多分类边界支持矩阵机及其在滚动轴承故障诊断中的应用

由于支持矩阵机(SMM)利用平行超平面实现对不同类别样本的分类,使其无法最大化任意两类样本之间间隔,为此,通过分析非平行超平面与支持矩阵机的相关理论,提出了一种多分类边界支持矩阵机(MBSMM),并将其应用于滚动轴承的故障诊断中。首先,在MBSMM中以矩阵为建模元素,建立了其多分类目标函数,充分利用输入矩阵行与列之间的结构化信息;然后,利用非平行边界超平面来隔离任意两种类型的数据,非平行边界超平面可以最大化任意两类样本之间的间隔;引入了逐次超松弛法(SOR)进行对偶问题求解,SOR可以线性收敛到最优值,不需要太多计算就可以处理大规模数据集,大大提高了算法的计算效率;最后,将其应用于滚动轴承的故障诊断中,通过滚动轴承数据及不同指标对其进行了实验验证。研究结果表明:MBSMM利用非平行边界超平面可以完成对复杂数据样本的准确分类,在识别率、时间、kappa、准确率、召回率、F1得分和统计检验等方面具有良好表现,证明了RSMM具有优越的分类性能。

基于边界点的支持向量机分类算法

为了解决标准支持向量机在空间和时间上过度消耗的问题,提出了一种利用边界点训练支持向量机的新方法。首先计算每两个样本之间的欧式距离,找出每个样本点的同类近邻集和异类近邻集,根据该样本点到两个集合的距离,判断其是否可能成为边界点。其次根据每个样本近邻集中同类样本数目的多少来删减样本集。该方法只用了少量的边界点对支持向量机进行训练,同时排除了噪声点和孤立点及混杂在异类中的点对决策超平面的影响,提高了分类器的泛化能力。实验结果表明,与传统支持向量机、最近邻支持向量机、K-近邻支持向量机相比,在分类精度相当时,该方法有效地减少了训练样本的数量。

基于模糊支持向量机分类的土地利用时空演变研究

利用1995年、2003年和2008年3个时期徐州市丰县TM/ETM+遥感数据,采用模糊支持向量机方法进行土地利用分类,运用ArcGIS和Matlab编程,分析丰县1995—2008年间的土地利用时空格局演变规律和特点。研究表明,丰县建设用地不断扩展,耕地面积继续减少,林地持续增加,同时,丰县在环境保护方面加大了投入力度,土地利用结构和方式正趋向合理化。

基于边界样本选择的支持向量机加速算法

针对支持向量机(Support Vector Machine,SVM)处理大规模数据集的学习时间长、泛化能力下降等问题,提出基于边界样本选择的支持向量机加速算法。首先,进行无监督的K均值聚类;然后,在各个聚簇内依照簇的混合度、支持度因素应用K近邻算法剔除非边界样本,获得最终的类别边界区域样本,参与SVM模型训练。在标准数据集上的实验结果表明,算法在保持传统支持向量机的分类泛化能力的同时,显著降低了模型训练时间。

基于支持向量机的遥感图像分类方法

为了提高遥感图像分类的精度,弥补传统最大似然分类方法所固有的分类时样本不足的缺陷,提出了一种基于支持向量机、光谱特征和纹理特征相结合的遥感图像分类方法。采用ETM数据,按照其所提方法进行了具体分类实验,并将实验结果与最大似然法分类的结果进行了比较分析。结果表明,利用基于支持向量机的方法进行遥感图像分类,精度明显优于最大似然法分类的精度。利用光谱特征与纹理特征相结合进行分类比单纯运用光谱特征进行分类效果要好。

双边界支持向量机的理论研究与分析

根据统计学习理论,间隔大小是反映泛化能力的一个很重要的方面.受一类支持向量机(SVM)的启发,提出的双边界SVM能分别用2个边界对2类问题分类.它能在保证分类正确的同时保证分类间隔的最大化,理论上分别从推广性能和不平衡类分布2方面证明了其优越性.标准数据集上的实验表明,双边界SVM得到的分类间隔要大于SVM,泛化性有了显著提高;另外,不平衡数据集上分析得到它对少数类识别率有明显提升.真实入侵数据测试结果表明,双边界SVM算法比边界样本选择算法的检测率高出2%以上.

