一种改进的DDAGSVM决策算法

决策导向无环图支持向量机(DDAGSVM)是一种典型的SVM多类分类算法,然而传统SVM决策分类器存在误差积累,其推广能力有待进一步提高。为改进DDAGSVM,有效的做法是定义一种类间可分离性测度,将容易分的类先分割出来,然后再分不容易分的类,使错分尽可能地远离图的根部。引入了一种基于广义KKT条件的类间可分离性测度,提出一种改进的DDAGSVM分类决策算法。三螺旋线实验和HRRP分类实验证明该方法对控制分类错误有明显的效果。

基于优化DDAGSVM多类分类策略的电能质量扰动识别

针对电能质量扰动类型多样且识别率不高的问题,该研究的目的是如何将多类分类问题应用于支持向量机。首先通过S变换和FFT变换提取扰动信号特征量进行模型训练。其次将广义KKT判定条件与样本空间分布序列相结合引入类间识别度,将类间识别度最高的超平面函数作为分类器根节点,以此克服传统决策导向非循环图支持向量机分类器(DDAGSVM)在分类生成顺序上随机化的缺点,并将改进的DDAGSVM应用于电能扰动信号的识别分类。实验结果表明,所提算法较传统DDAGSVM算法有良好效果和更好的鲁棒性。

基于参数间隔孪生支持向量机的增量学习算法

针对处理大量时间序列数据或数据流时,参数间隔孪生支持向量机(TPMSVM)分类训练速度依然较慢的问题.本文证明了样本满足TPMSVM的KKT条件所对应的数值条件,并根据结论提出一种适用于TPMSVM的增量学习算法用于处理时间序列数据.该算法选取新增数据中违背广义KKT条件和部分满足条件的原始数据,参加分类器训练.实验证明:本文提出的增量算法在保持一定分类精度的同时提高了TPMSVM的训练速度.

非凸半定规划的鞍点存在性研究

主要利用矩阵分析的谱分解、Frobenius内积及其相关性质,凸分析的凸集分离定理来研究非凸半定规划问题的鞍点的存在性,通过3种不同的方式给出并证明了鞍点存在的一些充分、必要以及充分必要条件。首先,利用一个不等式系统给出了与文献[1]中的对偶定理等价的一个鞍点存在的充分必要条件。然后,给出了广义的KKT条件,并在不变凸性的假设下,证明了广义KKT条件是鞍点存在的一个充分条件;若x∈int C,则广义KKT条件是鞍点存在的一个必要条件。最后,定义了一个扰动函数ν,并在非凸半定规划问题的最优解存在的假设下,利用此扰动函数给出了鞍点存在的一个充分必要条件:若非凸半定规划问题的最优解存在,则对偶可达且无对偶间隙等价于扰动函数ν的上图在点(0,ν(0))处存在支撑超平面。