支持向量分类器的模糊积分集成方法

针对常规的基于投票方法的支持向量分类器影响集成分类器的泛化能力的问题,提出一种基于模糊积分的支持向量分类器集成方法,不仅考虑各子支持向量分类器输出的客观信息,同时还考虑各子分类器输出对于最终决策的重要性,提高了集成分类器的泛化能力.仿真试验表明,该方法的分类准确率明显优于单一支持向量分类器和传统基于投票方法的支持向量分类器集成策略.

不确定性支持向量分类预警算法

支持向量分类从理论上可以保证好的预警外推能力。但历史警度的确定是一个十分棘手的问题。论文提出了不确定性支持向量分类预警方法。将支持向量分类预警问题转化为各个历史样本的惩罚系数的合理变化,从而大大减少了约束的个数,体现了专家决策在预警系统的作用。不仅实现了专家意见的综合,而且是对SVM理论本身的拓广。证明了模糊支持向量机是不确定性支持向量分类的特例,从而给出了模糊支持向量机的确切含义。数据试验表明,未确知支持向量分类预警方法具有一定的实际应用价值。

一种支持向量分类器集成的方法

针对支持向量机的分类精度受数据表达形式以及个体分类器模型选择因素影响较大,提出一种新的支持向量机集成算法来克服这个缺陷。首先利用PCA对原始数据进行处理,通过寻求原始数据的更好表达形式,以降低高维特征空间的维数;然后利用模糊积分进行多个子分类器决策融合,兼顾各子分类器的分类结果和各子分类器判决对最终决策的重要程度。仿真实验表明,该方法的分类准确率明显优于传统方法的支持向量分类器集成策略。

隧道围岩分级的遗传-支持向量分类耦合模型

针对现阶段围岩分级方法存在的主要问题,提出隧道围岩分级的遗传-支持向量分类方法。结合佛岭隧道施工期围岩分级实践,以公路隧道设计规范BQ分级为基准,分别采用岩石回弹强度和掌子面状态替代饱和单轴抗压强度和地应力状态,并增加节理延展性观察的定性指标,在大量现场测试和室内试验的基础上,给出每个分级指标的现场快速测试方法,并以分级结果作为遗传-支持向量分类算法的训练样本,建立隧道围岩分级的遗传-支持向量分类智能模型。佛岭隧道围岩分级实例表明:该模型分级结果与现场勘测基本一致,且较遗传-神经网络模型有更高的分级准确性,为隧道围岩分级提供一种方法。

基于支持向量分类的水质分析应用研究

支持向量机(SVM)是由V．Vapnik在统计学习理论(SLT)的基础上发展起来的一种新兴的用以解决小样本的机器学习方法。SVM能更好的代替传统分类器,特别是在高维数据空间具有较好的泛化能力。本文采用支持向量分类(SVC)方法研究了这一理论在工程领域的应用—济南地下水水质的分析。实验获得了较好的分类结果。SVC在小样本下的地下水水质分析中展示了良好的模式识别性能。

一种新的支持向量分类方法及其在粮食安全预警系统中的应用(英文)

本文提出了支持向量分类的一种新方法,它和标准的支持向量分类方法不同:标准的支持向量分类方法要求每一个输入点(模式)都确切地属于某一类,在本文中我们只要求输入点以某种概率属于某一类.同时,我们把这种方法应用于粮食安全预警问题中。

基于星载激光雷达数据和支持向量分类机方法的森林类型识别

以长白山汪清林区为例,分析了星载激光雷达(ICESat-GLAS)数据在森林类型识别上的应用效果。采用软件Matlab和IDL对原始二进制数据进行处理,得到GLAS回波波形图;进一步提取与森林类型相关的波形特征参数,作为支持向量分类机(C-SVC)的输入量,进行森林类型识别,并采用K-折交叉验证方法对核函数选择进行评价。结果表明:C-SVC分类方法能够识别阔叶林和针叶林2种森林类型,识别精度达到85.24%。

模糊支持向量分类机

研究了当训练点的输出为模糊数时支持向量分类机的构建问题。对于线性模糊分类问题,首先将其转化为模糊系数规划。利用模糊系数规划的λ?最优规划,求解模糊系数规划得到模糊最优解(模糊集合)以及模糊最优分类函数集(取值为最优分类函数而隶属度为λ(0≤λ≤1)的模糊集合),从而构造线性模糊支持向量分类机。对于非线性模糊分类问题,引入核函数,类似于线性模糊分类问题得到非线性模糊支持向量分类机。最后构造显示模糊支持向量分类机特点的模糊支持向量集(取值为模糊训练点,隶属度为λ(0≤λ≤1)的模糊集合)。模糊支持向量分类机较好地解决了支持向量机中含有模糊信息的分类问题。

改进支持向量分类用于蝶类自动鉴别

昆虫自动识别是重要的新兴研究领域,其中特征筛选与恰当地将多分类转化为二分类是两个关键步骤。本文基于支持向量分类,提出了一种新的多类昆虫自动鉴别方法:先以初始样本互作转换将多分类转化为二分类,再以可交换核函数消除互作样本中初始样本排列顺序不同的影响,继以非线性筛选去除无关特征与冗余特征并给出各保留特征相对重要性排序,最后以简单投票决策校正独立预测结果。新方法应用于2科7种蝶类自动鉴别,以前翅9个翅脉交叉点距离为初始特征,种、科阶元26、24个随机初始测试样本均获得了100%的准确鉴别。新方法在昆虫自动识别等多分类领域有广泛应用前景。