CT三维最小类内散度多分类支持向量机在肺结节识别中的应用

目的分析CT三维最小类内散度多分类支持向量机(MC-SVM)对肺结节的识别能力及优点。方法选择2012年1月至2014年1月确诊的肺结节病患者50例,根据基于三维矩阵模式的感兴趣体(VOI)的构成,分为结节样和非结节样;采用自动提取算法提取感兴趣区(ROI),分为结节ROI和非结节ROI;采用受试者工作特征(ROC)曲线比较大规模训练人工神经网络(MTANN)、基于矩阵模式的模糊最小二乘SVM(matFLSSVM)、三维矩阵模式MC-SVM和三维最小类内散度MC-SVM的识别精度,同时比较各种方法在不同截断点时的真阳性率和假阳性率。结果三维最小类内散度MC-SVM的识别精度、真阳性率均高于其他算法,而假阳性率低于其他算法(P<0.05)。结论三维最小类内散度MC-SVM对肺结节的识别精度较高,值得临床推广应用。

基于动柔度矩阵和支持向量机的井架损伤识别技术

动柔度矩阵是结构损伤检测的有力工具。支持向量机是在统计学习理论上发展出的一种学习机器,其针对小样本分类识别性能优越。提出了一套基于支持向量机和动柔度矩阵的损伤识别技术。对JJ160/41—K型石油井架模型进行了损伤实验研究,利用实验数据构建了分类识别支持向量机,并以数值仿真计算,验证了该技术的有效性。

基于支持向量机的栗属树种分类研究

形状特征是物体识别的重要依据。同时,分类算法的选择也将对识别的性能造成很大影响。围绕上述两个问题,以栗属树种的果实图像为例,在准确分割出目标图像的基础上,分别应用不变矩和边界矩提取其形状特征值,并使用支持向量机算法对栗属树种果实图像进行分类。实验结果表明:基于支持向量机的栗属树种果实图像分类识别准确率可达到87.5%,识别的结果较为理想。

基于模糊支持向量机的多标签分类方法改进

One-against-all支持向量机的多标签分类存在将样本分类到训练集无法获取标签的"未定义"区域和没有明确决策函数的标签模糊区域的问题。对此提出一种基于模糊支持向量机的多标签分类改进方法(FSVMi)。该方法通过将多条决策边界合并,并为每个标签类分配相应的隶属函数。实验结果表明,相比于现有方法,该方法更具有优越性。

基于支持向量机的整体分类器算法 预测酶蛋白质中四类简单超二级结构

酶是一种具有催化功能的蛋白质,研究酶蛋白质中的超二级结构对研究酶的结构及功能有重要作用。本文从酶蛋白质序列出发,首次对酶蛋白质中的四类简单超二级结构进行研究。以位点氨基酸及其紧邻关联为参数,选取五种序列片段截取方式,采用7-交叉检验,使用矩阵打分方法预测的结果不理想;将矩阵打分值作为特征参数输入支持向量机,并用整体分类器进行加权融合,得到了较好的预测结果,预测总精度达到72.64%,Matthew’s相关系数在0.57以上,因此,基于支持向量机的整体分类器方法是一种有效的预测酶蛋白质中超二级结构的方法。

基于支持向量机的多类分类算法研究

基于支持向量机的多类分类方法通常采用多个标准的二分类支持向量机来求解,在一对一多类分类方法的基础上,通过对构成分类边界的超平面的研究,引入了"核空间距离",并提出有效的算法减少分类超平面的数量,并在UCI数据库上进行实验,结果表明能够提高测试效率以及分类精确度,减少了过学习问题的产生,具有更好的推广性能。

基于K型支持向量机的遥感图像分类新算法

为了提高遥感图像的分类精度和识别速度,提出了一种基于K型支持向量机(SVM)的遥感图像分类新算法,该算法将灰度共生矩阵提取的纹理特征与光谱特征相结合进行分类。对两组Landsat ETM+数据进行分类仿真实验,结果表明,在多光谱遥感图像的分类中,新算法提高了分类效率、分类精度和泛化能力,K型SVM是一种优于径向基函数SVM的分类器。

基于单类支持向量机与KNN的两阶段不平衡数据分类

针对单类支持向量机算法无法对不平衡数据集中的边界和离群样本进行准确分类的问题,将单类支持向量机与K近邻算法结合在一起,提出一种基于单类支持向量机与K近邻的两阶段不平衡数据分类算法TSC-OSK。TSC-OSK首先对训练集中的多数类样本与少数类样本分别进行拟合构建出两个单类支持向量机分类器,利用这两个分类器分别对测试样本进行第1阶段的分类,并将分类结果相互组合验证,将所有样本被划分成多数类、少数类、边界和离群这四种类型;再引入K近邻算法对边界和离群样本进行第2阶段分类,从而避免单类支持向量机算法在这些样本上的预测偏差。在多个不平衡数据集上的实验表明,相对于现有的不平衡数据处理方法,TSC-OSK能够取得更好的分类性能。

