一种约减支持向量域描述算法RSVDD

为加快支持向量域描述(SVDD)的训练速度,提出基于约减集的约简支持向量域描述算法RSVDD.由于描述边界仅由支持向量决定,且支持向量多分布在描述边缘附近,该算法采用每个样本到中心的距离作为支持向量的一种可能性度量,选取距离较大的部分样本作为约减集参与SVDD训练.人造数据和基准集数据上的仿真实验表明了RSVDD的有效性和优越性,保证了目标类和奇异值类的分类精度,缩减了训练规模和训练时间.

基于支持向量域描述的多故障诊断动态模型

为了提高多故障诊断中对新故障类别和新故障数据的适应性,提出了一种新的多故障诊断动态模型．该模型采用支持向量域描述算法(SVDD)对多类故障进行单独训练,建立独立而封闭的特征空间,满足故障类别的动态增加需要,并采用样本与各特征空间的相对距离进行了多故障的混合识别．应用在线SVDD算法,在已有的故障特征分布信息基础上,通过更新操作,学习新数据信息,从而实现了故障模式的动态调整．通过仿真和机械故障实例数据的检验,表明该模型能够动态地提取多类故障的特征信息,改善诊断学习过程的适应性．

基于数据域描述的模糊支持向量回归

针对支持向量机中由于噪声和孤立点带来的过拟合问题,提出了一种基于支持向量数据域描述的模糊隶属度函数模型,根据样本到特征空间最小包含超球球心的距离来确定其模糊隶属度.将提出的隶属度模型用于模糊支持向量回归中,二维数据集仿真以及工业PTA氧化过程中 4 CBA浓度预测的实例表明,提出的模型可以有效减小回归误差,提高支持向量机抗噪声的能力.*

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器。该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界,然后通过该边界对样本数据进行分类。文章所获得的学习算法和支持向量机(SVM)和序列最小优化(SMO)算法相比,不仅降低了样本的采集代价,而且在训练速度上有了很大提高。在CBCL人脸库和USPS手写数字识别的实验中,给出了该算法和SVM、SOM算法的实验对比结果,说明了该学习算法的有效性。

混沌分形特征与支持向量数据域描述辨识机械动态系统异常

为了在微弱故障征兆出现时能通过正常状态对异常进行辨识,针对通常动态系统故障状态样本缺乏的单值分类问题,提出混沌分形特征组合及支持向量数据域描述(support vector data description,SVDD)的动态系统振动异常辨识方法。该方法采用误诊和漏诊两种分类错误的SVDD接受者操作特征(receiver operating characteristic,ROC)曲线,通过分析振动混沌分形特征,选取最大Lyapunov指数和关联维数的最优组合,进而建立正常状态样本单值SVDD分类器,并对可提高分类精度的试验验证法优选核函数参数进行了探讨。试验及测试表明,SVDD-ROC方法避免了传统特征选取对具体故障类型样本的依赖性,选取的特征组合对正常和故障样本有较好的自聚类性,SVDD方法仅需要正常状态样本就能辨识异常状态,并且对未知故障也有较好的异常辨识能力。该研究可为动态系统异常状态提供建模与检测的理论基础和设计依据,有效预防突发事故,节约维修成本,提高动态系统的利用率,保障其安全运行,有效降低成本。

基于支持向量域数据描述的快速学习算法

支持向量域数据描述(SVDD)是一种单值分类算法,用于将目标样本与其他非目标样本区分开来。本文引入数学中曲率的概念,根据分类边界线附近支持向量曲率的大小来对训练集进行约减;提出了一种约减型的支持向量域数据描述快速训练算法FSVDD,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而训练时间极大减少,同时分类性能几乎不受大的影响,该算法在大规模训练样本学习中具有现实意义.

一种改进支持向量域数据描述方法及其应用

针对支持向量域数据描述中的核参数选择及其决策边界规整问题,提出一种新的改进算法.该算法根据支持向量域数据描述本身的特点,利用非高斯性来测量核空间样本接近球形区域分布的程度,并根据此测量结果来优化核参数.当核参数选定之后,核空间样本可能存在分布不均匀的现象,对此,该算法应用核主元分析来进行规整,即通过尺度变换来调整各主轴的长度,以获得一个更合理的球形分界面.最后通过标准数据集和TEP故障诊断仿真以验证该算法,仿真实验结果表明了该算法的有效性.