线性支持向量分类机优化问题解的二阶充分条件

优化问题的二阶充分条件是研究灵敏度分析的基础,支持向量机是数据挖掘的新方法。针对线性支持向量分类机优化问题,研究了其解的二阶充分条件,给出了二阶充分条件成立的假设条件。研究表明,该假设条件很弱,用支持向量机算法求解实际问题时,通常假定这一条件成立,特别地,对线性可分支持向量分类机优化问题,其解一定满足这一条件,满足二阶充分条件成为当然成立的事实。

改进的支持向量分类机在客户流失预测中的应用

针对目前客户流失预测方法的不足,在利用训练样本中不同类个数比值来确定各类惩罚参数的基础上,改进标准的C-支持向量分类机(SVC)。通过以美国某电信公司客户流失预测为实例,与标准C-SVC、人工神经网络、决策树、贝叶斯分类器等方法进行了对比,发现该方法能获得较好的正确率、命中率、覆盖率和提升系数,是研究客户流失预测问题的有效方法。

支持向量分类机在湖泊富营养化评价中的应用

支持向量机是建立在统计学理论和结构风险最小化准则的基础上,能较好地解决小样本、非线性、高维数及局部极小点等实际问题的新型机器学习方法。利用支持向量分类机算法,构建湖泊富营养化评价模型并应用于具体实例。结果表明,支持向量分类机能正确客观地对湖泊富营养化程度进行等级评价,并且计算简洁,快速和保证有较好的泛化性能。

基于支持向量分类机和回归机的综合评价方法

采用支持向量多值分类机和回归机进行综合评价排序,以提高机器学习方法的综合评价排序能力,并以管理信息系统综合评价为例,与人工神经网络(ANN)方法进行了对比研究.试验结果表明,基于支持向量多值分类机综合评价得分之间的差异比ANN更明显,而且基于支持向量回归机综合评价得分的相对误差明显小于ANN.

支持向量分类方法理论基础的改进(英文)

支持向量机是通过求解对偶问题来解决原始问题的.针对线性决策函数f(x)=(w·x)+b,我们指出了其原有的逻辑系统中的错误,并通过严格的证明,对其理论基础作了改进.而且,对于阈值b,我们给出了一个新的简洁计算公式.

基于改进PSO算法参数优化的模糊支持向量分类机

借助遗传算法中交叉和选择的思想策略,提出一种改进的粒子群算法对模糊支持向量机的参数进行优化选择.结果表明:该方法能够减少模糊支持向量机参数选择的盲目性,增强了模糊支持向量机的泛化能力,同时也提高了其分类精度.

支持向量分类机的参数选择方法研究

支持向量分类机(Support Vector Classification,SVC)的参数选择一直缺乏一种通用、完善的方法,很大程度上限制了它的应用。为解决SVC参数选择的难题,提出了一种基于启发式深度优先搜索(Heuristic Depth-first Search,HDFS)的SVC参数自动寻优方法。该方法将10-fold交叉验证的最大识别率作为目标,利用HDFS算法进行SVC参数寻优,减少了SVC的训练时间,提高了分类的精度,从而确保了SVC参数选择的准确性。将该算法用于3个基准数据集的仿真实验,结果表明该方法在保证分类精度前提下,大幅度缩短了训练建模时间,提高了运行效率,具有一定的推广意义。

模糊支持向量分类机在冠心病诊断中的应用

论文研究模糊支持向量分类机在冠心病诊断中的应用。首先给出模糊支持向量分类机(算法),在此基础上得出基于模糊支持向量分类机的冠心病诊断方法。

基于免疫遗传和顺序支持向量分类机的DTG健康状态评估

针对无监督情况下动调陀螺仪健康状态评估问题,提出一种两阶段健康状态评估模型.首先,在利用HHT数据预处理的基础上,为克服FCM算法初值敏感及遗传算法过早收敛等问题,提出一种加权免疫遗传模糊C均值聚类模型;其次,针对聚类结果数据的顺序性,建立基于顺序支持向量分类机的健康状态评估模型.实例结果表明提出的聚类模型具有较高的收敛精度和收敛速度,评估模型具有较高的准确率和效率.

基于支持向量分类机的煤与瓦斯突出危险性预测

为了提高煤与瓦斯突出预测的准确性,提出了基于支持向量分类机的煤与瓦斯突出危险性分类的预测方法。该方法以地应力、瓦斯压力、煤的厚度和煤样筛分模数作为特征值,建立了煤与瓦斯突出危险性预测模型,分别选用单项式、多项式、RBF以及Sigmoid核函数对所选样本训练学习,确定了RBF做为预测突出危险性模型的核函数。

线性支持向量分类机的平凡解

对二类分类问题,在线性可分或近似线性可分情况下,对线性支持向量分类机的平凡解进行了讨论,得出了解为平凡解的充要条件,说明了其几何意义,指出了避免出现这一现象的解决办法.该充要条件表明:对给定的训练集T,最优解是否为平凡解取决于训练集T的样本点在空间的分布位置,与惩罚参数C值的选取无关.一旦出现平凡解,线性支持向量分类机将会失效.为解决这一问题,可通过增加或减少训练集T中的样本点来实现.