一族新的布尔核函数及其应用

核机器(KernelMachine)已成为机器学习领域的热点研究问题。针对只具有离散属性的分类问题,在对合取范式进行深入分析的基础上提出了一族新的布尔核函数。利用这些布尔核函数,可以在布尔逻辑学习、决策树/决策规则学习以及基于项集的学习中,引入核机器技术。实验结果指出,使用结构简单而符合训练数据集特征的布尔核函数,有助于显著提高分类器的性能。

一种基于布尔核SVM的人脸识别策略

针对人脸识别问题,给出基于布尔核的SVM识别策略,该策略首先应用K-L变换对人脸图像进行特征参数的提取,然后将提取出的特征进行0-1化处理,用于构造基于布尔核的SVM。在标准人脸库ORL上的试验结果表明,基于布尔核函数的SVM在分类准确率上明显高于传统PCA算法,同时,也优于线性SVM。

基于BKF-SVM电力短期负荷预测

支持向量机方法在负荷预测领域已经得到广泛应用,但它在训练数据时仍存在许多弊端,如数据处理量太大、处理速度慢等,针对这些缺点,本文提出了一种基于布尔核函数的SVM(BKF-SVM)预测系方法,为了确定SVM中直接影响其推广能力的超参数,提出了固定步长迭代法,实现了对超参数的自动选取。实际算例表明,将该系统应用于短期负荷预测中,与RBF-SVM方法作了比较,得到了较高的预测精度,具有结构简单,泛化性能好,不易发生过拟合现象等优点。

大型智能视觉监控下的漏电监测软件设计方法

在长距离的电力运输中,对于漏电的监测效率较低。提出基于布尔核SVM识别算法的大型智能视觉监控下漏电监测方法。通过监控设备拍摄漏电发生时的电火花图像,对其图像进行颜色和形状参数特征的提取,构建布尔核SVM模型,完成监控设备拍摄下的漏电发生过程中电火花图像的基本识别。实验结果表明,利用该算法进行大型智能视觉监控下的漏电监测软件设计,能够极大地提高识别能力和识别的准确率,及时监测到漏电情况,保证了用电区域的安全。