基于支持向量机分类的WSN节点定位算法

在研究接收信号强度指示(RSSI)定位和支持向量机分类(SVC)的基础上,提出无线传感器网络(WSN)节点定位算法。将WSN室内定位问题看作以节点RSSI值为特征量的多分类问题,将节点RSSI值转化为节点位置,利用SVC良好的泛化能力,实现符号定位和物理定位,达到较高的定位精度。实验结果表明,该算法的符号定位效果较好,当锚节点密度为20%时,可使98.19%的节点正确定位。

基于支持向量机分类和语义信息的中文跨文本指代消解

跨文本(实体)指代消解(CDCR)的任务就是把所有分布在不同文本但指向相同实体的词组合在一起形成一个指代链。传统的跨文本指代消解主要采用聚类方法来解决信息检索中遇到的重名消歧问题。将聚类问题转换为分类问题,并采用支持向量机(SVM)分类器来解决信息抽取中的重名消歧和多名聚合问题。该方法可有效融合实体名称的构词特征、读音特征以及文本内部和文本外部的多种语义特征。在中文跨文本指代语料库上的实验表明,同聚类方法相比,该方法在提高精度的同时,也提高了召回率。

基于支持向量机分类策略的多晶硅电池片色差检测

针对复杂颜色和纹理特征条件下,多晶硅电池片上的色差检测问题,提出了一种基于支持向量机分类策略的多晶硅电池片色差检测方法。首先对预处理后电池片图像进行颜色模型转换和通道分离,利用Otsu方法对单通道图像进行阈值分割处理,并计算各阈值图像的区域对比度,然后根据区域对比度情况选择合适的阈值图像,利用阈值图像所提供的信息提取图像特征;最后使用支持向量机分类器来判别电池片是否存在色差缺陷。实验结果表明提出的色差检测算法可以实现多晶硅电池片色差高效检测,色差缺陷检测的准确度、误检率和检测时间分别达到96.88%,5%和109 ms。

集成特征选择的最优化支持向量机分类器模型研究

考虑将特征选择集成到支持向量机分类器中,提出集成特征选择的最优化支持向量机分类器——FS-SDPSVM(Feature Selection in Semi-definite Program for Support Vector Machine)。该模型将每个特征分别在核空间中做特征映射,然后通过参数组合构成新的核矩阵,将特征选择过程与机器分类过程统一在一个优化目标下,同时达到特征选择与分类最优。在特征筛选方面,根据模型参数提出用于特征筛选的特征支持度和特征贡献度,通过控制二者的上下限可以在最优分类和最少特征之间灵活取舍。实证中分别将最优分类(FS-SDP-SVM1)和最少特征(FS-SDPSVM2)两类集成化特征选择算法与Relief-F、SFS、SBS算法在UCI机器学习数据和人造数据中进行对比实验。结果表明,提出的FS-SDP-SVM算法在保持较好泛化能力的基础上,在多数实验数据集中实现了最大分类准确率或最少特征数量;在人工数据中,该方法可以准确地选出真正的特征,去除噪声特征。

川金丝猴亚种的支持向量机分类(SVC)模型研究

综合论述了支持向量机分类(SVC)的数学模型以及如何转化为一个凸二次规划的对偶问题;并利用相应的计算机软件建立了川金丝猴亚种的支持向量机分类模型.

基于多支持向量机分类器的增量学习算法研究

为了将一般增量学习算法扩展到并行计算环境中,提出一种基于多支持向量机分类器的增量学习算法.该算法根据多分类器对新增样本集的分类结果,以样本到分类超平面的平均距离为条件重新构造支持向量集更新分类器,直到所有分类器的分类精度满足指定阈值.实验结果表明了该算法的可行性和正确性.

基于PCA及聚类技术的支持向量机分类器设计

提出了一种新的支持向量机分类器的设计方法.该方法利用主成分分析(PCA)及聚类技术在原问题空间中求解,减少了支持向量机分类器中支持向量的维数,且将原问题空间与特征空间中的问题归结为同一类的设计问题.

