弱监督场景下的支持向量机算法综述

支持向量机(Support Vector Machine,SVM)是一种建立在结构风险最小化原则上的统计学习方法,以其在非线性、小样本以及高维问题中的独特优势被广泛应用于图像识别、故障诊断以及文本分类等领域.但SVM是一种监督学习算法,它旨在利用大量的、唯一且明确的真值标记样本来训练学习器,在不完全监督、不确切监督以及多义监督等弱监督场景下难以取得较好的效果.本文首先阐述了弱监督场景的概念和SVM的相关理论,然后从弱监督场景角度出发,系统地梳理了目前SVM算法的研究现状和发展,包括基于半监督学习、多示例学习以及多标记学习的方法;其中基于半监督学习的方法根据数据假设可细分为基于聚类假设和基于流形假设的方法,基于多标记学习的方法根据解决方案可细分为基于示例水平空间、基于包水平空间以及基于嵌入空间的方法,基于多标记学习的方法根据处理思路可细分为基于问题转换和基于算法自适应的方法;随后,本文总结了部分代表性算法在公开数据集上的实验结果;最后,探讨并展望了未来可能的研究方向.

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于特征信息熵与支持向量机的智能网联汽车CAN总线异常检测技术

本文结合CNA报文的结构特点,探究了基于特征、信息熵的异常检测技术和基于支持向量机的异常检测技术。基于特征、信息熵的异常检测技术,将CAN ID作为特征,统计包含该特征的所有报文并计算信息熵。根据信息熵确立阈值标准,对比CAN总线报文的熵值是否在阈值范围内,从而检测是否存在异常。仿真结果表明,在报文数量较少的情况下,该技术的异常检测率可以达到100%。基于支持向量机的异常检测技术,将异常报文预处理后输入到支持向量机中训练,得到异常检测指标。利用该指标与CAN总线报文进行对比,从而检测是否存在异常。实验结果表明,该技术对多种CNA报文的异常检测率在90%以上。

基于支持向量机和证据理论的复杂系统可靠性分析方法

针对复杂系统中存在极限状态方程为隐式情况及参数为认知不确定性的问题,文中提出了一种基于支持向量机和证据理论的高效可靠性分析方法。首先,基于贝叶斯方法和最大熵原理将焦元上的基本概率分配平均分配到焦元中每一个元素以实现证据体精确化;其次,面对多学科系统中极限状态方程为隐式情况,采用支持向量机(SVM)进行显式化处理。在该方法中提出了SVM训练样本抽取策略,并对SVM通过引入马尔可夫蒙特卡洛模拟法(MCMC)进行改进,使其能适用于多学科系统的隐式极限状态方程小失效概率的求解;最后,通过算例分析,表明该方法的精度和计算效率具有较大优势,相比于MCS,该方法抽样2000个样本点精度相对误差仅为3.05%,为复杂系统的可靠性分析提供了一定的参考价值。

机车前端薄壁吸能管仿真模型模糊参数的支持向量回归反求

为了获得影响耐撞性结构有限元计算精度的准确模型参数,提高冲击仿真的准确性,提出一种基于支持向量回归(support vector regression,SVR)模型进行参数优化反求的方法。以一种机车前端防爬结构中的预压薄壁吸能圆管为研究对象建立有限元模型,进行台车冲击试验验证仿真模型准确性。通过拉丁超立方试验设计驱动有限元模型进行少量计算获得数据集,有限元模型中的模糊参数为输入变量,计算与试验载荷的差异为目标响应,通过SVR方法构建映射关系,并采用增强精英保留遗传算法(strengthen elitist genetic algorithm,SEGA)对超参数进行优化,确定SVR模型最佳配置;通过该最优SVR模型再次使用SEGA优化反求,获得最佳模糊参数组合。使用这组参数组合设置有限元模型,其仿真结果相较初始计算耐撞性指标和载荷曲线匹配程度都得到了提高。研究结果为有限元模型中模糊参数的准确设定、碰撞仿真的精度提升提供了一种新的思路。

基于支持向量机的农业中小企业供应链金融信用风险评价

农业供应链金融的发展,有效缓解了中小企业融资难的问题,但如何有效评估其信用风险尤为重要。针对农业中小企业,构建了供应链金融信用风险评估指标体系,并运用支持向量机建立了风险评估模型。经过对41组农业中小企业的数据进行训练和检验,发现该模型可以更准确地评估农业中小企业的信用风险,从而帮助商业银行等金融机构采取更有效的应对措施。

基于支持向量机的蓄水工程土地利用分类与动态变化

为进一步恢复和重建蓄水工程建成前后土地利用变化的历史过程,更好掌握和预报土地利用转移方向,本文利用支持向量机理论开展了土地利用类型解译的适应性研究,通过梳理土地利用动态变化,剖析了蓄水工程建成前后土地利用结构的自适应调节能力和演变方向。结果表明:(1)依靠自学习和自适应等优势能力,支持向量机解译土地利用分类的总体精度高达91.7%、Kappa系数为0.90;除耕地生产者精度相对较低外,水体、林地等其他土地类型具有较高的分类识别能力。(2)利用谷歌地球引擎(GEE)平台梳理土地利用类型演变过程发现,受“三北防护林”工程二阶段(2001—2020年)等项目实施影响,建设用地、林地面积出现较大增幅,其中,林地面积较2000年实施初期增加了近5倍。(3)工程建设运行后林地和建设用地近2/3面积保持了原貌,水体和未利用土地受水利和城建工程影响,原貌类型超过65%以上面积变成了其他类型;“三北防护林”工程加快了林地面积的增加和草地植被覆盖度的提高,低覆盖度草地转移到中、高覆盖度草地的面积净增幅达48.0%、50.2%。