基于支持向量域描述的图像集匹配

提出一种基于支持向量域描述的图像集匹配方法.该方法首先通过支持向量机学习,将每个图像集合映射到高维特征空间,使用支持向量域对图像集合建模,建立的模型使用一个包含大部分样本的最小闭球表示.然后引入基于支持向量域之间距离的相似性度量,将集合的匹配转换为成对的支持向量域之间的距离计算.最后在基于集合的人脸和对象识别任务中分别进行测试,文中方法的识别率在ETH80、HondaUCSD和YouTube数据库上分别达到96.37%、100%和95.32%,优于其他方法.

位置正则的支持向量域描述在人脸识别中的应用研究

支持向量域描述是一种有效的一分类数据描述方法,能够有效地对单一类别的数据进行表达,并能有效地降低负样本的干扰。应用支持向量域描述方法,将人脸图像集合投影到高维特征空间构建描述特征空间中人脸图像的超球体,并定义两个超球体之间的相似性度量,应用最近邻分类器进行分类。在基于集合的人脸识别应用标准数据库上测试了该方法,在Honda/UCSD、CMU Mobo和You Tube数据分别取得100%、97.55%和59.78%的识别率。实验结果表明,该方法是一种有效的基于图像集匹配的人脸识别方法。

一种数据域描述的加权支持向量回归算法

针对支持向量回归中由于噪声和孤立点带来的过拟合问题,提出了一种基于支持向量数据域描述的加权系数函数模型,根据样本到特征空间最小包含超球球心的距离来确定其加权系数。将提出的加权系数模型用于加权支持向量回归中,一维数据集仿真表明,提出的模型可以有效减小回归误差,提高支持向量回归算法的抗噪声能力。

基于支持向量域描述的稀疏Bagging算法

提出了1种基于SVDD(support vector domain description)的集成剪枝算法。首先通过有放回的随机采样训练出若干个学习模型,接着通过支持向量域描述算法寻找1个最小超球面,使其包含不少于一定数量的预测模型;然后得到1个可以确定球心位置的稀疏权重向量;最后选取该向量中非零元素所对应的学习模型解决二分类问题。通过多组实验将基于SVDD的集成剪枝算法与Bagging以及其他集成剪枝算法进行比较,验证了所提出算法的准确性和高效性。

基于多参数联合分析和支持向量数据描述(SVDD)的滚动轴承状态评估

综合了滚动轴承振动信号的峭度、有效值、峰值三个参数,并用支持向量数据描述(SVDD)技术对振动信号进行联合多参数分析,对滚动轴承的运行状态进行评估。实验数据表明,此方法能够有效地判决滚动轴承是否异常,并能够度量异常程度。

基于支持向量域描述的雷达地面目标鉴别技术

在高分辨一维距离像目标识别中,有效的对库内目标特征空间进行描述,并且对库外目标进行鉴别是一个关键问题。本文提出了一种基于非均匀特征向量分布的目标鉴别器设计方法,该方法利用训练特征空间的协方差分布情况,选择库内协方差较小,即样本密度较大的区域进行细致描述,有效克服了训练样本分布非均匀造成的特征空间描述偏差,进而保证对库内目标的有限判断与库外目标的有效剔除,从而提升目标识别系统的总体性能,最后利用仿真与实测数据相结合的方式对该方法的性能进行了验证。

基于支持向量数据描述的局部放电类型识别

电力设备内部绝缘缺陷发展往往会因环境条件的改变而变化,加之采集到的局部放电(PD)数据具有分散性和复杂性,导致传统绝缘故障识别方法效果不佳。为此,提出了一种用于气体绝缘组合电器(GIS)设备PD类型识别的支持向量数据描述(SVDD)算法。借鉴支持向量机(SVM)算法中最大化"间隔"的思想,建立了这种优化的支持向量数据描述(OR-SVDD)算法。该算法采用多分类方法中的"一对多"原理,用以解决对传统绝缘故障出现的识别率低、误识别、漏识别以及识别时间长等问题。通过仿真与实验结果表明,OR-SVDD算法能够对所有的数据进行正确描述,自动辨识拒识对象,训练时间低于传统的SVM算法,并具有较高的识别率,在电力设备在线监测与局部放电模式识别领域有良好的应用前景。