基于线性规划的ν-支持向量机分类器

Scho..lkopf等提出的基于二次规划的ν-支持向量机(ν-SVM)与标准SVM相比,其优势在于可以控制支持向量的数目和误差,但由于增加了模型的复杂性,限制了其应用.为此,构造了一种基于线性规划的ν-SVM分类器,模型简单,参数ν具有明确的意义,同样可以控制支持向量的数目和误差,直接利用比较成熟的线性规划算法.数值实验表明,该方法ν-SVM的训练速度要比基于二次规划的ν-SVM快得多,而分类效果两者相当.

基于支持向量机分类的海州湾赤潮判别

近年来,海州湾赤潮暴发日益频繁,对当地经济发展和生态安全构成严重威胁。本文以海州湾2004～2006年每年5～10月赤潮实测资料和同期的水文气象资料为研究对象,首先通过因子分析的方法降低模型的维数,在17种与赤潮生消过程有密切联系的环境要素的基础上提取出营养盐、温度、耗氧量和pH值、水动力、降水等共计7个特征因子。然后对因子分析的结果结合赤潮状况利用支持向量机建立赤潮状况判别模型,采用径向基函数(RBF)作为核函数,并通过选择合适的模型参数组合,取得了90%以上的平均判别正确率,可以为沿海生产和管理部门发布赤潮预警信息提供依据。

基于支持向量机分类器的活动形状模型

为了精确地寻找活动形状模型中特征点的新位置,提出了一种基于支持向量机分类器的活动形状模型用于人脸特征点定位,即把寻找特征点新位置的任务转化为分类问题。起初,这是典型的两类分类问题,但两类分类器寻找特征点新位置效果并不理想。因此进一步提出把两类分类问题转化为多类分类问题。为每一个特征点训练一个支持向量机多类分类器,并用此分类器寻找该特征点新位置。实验结果表明,基于支持向量机多类分类器的活动形状模型比原始活动形状模型更为精确,稳健。

一种新的支持向量机分类器的设计方法

提出了一种新的支持向量机分类器的设计方法 .该方法利用主成分分析 (PCA)及聚类技术在原问题空间中求解 ,减少了支持向量机分类器中支持向量的维数 ,且将原问题空间与特征空间中的问题归结为同一类的设计问题 .

前列腺癌细胞核酸适配体支持向量机分类模型

本文将前列腺癌(Prostate Cancer,PCa)PC-3M-1E8细胞为标靶的核酸适配体序列翻译成氨基酸序列,计算氨基酸序列的分子参数,然后用这些分子参数建立核酸适配体亲和性的构-效关系模型。所用的候选核酸适配体序列是采用以细胞为靶标的指数富集配体系统进化(Cell-SELEX)技术筛选得到。模型训练集、测试集分别包含150、50条核酸序列,均由第3轮和11轮的候选核酸适配体组成。将第3轮的核酸序列类标签值设置为“1”,代表低亲和性、低特异性的候选核酸适配序列;将第11轮筛选所得核酸序列类标签值设置为“2”,代表高亲和性、高特异性候选核酸适配序列。基于二值分类问题的支持向量机分类(SVC)算法用于建模。SVC模型对训练集、测试集的预测准确度分别为87.3%、86%。另外,采用SVC模型对第5、7、9轮的序列也进行了预测。第3、5、7、9、11轮的高亲和性与高特异性核酸适配体的分率分别是0.23、0.41、0.61、0.64、0.87,预测结果符合SELEX筛选的适配体进行规律。

基于高光谱智能检测及支持向量机分类的香肠品质判定

针对市面上的香肠,基于高光谱分析对香肠中的亚硝酸盐、过氧化值和挥发性盐基氮含量进行研究,从而对香肠的可食用性进行判定。根据样本的理化检测值,将样本分为两类,可食用(数字0代替)和不可食用(数字1代替)同时把34组香肠样本划分为校正集(17组)和验证集(17组)。首先对光谱数据进行提纯去冗余信息,对其进行最小分离变换(MNF),提取纯净端元(PPI),最后进行N维可视化变换(n-D Visualizer),通过所得平均光谱的包络分析,得到两个有效光谱分析区间,即500nm^600nm和775nm^950nm。结合理化实验所测得的亚硝酸盐、过氧化值、挥发性盐基氮含量,建立偏最小二乘回归模型进行回归分析,所得模型的交叉验证均方根误差(RMSECV)分别为0.388、0.60、0.878,使用模型对验证集样本进行预测。最后建立支持向量机分类模型,分别通过特征波段值和预测指标值两种方式对验证集样本进行可食用性判别,结果表明利用回归模型预测数据所得到的分类建模准确率较高,为82.3%。

