基于混合核函数的支持向量机

支持向量机采用核函数来实现从原输入空间到一个高维空间的非线性映射,而由于普通核函数各有其利弊,为了得到学习能力和泛化性能都很强的核函数,研究了2种支持向量机核函数:全局核函数(线性核函数)和局部核函数(RBF核函数),提出了组合核函数的支持向量机。与普通核函数构造的支持向量机进行了比较实验。结果表明,组合核函数的支持向量机性能明显优于由普通核函数构造的支持向量机。

增量支持向量机核函数的优化

支持向量机的核函数类型分为两类:局部核函数和全局核函数.局部核函数的值只受到相距很近数据点的影响,有很好的学习能力.全局核函数的值会受到距离较远数据点的影响,有很好的推广泛化能力.针对局部核函数学习能力良好但泛化能力差的缺点,提出一种结合局部核函数和全局核函数构造新联合函数的方法.实验结果表明,与局部核函数和全局核函数相比,新联合核函数有更好的预测能力,并且能够适应增量学习的过程.

基于单核和组合核函数在垃圾邮件过滤中的比较应用

大多数文本为高维且线性不可分。针对中文邮件,首先阐述了邮件预处理的相关方法,利用TF-TDF将邮件向量化。分析了多种常用核函数在SVM中应用于垃圾邮件过滤。阐述了全局核函数和局部核函数的特点,主要针对全局核函数-多项式(Poly)核函数和局部核函数-径向基核(RBF)函数在垃圾邮件分类的准确性做了比较,综合分析后组合两种核函数。实验证明,组合核函数在性能上优于单个核函数,具有较好的学习能力和泛化能力。

非局部核与应变局部化问题解的相关性

在非局部理论框架下,研究了应变局部化现象模拟结果与所用非局部核函数的相关性。首先,在非局部损伤理论框架中,提出一个以应变与损伤参量为独立变量的新的自由能泛函形式,并由热力学定律,推导非局部弹性损伤本构方程。然后,通过二次线性化的方法,给出一维情况下的支配方程。最后,给出对应不同形式非局部核的损伤局部化现象模拟结果。通过与模拟结果的比较,分析非局部核与解的相关性,得到了一些有价值的结论。

基于混合核函数的SVM及其应用

支持向量机可以很好地应用于函数拟合中,其中核函数的选择尤其重要。由于普通核函数各有其利弊,为了得到学习能力和泛化性能都很强的核函数,文中采用了混合核函数,并将由其构造的支持向量机运用于函数拟合中,且与普通核函数构造的支持向量机的实验结果进行了比较。结果表明其性能明显优于由普通核函数构造的支持向量机。

分解子空间自适应核函数综合支持向量机算法

针对单一整体核函数相对于高维原始空间特征局部分布缺乏自适应性,导致特征利用效率低、分类性能下降明显的问题,提出分解子空间自适应核函数综合支持向量机解决思路.首先将原始空间的高维特征分成一系列有意义的低维子空间;然后针对不同子空间选择不同的核函数和核参数,根据子空间SVM分类性能进行置信度加权;最后,综合所有有效子空间形成的综合核矩阵构造综合支持向量机.由于不同输入子空间构造的核函数具有更大灵活性,综合核矩阵较好利用了高效子空间特征的分类能力.实验结果表明,该方法能够较好地改进高维模式识别的性能,是一种值得实际应用推广的方法.

一种基于PSO的混合核支持向量机算法

支持向量机算法作为一种新的机器学习方法,在处理小样本分类问题上具有明显优势,但核函数和参数的选取的好坏直接影响支持向量机算法的性能.针对该问题,通过组合全局核函数和局部核函数的混合核函数方法,建立了基于粒子群算法的混合核支持向量机算法,并经过Matlab仿真实验,表明该改进算法较支持向量机算法具有更高的分类准确率和更好的学习及泛化能力.

基于self-resemblance的视频通用目标跟踪与提取研究

针对目前图像识别中存在局部识别及特定目标识别的限制和目标视频片段提取的问题,该文利用局部自适应回归核函数（LARKs）,并结合self-resemblance、PCA、Saliency Map等方法而设计出一种视频中通用目标识别系统,该系统可以通过输入图片从视频中找到目标并进行跟踪,针对用户需求可以从视频中提取只与目标相关的视频片段,从而提高用户获取有效信息的效率。经过实验测试,该方法具有较高的准确率,特别是在视频监控领域具有重要的应用价值。

在QSAR中应用SVR的非线性组合预测

为提高定量构效关系(quantitative structure-activity relationship,QSAR)模型预测的精度,以支持向量回归(support vector regression,SVR)全局与局部核函数,发展出1种非线性组合方法GK-LK-SVR,其基本思路为:依均方误差(MSE)最小原则,分别基于SVR的全局与局部核函数筛选描述符后预测,实测值与不同核函数的预测值组合成混合样本,然后再依MSE最小原则基于SVR对混合样本实施核函数寻优及子模型筛选,最后以留一法完成预测。对2种化合物QSAR建模结果表明:GK-LK-SVR方法预测精度高,有望在QSAR研究中得到广泛应用。