、概括性不强,由此导致估计误差较大的问题,提出基于支持向量机分类细化特性曲线区,提高用以灰色GM(1,1)预测建模数据指数光滑度,改善转子信息估计精度的灰色近似支持向量机分类预测算法。将此预测方法用于永磁同步电机的矢量控制当中,数值仿真结果证明,引入先期近似支持向量机分类算法后的转子位置灰色预测法可以在较少测试数据集上达到较高的估计精度。

基于近似支持向量机的流体识别方法

多属性分析是支持向量机的一个重要功能。它可以基于同一目标的多个属性进行综合分析并得出反映该事物属性特征的最佳判别规则,是解决识别问题的一种重要方法。相对于传统的支持向量机,近似支持向量机(PSVM)在大数据量训练集的处理效率上具有较明显的优势且准确度高,适合处理信息量丰富的测井属性组合。一般情况下,采用两种属性值做交会图并通过数据的分布差异来定性区分流体或岩性的做法较为常见,也可利用拟合等方式来实现简单的定量划分。但这些方式均在精度上有所欠缺,且不能正确划分相互重合区域的两类数据。本文讨论了基于近似支持向量机的流体识别方法。通过利用流体识别因子或各测井曲线值作为训练集,并求解基于等式约束的最优化问题得到最优决策函数,可在短时间内获取属性值分布上的学习经验。该方法在数据点相互重合区域的识别效果上有一定的改善。将该方法用于某地龙王庙组地层的气水识别,能够实现较高的准确率。

增量密度加权近似支持向量机

近似支持向量机(PSVM)是一个正则化最小二乘问题,有解析解,但是它失去了支持向量机(SVM)的稀疏性,使得所有的训练样例都成为支持向量。为了有效地控制近似支持向量机的稀疏性,提出了增量密度加权近似支持向量机(IDWPSVM),它在训练集中选取最基本的支持向量。实验表明,IDWPSVM方法与SVM,PSVM和DWPS-VM方法相比,其精度相似,收敛速度快,可有效地控制近似支持向量机的稀疏性。

基于模糊加权近似支持向量机的Web文本分类

Web文本分类是数据挖掘领域的研究热点。针对Web文本数据集高维和不平衡的特点,将模糊隶属度和平衡因子引入近似支持向量机,提出模糊加权近似支持向量机。首先计算样本的平均密度,并结合样本数量求得平衡因子,克服传统加权算法仅以样本数为依据设置权值的缺陷,缓解数据不平衡造成的分类超平面偏移;再计算样本的模糊隶属度,消除噪声和奇异点造成的分类误差;近似支持向量机相比标准支持向量机具有明显的速度优势,更加适用于高维数据分类。实验表明,算法能有效提高不平衡数据的分类精度,在Web文本的训练速度和分类质量上有一定提高。

面向机器人视觉识别的近似支持向量机集成方法研究

提出了一种基于Relief(F)的近似支持向量机(PSVM)集成算法.该方法首先在原有的PS-VM集成方法中引入基于Relief(F)算法的特征扰动,以产生具有较大差异性的集成个体,然后应用多数投票法进行集成得到分类结果.

信号空间分集中向量高斯近似算法的改进

针对采用了信号空间分集的通信接收机检测算法的性能提升,以向量高斯近似检测算法为基础,通过改进原算法中每个符号的概率期望和方差的计算方法,给定符号的软干扰消除计算的信息依赖关系以及概率密度函数的计算,以降低算法的复杂度,提升系统的抗衰落能力。对改进算法进行了仿真比较和性能分析。结果表明,在瑞利衰落信道中,当旋转矩阵维数N=16,迭代次数为6时的误比特率曲线与理想边界接近,在误比特率BER=10-5时,仅相差0.2 dB;在时延要求较高的通信系统应用中,迭代4次即可满足要求,且继续增加迭代次数已没有误比特率下降裕量。