基于模糊K近邻支持向量数据描述的水电机组振动故障诊断研究

水电机组振动故障诊断中常面临样本稀缺及分布不均匀、不平衡等问题,严重影响诊断结果。针对此类问题提出一种基于模糊K近邻(K nearest neighbor,KNN)支持向量数据描述(support vector data description,SVDD)的故障诊断模型。首先利用核变换将故障样本映射到高维特征空间,并采用SVDD提取不平衡故障样本域的边界支持向量样本,构建基于相对距离模糊阈值和KNN的决策规则,最终在此基础上建立机组故障诊断模型。用该模型对经过不平衡处理的国际标准测试数据样本进行测试实验,并与支持向量机(support vector machine,SVM)及目前应用较多的SVDD模型的分类结果进行对比,结果表明该模型可有效解决不平衡样本分类倾斜性问题。最后,将模型用于某水电厂机组振动故障诊断,取得了较高的诊断精度,证明了该方法的有效性。

支持向量数据描述在西北暴雨预报中的应用试验

传统机器学习中通常隐含假设所研究问题是类别平衡的,气象预报中预测灾害天气时就不满足这个假设,这时往往需要预测重要而稀少的正类(少数类)。传统机器学习以精度最大化为目标,在遇到不平衡类别问题时,容易训练出把所有实例都分为反类(多数类)的平庸的分类器。支持向量数据描述是从支持向量机(SVM)发展而来的基于核的机器学习方法,只使用一类样本就可以工作,适合于不平衡类别。以铜川暴雨预测作为试验对象,对SVM和支持向量数据描述(SVDD)进行了对比试验。试验结果表明对于这个不平衡类别问题SVDD具有优势。

空间支持向量域分类器

构造了一种空间支持向量域分类器(SSVDC).在训练阶段分别对正负两类样本进行支持向量域描述,根据描述边界将数据空间划分为互不相交区域,并设定相应的分类准则.在测试阶段,分别计算待识别样本与两个最小包围超球球心的距离,根据其与超球半径的大小关系确定待识别样本所处区域,并采取相应分类准则完成分类.UCI数据集上的多个数值实验表明,与支持向量机(SVM),支持向量域分类器(SVDC)相比,SSVDC具有好的鲁棒性,训练时间可缩短为SVM的20.6%,分类精度比SVDC提高45.9%.

可变惩罚因子的支持向量数据描述算法

支持向量数据描述(SVDD)是一种有效的数据描述算法。该算法中,作为定值的惩罚因子决定了数据描述的精度。然而实践中惩罚因子的选择是极其困难的,尤其是在训练数据含有噪声的情况下。为了解决这个问题,本文提出了一种可变惩罚因子的支持向量数据描述(VT-SVDD)算法。该算法根据样本点在核空间的位置分布,为每个样本计算一个惩罚因子,然后基于这种可变惩罚因子求解一个凸约束二次规划,即可以得到对数据集的球形域描述。为了验证所提的VT-SVDD的性能,在UCI数据集上进行了无噪声、有噪声两类训练数据的仿真实验。实验结果表明,VT-SVDD能有效提高传统SVDD的精确度和稳健性。

基于超球优化支持向量数据描述的滚动轴承故障检测

在仅有轴承正常运行数据的小样本情况下,支持向量数据描述(SVDD)能通过对多维特征的融合实现滚动轴承的故障检测与状态评估,但特征向量空间分布的复杂程度会直接影响SVDD的效果。为此,提出了一种基于超球优化支持向量数据描述的滚动轴承故障检测方法,通过超球优化改善特征向量的空间分布以降低数据描述任务的难度,进而使得超球优化SVDD能更有效地识别出滚动轴承故障。多组试验表明:在不同转速、不同测点、不同类型的滚动轴承故障下,超球优化SVDD比传统的SVDD方法效果更优。

支持向量域多分类器

为解决多分类支持向量机计算量大、训练时间长的问题,构造了支持向量域多分类器(MS-VDC).在训练阶段,运用支持向量域描述求得各类样本的最小包围超球,进而将数据空间划分为不同区域;在测试阶段,计算待识别样本与最小包围超球球心的距离,并判断其空间位置;对超球重叠以及超球外区域的样本,定义一种相对类距离,判断样本归属该值较小的类.MSVDC避免了重复利用训练样本,降低了内存占用并提高了计算效率.数值实验结果表明:MSVDC具有好的鲁棒性,分类精度可高达98.89%,分别比一对多和一对一算法高4.51%和1.24%,训练时间分别为一对多和一对一算法的18.06%和55.41%.