基于混合隶属度的模糊简约双支持向量机研究

双支持向量机是一种新的非平行二分类算法,其处理速度比传统支持向量机快很多,但是双支持向量机在训练之前要进行大量的复杂逆矩阵计算;在非线性情况下,它不能像传统支持向量机那样把核技巧直接运用到对偶优化问题中;并且双支持向量机没有考虑不同输入样本点会对最优分类超平面产生不同的影响。针对这些情况,提出了一种模糊简约双支持向量机。该模糊简约双支持向量机通过对二次规划函数和拉格朗日函数的改进,省略大量的逆矩阵计算,同时核技巧能直接运用到非线性分类情况下;对于混合模糊隶属度函数,不仅每个样本点到类中心的距离影响着该混合模糊隶属度,而且该样本点的邻域密度同样影响着该混合模糊隶属度。实验结果表明,与支持向量机、标准双支持向量机、双边界支持向量机、模糊双支持向量机相比,具有该混合模糊隶属度函数的简约双支持向量机不仅分类时间短,计算简单,而且分类精度高。

基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别

籽棉杂质的分类识别是实现棉花生产线自适应加工的基础与重要依据。该文提出了一种基于局部二值模式和灰度共生矩阵的籽棉杂质分类识别算法,该算法将含杂籽棉图像首先转换为局部二值模式图像,获取图像的微观结构,再用局部二值模式图像生成灰度共生矩阵并计算特征参数,获取图像宏观结构。使用支持向量机作为分类器,用不同尺度的图像结构进行训练,从而达到籽棉杂质的分类识别。试验结果表明,该文设计算法对各种杂质的平均正确识别率达到了94%,超过单独使用局部二值模式和单独使用灰度共生矩阵的正确识别率,为实现棉花自适应加工提供了技术基础。

预抽取支持向量机的支持向量

训练支持向量机，可以归结为求解二次规划问题，而求解二次规划时的复杂度随着样本数量的增加而显著增长，这样就大大延长了支持向量机的训练时间。为了提高支持向量机的训练速度，根据支持向量机的基本原理，该文提出了一种从给定训练样本中预抽取支持向量的新方法，即两凸包相对边界向量方法(FFMVM)，此方法大幅度减小了训练支持向量机的训练样本的数量，从而大大提高了支持向量的训练速度，而支持向量机的分类能力不受任何影响。

一种改进的支持向量机BS-SVM

提出了一种改进的SVM:BS-SVM,它先对训练样本进行分类,根据每个样本到模式类样本均值的距离,将训练样本分为三种:好样本、差样本、边界样本,然后用边界样本训练得到分类器.实验表明,BS-SVM相比SVM在分类正确率、分类速度以及使用的样本规模上都表现出了一定的优越性.

自适应递归支持向量机

介绍了自适应递归支持向量机(ARSVM)算法。ARSVM以任意的方式将数据递归地划分为小的子集,每个子集上调用标准SVM产生小的归约原型(支持向量)集。这些原型合并后再调用SVM产生更精炼的原型。如此,不靠近分类边界的对分类没有影响的原型(向量)被清除掉,使其不出现在后继的SVM调用中。实验结果表明,该递归策略显著地提高了大型数据集的计算效率。

协作式整体和局部的分类机

提出了一种协作式整体局部分类算法,即C2M(Collaborative classification machine with local and global information),该算法利用两类样本各自的协方差作为整体方向信息,获得两个带整体和局部信息的分类面,并通过组合分类器的平均规则将两个分类面组合,得到最终的最优判决平面.该算法可用两次QP(Quadratic programming)求解,时间复杂度为O(2N3),大大小于M4(Maxi-min margin machine)的O(N4),线性核时的分类精度高于只利用了局部信息的支持向量机(Support vector machine,SVM).理论上证明了在交遇区较多时,C2M可以比M4更有效地利用全局信息,并提出了判断整体信息对分类是否有贡献的4个判别指标.模拟数据和标准数据集上与M4和SVM的对比实验证明了该算法的有效性.