最大本类散度差组合下的多平面近似支持向量机

提出一个新的多平面近似支持向量机算法:最大本类散度差组合下的多平面近似支持向量机(SCG-EPSVM)。该算法对GEPSVM模型进行修正,并将本类散度差的思想融入其中,在保证得到与GEPSVM相当甚至更好的计算速度前提下,SCGEPSVM克服了GEPSVM奇异等问题,在人工数据集和UCI上验证了其有效性。

降维近似支持向量机基因芯片数据分类器

基因芯片技术的出现改变了生物医学研究的前景,其产生的海量数据是限制其发展的瓶颈问题。论文针对基因芯片数据量大、样本数低和基因维数高的特点,提出了一种对基因芯片数据进行分类的降维近似支持向量机DRPSVM基因芯片数据分类器。DRPSVM采用降维的二次规划算法,使得该算法的时间复杂度和空间复杂度比传统的PSVM算法均有降低。通过在CAMDA2000、colon 1dataset和colon 2dataset等基因芯片数据集上的与BP、Nearest、RBF、SVM分类器的分类性能比较,DRPSVM在数据样本少、数据维数急剧升高时,分类性能稳定、存在唯一的最优解、训练时间快,适合基因芯片数据分类的应用环境。

基于加权近似支持向量机的文本分类研究

文本分类能够很好地帮助用户整理、获取信息,在提高信息检索的速度和准确率方面显得意义重大,具有很重要的研究价值。针对以往的近似支持向量机没有考虑不均衡数据的情况,提出了通过对每个训练错误赋予一个权值来改进近似支持向量机,并给出了一种简单的参数估计方法。实验结果表明,基于加权近似支持向量机的分类算法在处理不均衡数据时,样本数少的类别分类精度得到提高,性能表现良好。

基于近似支持向量机的裂缝分类方法

对广泛存在于各类岩层中的裂缝带进行精细刻画与综合预测是裂缝型油气藏勘探的关键。为了避免多解性问题,学者们通常采用多属性对其进行综合预测,但如何有效地利用众多地震属性与裂缝带发育程度之间的非线性关系对裂缝带发育状况进行准确分类仍是一大难题。将近似支持向量机算法引入裂缝带的分类识别中,建立了3种刻画储层裂缝带的地震属性与井中裂缝发育信息之间的非线性模型,得出了反映裂缝带特征的最佳判别规则,利用该规则对多个属性进行综合判别,克服了单属性的多解性,提高了储层裂缝带的分类精度。实例应用表明,该算法削弱了依靠单一因素识别储层裂缝带的局限性,为储层内裂缝带发育状况的准确分类提供了新的研究思路。

近似支持向量机的AVO类型判别

AVO技术是储层含油气性分析的重要工具,可以定性地描述油气藏。常规储层的AVO分类主要依靠人为判别,致使判别结果不准且工作量大。本文从四类AVO曲线中提取特征参数作为训练集,把近似支持向量机方法引入AVO类型判别;再以四类含气砂岩AVO曲线形态为依据,把叠前地震资料的曲线形态特征作为输入参数,获得工区内储层的AVO类型。将该方法应用于南海碎屑岩气田的AVO类型自动识别,取得了较准确的结果,为储层的AVO类型判别提供了可靠、高效、便捷的工具。

基于模糊近似支持向量回归的股价预测研究

股价预测是投资策略形成和风险管理模型发展的基础。为了降低股价变化趋势中的噪声信息和投资者关于两种股价预测误差的不同偏好对股价预测的影响,提出了基于信噪比的模糊近似支持向量回归(FPSVR)的股价预测模型。首先构建信噪比输入变量,然后引入模糊隶属度和双边权重测量方法对支持向量回归(SVR)模型进行改进,最后借助沪深300成份股2008至2019年的股票时间序列日数据,按照股市的波动情况将其分为三个阶段(牛市、熊市、震荡市),并建立三个基准模型进行对比分析。研究结果表明:与三个基准模型相比,所提出的股价预测模型的预测误差最低;与原有的SVR模型相比,FPSVR模型可以更好地对处于牛市和震荡市阶段的股票时间序列进行股价预测。