基于ε-Pinball损失函数的拉普拉斯双支持向量机

考虑到拉普拉斯双支持向量机中的平方损失函数对分类超平面两侧的同类样本点给予了相同重视,当出现噪声或离群点时,所得分类超平面可能会出现偏离的现象,为了减小噪声或离群点的影响,提出基于ε-Pinball损失函数的拉普拉斯双支持向量机;给出正、负损失的概念,探讨参数τ对分类超平面的影响,分析参数ν的意义,并进行数值实验。结果表明,通过调节参数τ,可增强模型的灵活性,使得模型具有较好的分类能力及抗噪性。

基于拉普拉斯分值和超球支持向量机的轴承故障诊断方法设计

针对轴承振动信号中的故障信息往往很微弱,同时振动样本数据分布不平衡即故障样本占总样本数的比例低,从而导致故障诊断模型训练不精确而影响诊断精度的问题,提出了一种基于拉普拉斯分值和超球大间隔支持向量机的故障诊断方法;首先,采用有标签的训练样本数据和拉普拉斯分值法提取原始振动信号中的微弱故障信息,并降低其数据维数,从而得到用于故障诊断的特征向量,然后设计了一种改进的超球大间隔支持向量机的故障诊断模型,通过最小化超球体积和最大化超球边界和故障样本之间的间隔来实现故障诊断,以解决样本的不均衡问题,最终通过将测试样本数据代入决策方程并通过投票机制确定其故障类别;在Matlab环境下对轴承故障诊断进行实验,实验结果证明了文中方法能有效解决样本的不均衡情况下的故障诊断,且相对其它方法,具有诊断精度高和收敛速度快的优点。

半监督学习算法拉普拉斯支持向量机应用于蛋白质结构类预测

应用半监督学习方法拉普拉斯支持向量机(Laplace Support Vector Machine, LapSVM)对蛋白质结构类进行预测。首先7个氨基酸理化性质参数作为替代模型将蛋白质序列转换为数字序列,自协方差变换(Autocross-Covariance, AC)用来描述具有一定间隔氨基酸残基之间的相互关系并将数字序列变换为统一长度的向量,构建样本的特征空间。然后在数据集中分别随机挑选20、50、80、110、140、170个样本作为无标签样本构建训练集,一对多分解策略和留一法用来评价LapSVM模型的预报能力。分类器对蛋白质样本类预测正确率为94.12%,与标准支持向量机算法(Support Vector Machine, SVM)方法90.69%的预测精度相比有明显的竞争力。实验结果有效验证了无标签样本的分布信息作为弱规则能有效提升分类器的预报性能。同时提供了一种新颖的思路,应用半监督方法解决全监督学习问题,更小的优化规模,更好的预报能力。

基于拉普拉斯支持向量机的刀具工况监测方法

针对目前刀具工况监测方法中,有标签刀具工况样本获取成本高,同时大量无标签刀具工况样本被无价值地丢弃的问题,提出了一种基于拉普拉斯支持向量机(Laplacian Support Vector Machine,Lap SVM)的刀具工况在线监测方法。以插铣刀具工况监测为例设计了切削实验,Lap SVM利用少量有标签样本的分类约束和大量的无标签样本的流形约束实现刀具工况在线监测。实验结果表明该方法在有标签样本量较少情况下的分类正确率较传统支持向量机有显著提高,具有较好工程应用价值。

基于复合多尺度熵与拉普拉斯支持向量机的滚动轴承故障诊断方法

针对早期滚动故障特征不明显和特征提取难等问题,将一种新的衡量时间序列复杂性的方法——复合多尺度熵(CMSE)应用于滚动轴承故障振动信号的特征提取。CMSE克服了多尺度熵中粗粒化方式的不足,得到的熵值一致性和稳定性好。同时,针对机械故障智能诊断中收集大量的样本比较容易而要对所有的样本进行类别标记却较为困难这一问题,将拉普拉斯支持向量机(LapSVM)应用于滚动轴承故障的智能诊断中。在此基础上,提出了一种基于CMSE,序列前向选择(SFS)特征选择和LapSVM的滚动轴承故障诊断方法。最后,将提出的方法应用于试验数据分析,结果表明:CMSE能够有效地提取滚动轴承的故障特征;当有标记样本的数量较少时,与仅使用有标记样本进行学习的支持向量机相比,结合SFS特征选择的LapSVM方法利用大量的无标记样本进行辅助学习,可以显著提高故障诊断的正确率。

结构化最大间隔双支持向量机在股票预测中的应用

股票价格受政策、宏观经济以及公司经营状况等多方因素的影响,且各因素之间存在较高的相关性,因此股票数据存在的高噪声、非平稳等特性使得股票预测充满困难。为了减少数据中存在的噪声对股价预测准确性的影响,基于马氏距离的类间隔可分性,提出了结构化最大间隔双支持向量机,其分别针对正类样本和负类样本,寻找两个非平行的超平面,使每一类样本离本类样本的欧式距离尽可能小,同时离异类超平面的马氏距离尽可能大。8组基准数据集的实验结果表明,该方法在含噪声数据的分类问题上具有稳定的准确率,从而提升了模型的预测性能和抗噪能力。同时将其应用到股票涨跌趋势预测中,通过对上证综指、上证A指、上证380指数以及中国平安等14只股票实证分析的结果表明,相较于其他对比模型,结构化最大间隔双支持向量机表现出了较好的预测结果,具有一定的实用价值。

