基于遗传算法的改进径向基支持向量机及其应用

通过对径向基核函数进行分析后发现:根据样本各个特征的识别能力赋予其不同大小的核参数,可以提高支持向量机的推广能力。此结论基础上,提出了一种基于遗传算法的多核参数径向基支持向量机算法,通过遗传算法最小化验证误差,实现了根据各个特征的识别能力赋予其不同大小的核参数。将该算法用于轴承故障诊断,实验结果表明,与传统支持向量机相比,多核参数径向基支持向量机具有更好的推广能力,同时,核参数的大小反映了对应特征识别能力的大小。

径向基支持向量机推广能力快速估计算法

提出了一种估计径向基支持向量机推广能力的方法,利用解的稀疏特性和径向基核的特点以及训练过程产生的中间参数,无需增加更多的复杂运算,就能实现推广能力的估计,与其他方法相比,估计时间大大减小且适用于不同的分类超平面;并通过理论分析和试验证明该方法是一种通用的估计方法,可以适应范围很广的支持向量机模式识别问题.

RBF网络和RBF核支持向量机比较研究

RBF网络是模式识别中应用最为广泛的一种神经网络。RBF核函数型支持向量机是一种性能卓越的新型学习机。将这两种学习机进行对比分析,以期在实际应用中做出更好的选择。首先,在理论上分析了这两种学习机在分类原理上的异同。接着,将它们应用于人脸识别,利用ORL人脸图像数据库进行了仿真实验,对比分析它们各自的识别率和泛化能力等性能指标。最后,提出了在应用这两种学习机进行模式识别时应注意的方面。实验结果表明,按照本文提出的两种训练模式,RBF型支持向量机在识别准确率上比RBF网络高出2%到4%。这说明RBF型支持向量机的性能要优于RBF网络。但是RBF网络易于实现,在样本数目足够多的情况下也不不失为一种好的算法。

基于高光谱成像技术对牛肉品种判别的研究

利用可见/近红外高光谱(400 nm^1 000 nm)成像技术实现对荷斯坦奶牛、秦川牛、西门塔尔牛、安格斯牛、力木赞牛5个品种牛肉进行快速无损判别。首先对原始光谱进行预处理,并利用光谱-理化值共生距离法(sample set partitioning based on joint X-Y distance,SPXY)法划分样本集;结合偏最小二乘判别模型(partial least squares-discrimination analysis,PLS-DA),K最近邻(K-nearest neighbor,KNN)模型和径向基函数-支持向量机(radial basis function-support vector machine,RBF-SVM)模型进行全波段及特征波段判别分析。结果表明,一阶导数(first derivative,FD)法为最优预处理方法;基于RBF-SVM法所建模型的校正集与预测集准确率分别为100%、99%。可见,基于高光谱成像技术能够获得较好的牛肉品种判别效果。