支持向量机分类理论中的几个细节理解及实验

目前的大数据时代,机器学习作为数据处理的关键技术,不可缺少。各个高校在很多专业都在开展机器学习这门课程,其中的支持向量机算法作为重要内容之一,广受学生青睐。但在教学过程中,我们发现其理论在某些方面比较晦涩难懂,本文在简要概述完支持向量机分类的理论后,总结了几个关键细节的理解,比如:支持向量机线性分类器模型中的最大化Margin的理解;线性分类器模型中目标函数和约束条件的推导过程中某些知识点的理解;线性分类器模型求解过程中,为什么拉格朗日乘子大于0对应的数据点就是支持向量?支持向量机的分类面唯一吗?最后,给出了Matlab、R语言、python等几种软件在iris数据上的实验代码及实验中得到的支持向量机模型的获取方法。这些细节的理解及软件实验,对支持向量机模型都进行了透彻的剖析和融会贯通,有助于支持向量机分类学习中的初步探索和深入的研究,给广大支持向量机的学习者和使用者提供了重要的参考。

基于大数据和支持向量机分类法的图书馆中转站构建研究

经济增长,群众的物质需求得到满足后,文化需求就会相对增加,书籍作为重要的文化载体,正在重新被我们拾起。但是在众多场所中,例如社区居民,大型工厂,存在借阅不平衡的问题,大量的图书资源集中在高校图书馆以及市区少量的公共图书馆,无法辐射到大量的有需求群众集体,文章将以大数据为背景,结合支持向量机分类法,以高校图书馆为起点,探讨建立中转借阅体系,以解决图书借阅运营模式相对落后,无法充分利用资源的问题。

活性染料耐洗色牢度支持向量机分类模型

当今人们对染料染色织物的耐洗色牢度越来越关注.报道了基于二元分类问题的支持向量机分类(support vector classification,SVC))模型预测活性染料分子耐洗色牢度等级.在测试123支活性染料的耐洗色牢度、溶解过程中的抽滤时间、pH值之后,采用粒子群优化(particle swarm optimization,PSO)算法搜寻SVC模型参数C与γ值.模型采用3个变量(活性染料的pH值、抽滤时间、及结构特征定性变量)作为SVC分类模型的输入.所建分类模型对训练集活性染料分子耐洗色牢度等级预测整体准确度为84.1%,对测试集染料分子整体预测准确度为77.1%.结果表明,所建模型精确、可靠,可以用于活性染料耐洗色牢度等级预测.

基于支持向量机分类的耕地变化检测

利用2015年、2017年的Landsat-8影像和2018年航空影像,融合光谱和纹理特征,先使用支持向量机法对不同时相的数据分类,再对分类结果进行比较,获取变化信息。对广西壮族自治区旺甫镇部分地区耕地进行了变化检测并分析。结果证明,两年期间区内耕地减少了约0.9km2,约占耕地面积的21%,耕地主要转化为了道路、建筑物和经济作物。

支持向量机分类器若干核心问题的研究

重点讨论了支持向量机在模式分类中的应用．针对结构风险最小化准则、最优分类超平面的确定、核函数与参数优化、多值支持向量机分类器的设计等核心问题作了较为深入的阐述．指出了支持向量机中需要深入研究的方面．

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。

永磁同步电机转子位置提取近似分类支持向量机灰色预测方法

针对单一灰色预测方法下磁特性曲线建模对电机不同运行状态区分能力差、概括性不强,由此导致估计误差较大的问题,提出基于支持向量机分类细化特性曲线区,提高用以灰色GM(1,1)预测建模数据指数光滑度,改善转子信息估计精度的灰色近似支持向量机分类预测算法。将此预测方法用于永磁同步电机的矢量控制当中,数值仿真结果证明,引入先期近似支持向量机分类算法后的转子位置灰色预测法可以在较少测试数据集上达到较高的估计精度。