鲁棒的模糊最小二乘双参数间隔支持向量机算法

针对最小二乘双参数间隔支持向量机(LSTPMSVM)对噪声敏感且在分类过程中易受异常值影响的问题,提出了一种鲁棒的模糊最小二乘双参数间隔支持向量机算法(RFLSTPMSVM).该算法利用松弛变量的2范数使得优化问题具有强凸性,再根据隶属度为每个样本分配相应的权重,有效降低异常值带来的影响.同时,在目标函数中引入K-近邻加权,考虑样本之间的局部信息,提高模型的分类准确率.此外,通过求解简单的线性方程组来优化该算法,而不是求解二次规划问题,使模型具有较快的计算速度.在UCI(university of California irvine)数据集上对该算法进行性能评估,并与TWSVM、LSTSVM、LSTPMSVM和ULSTPMSVM 4种算法进行比较.数值实验结果表明,该算法具有更好的泛化性能.

半监督拉普拉斯分值在滚动轴承故障诊断中的应用

针对滚动轴承故障诊断过程中标签样本不足的问题,结合特征选择与二次挖掘,提出了基于半监督拉普拉斯分值(Semi Supervised Laplace Score,SSLS)和核主元分析(Kernel Principal Component Analysis,KPCA)的滚动轴承故障诊断模型。SSLS将半监督思想应用于拉普拉斯分值特征选择方法中,利用少量的有标签样本和大量无标签样本,结合KPCA对故障特征进行二次挖掘。同时,将粒子群优化的支持向量机(Particle Swarm Optimization-based Support Vector Machine,PSO-SVM)算法用于故障分类。最后,将该模型应用于实验数据分析过程。结果表明,该模型在减少样本标记工作量的同时,仍能在滚动轴承故障分类中保持较高的准确率,验证了所建立模型的有效性和工程实用性。

基于VMD和拉普拉斯分值的柴油机故障诊断

针对柴油机声信号非平稳非线性的特性,提出了一种基于变分模态分解(VMD)和拉普拉斯分值(LS)的柴油机故障诊断方法。首先对柴油机声信号进行变分模态分解,从分解得到的各模态函数中进行统计特征提取,组成初始特征集;然后利用改进的拉普拉斯分值算法进行特征排序,以支持向量机(SVM)为故障分类器,实现柴油机的故障诊断;最后通过设计接受者操作特性(ROC)指示器,确定故障诊断的最优维。将该方法应用到6135D型柴油机四种常见故障的诊断中,实验结果表明该方法能有效提取柴油机声信号特征并具有较高的诊断精度。

基于LBP的拉普拉斯特征映射人脸识别

局部二元模式算子法计算简单且易于实现,能有效地提取人脸局部结构的纹理特征。拉普拉斯特征映射算法是一种经典的非线性降维法,其优化过程无局部最小问题。鉴于以上优点,提出了一种基于局部二元模式的拉普拉斯特征映射人脸识别方法。该算法首先采用均匀模式的LBP算子提取人脸特征,再用LE算法进行非线性降维,最后用SVM进行分类识别。分别选取了ORL人脸库中每人前3,5,7,9幅样本作为训练集进行了实验,并与其他算法进行了比较分析,证明了该算法的有效性。

基于超声射频信号的支持向量机双参量B线识别方法

肺超声中的特殊征象B线对于临床诊断肺水肿等肺部疾病有重要意义,但诊断结果依赖于医生的主观判断。为了客观、自动地识别B线,提高诊断准确率,该文提出了一种基于超声回波射频信号的肺脏超声特殊征象B线识别方法。该文首先选取了射频信号的排列熵、信息熵、峰度、偏度、能量作为特征参数,利用独立样本t检验和单参数贝叶斯分类的方法检验超声射频数据中B线、非B线所对应射频数据的各个参量的差异性以及各参数与B线识别的相关性。然后将不同的双参量组合输入非线性支持向量机中进行分类,比较各个组合的分类效果。结果显示信息熵与排列熵参数组合基于射频信号的分类效果最好,分类灵敏度为90.521%,特异性为98.106%,准确率为96.328%,受试者工作特征曲线下面积等于0.95。在引入后处理算法后,B线识别效果有进一步提升,得到分类平均灵敏度为95.23%,平均特异性为97.22%,平均准确率为96.88%。研究结果表明基于射频数据的支持向量机双参量B线识别方法对辅助临床诊断具有重要价值,信息熵和排列熵的组合可以有效地对特殊征象B线进行高精度识别。

智能拉普拉斯分类器

针对拉普拉斯分类器的核参数选择问题,通过首先假设窗的三个估计中核参数取不同的值,然后运用智能遗传算法对核参数进行优选,得到一种新的分类器——智能拉普拉斯分类器。多个基准数据集上的实验结果证明,智能拉普拉斯分类器相对普通拉普拉斯分类器和支持向量机而言,具有较高的分类精度和稳定性,是一种有效的分类方法。

基于拉普拉斯非负稀疏编码的图像分类

针对复杂背景下的图像分类问题,结合非负稀疏编码和局部保持投影算法,提出一种拉普拉斯正则化非负稀疏编码算法。相比于已有的稀疏编码算法,该算法不仅能更好地模拟哺乳动物初级视觉系统主视皮层V1区简单细胞感受野的行为,同时也可使相似的特征经过编码后仍然相似,从而保证特征度量的一致性。将该算法与空间金字塔匹配模型相结合应用于图像分类,在多个图像数据库上的实验结果表明,该算法具有较高的分类精度。

基于支持向量机算法的含双局部减薄缺陷弯管爆破压力预测

为实现对含双局部减薄缺陷弯管爆破压力的精确预测,以415组不同尺寸轴向双局部减薄缺陷和环向双局部减薄缺陷20钢弯管爆破压力的显式非线性有限元模拟数据作为学习样本,建立了含双局部减薄缺陷20钢弯管爆破压力预测的支持向量机(SVM)模型;利用交叉验证方法对SVM模型参数进行优选,确定了最优的惩罚因子和核函数参数;最后通过与显式非线性有限元模拟结果的对比,分析了SVM模型用于两局部减薄缺陷任意方位分布时弯管爆破压力的预测精度。结果表明:SVM模型用于双局部减薄缺陷弯管的爆破压力预测时,其预测相对误差在-4.9%~3.7%;SVM模型具有预测精度高、适用范围广,操作简单、便于工程技术人员实使用等特点。

基于增量式拉普拉斯嵌入和SVM的图像识别

提出了一种基于增量式拉普拉斯嵌入和支持向量机的图像识别方法,该方法首先利用增量式拉普拉斯特征映射对数据点进行维数约减和特征提取;再应用以统计学习理论为基础的支持向量机对图像进行分类识别。在降维过程中,该方法能够最优保持原始空间数据点的局部信息,克服了PCA降维算法从全局考虑而丢失局部信息的缺点,并且对测试集的嵌入坐标增量式计算的特点很好地减少了运算量。实验证明,该方法的图像识别率明显高于传统的PCA线性降维方法,具有可行性。

拉普拉斯分布的一种推广

拉普拉斯分布是一种经典的分布,讨论支持向量回归机所对应的密度函数,作为拉普拉斯分布的一种推广,求出了其参数的极大似然估计。

基于拉普拉斯分值和鲸鱼寻优SVM的滚动轴承故障诊断

滚动轴承的振动信号所呈现出的非高斯、非线性等特性,使得其故障类型和故障严重程度难以准确识别,故此提出了一种拉普拉斯分值(laplacian score,LS)与基于鲸鱼算法(whale optimization algorithm,WOA)寻优的支持向量机(support vector machine,SVM)相结合的智能故障诊断方法。首先提取原始振动信号时域、频域、时频域的统计特征,通过利用LS选择较为敏感、更能表征故障状态的特征,形成故障特征向量,然后通过鲸鱼算法来优化SVM的惩罚因子和核参数,构造成分类器模型来进行故障模式识别,判断出滚动轴承的故障类型。通过多种算法对SVM的参数寻优进行对比发现WOA寻优优势明显,同时使用多方面的实验数据验证了该方法在提取滚动轴承故障特征信息方面的有效性,且具有较高的分类识别精度。

基于双支持向量机的偏二叉树多类分类算法

提出一种基于双支持向量机的偏二叉树多类分类算法,偏二叉树双支持向量机多类分类算法.该算法综合了二叉树支持向量机和双支持向量机的优势,实现了在不降低分类性能的前提下,大大缩短训练时间.理论分析和UCI(University of California Irvine)机器学习数据库数据集上的实验结果共同证明,偏二叉树双支持向量机多类分类算法在训练时间上具有绝对的优势,尤其在处理稍大数据集的多类分类问题时,这一优势尤为突出;实验仿真结果还证明,在采用非线性核时,该算法取得了比基于经典支持向量机的一对其余多类分类算法及二叉树支持向量机更好的分类效果;同时该算法还解决了后两种算法可能存在的样本不平衡问题,以及基于经典支持向量机的一对其余多类分类算法可能存在的不可分区域问题.

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。

基于混合模糊隶属度的模糊双支持向量机研究

双支持向量机是近年提出的一种新的支持向量机。在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力。但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性。为了克服这个缺点,提出了一种基于混合模糊隶属度的模糊双支持向量机。该算法设计了一种结合距离和紧密度的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类。实验证明,该模糊双支持向量机的分类性能优于传统的双支持向量机。