一种支持向量机的相干解调系统误码率模拟预测算法

针对信道中高斯加性噪声引起接收端相干解调系统的误码问题,提出了一种支持向量机的相干解调系统误码率模拟预测算法,为提高通信系统的抗噪特性提供研究基础。文中采用差分进化算法与支持向量机SVM算法相结合的方法,通过差分进化算法优化SVM算法中的惩罚因子与高斯径向基的核函数参数,并对模拟环境下相干解调系统受高斯加性噪声影响所产生的误码数据进行了预测。实验结果表明,基于差分进化的SVM算法预测模型相比经典遗传算法预测精度提高了3.7%,预测精度基本满足误码率数据的预测要求,并具有较强的泛化能力。

基于支持向量机集成的船舶舱室温湿度预测

针对船舶舱室温湿度保持困难、数据难以预测的问题,提出了基于克隆选择算法的支持向量机集成方法。首先,利用克隆选择算法优化个体支持向量机,根据个体预测误差进行自适应集成;然后,对舱室温湿度时间序列数据样本化,采用支持向量机集成进行训练、测试;最后通过统计测试结果以及与BP神经网络、单支持向量机、GM(2,1)模型的预测误差对比发现,支持向量机集成模型可有效预测空调故障条件下船舶舱室温湿度的变化规律,为装备的使用和维护提供技术支持。

基于支持向量机的油气生产复杂系统信息物理攻击识别方法

在数据驱动的复杂油气生产系统中,存在故障数据干扰攻击识别的问题,忽视系统内部可能存在的故障数据对攻击检测的影响,则难以及时防御攻击或解决故障。因此,为了提高复杂油气生产系统中信息物理攻击检测的准确性,提出了一种基于支持向量机的无向图联合检测方法。首先,对复杂油气生产系统中的关键传感器拓扑化形成无向图,建立传感器之间的连接关系并捕捉数据交互。然后,利用支持向量机检测传感器系统异常原因,并选择接收站低压泵及接收站储罐系统作为示例验证,前者的准确率、精确度、召回率和F1分数均高于99%,后者F1分数高于99%,其余均高于97%。与传统方法K均值聚类相比,本方法具有更高的准确性、鲁棒性和完整性,有助于防范攻击和生产事故,保障油气生产系统的安全。

基于变量敏感度筛选的回归型支持向量机的数控机床热误差预测

随着机械制造行业的迅猛发展,对于数控机床的定位精度要求越来越高。为了提高机床定位精度,建立了基于变量敏感度筛选与回归型支持向量机(SVR)混合模型,并将其用于数控机床热误差预测方法。该方法基于对变量敏感度分析,筛选掉敏感度低的干扰自变量。本方法与基本SVR模型对数控机床热误差预测值进行对比,结果表明基本SVR受到敏感度低的干扰自变量影响,预测结果与实测热误差结果偏差较大;经过变量敏感度筛选之后的SVR混合模型预测值具有更高的准确度,验证了此模型的可行性。

基于斑马算法优化支持向量回归机模型预测页岩地层压力

针对陇东地区三叠系延长组7段(长7段)页岩孔隙结构复杂、非均质性强、地层压力预测精度较低等问题,提出了一种基于斑马算法优化支持向量回归机(ZOA-SVR)模型预测地层压力的方法,并在实际钻井中进行了应用,将预测结果与基于机器算法的模型和常规地层压力预测方法结果进行了对比。研究结果表明:①ZOA-SVR模型以实测地层压力数据为目标变量,优选与陇东地区长7段页岩地层压力数据关联度达到0.70以上的深度、声波时差、密度、补偿中子、自然伽马、深侧向电阻率、泥质含量等7个参数作为输入特征参数,设置训练样本数为40,交叉验证折数为5,初始化斑马种群数量为10,最大迭代次数为70,对惩罚因子和核参数进行优化并建模,参数优化后拟合优度指标R2达到0.942,模型预测的地层压力数据在训练集和测试集上的绝对误差均低于1 MPa,预测测试集地层压力数据与实测压力数据的平均相对误差为2.42%。②ZOA-SVR模型在研究区长7段地层压力预测中优势明显,比基于粒子群优化算法、灰狼算法和蚁群算法的模型具有更好的参数调节及优化能力,R2分别提高了0.209,0.327,0.142;比等效深度法、Eaton法、有效应力法预测的地层压力精度更高,相对误差分别降低了32.53%,15.31%,5.91%。③ZOA-SVR模型在实际钻井中的应用结果显示,研究区长7段地层压力在垂向上分布较稳定,泥页岩段的地层压力高于砂岩段,地层压力系数主要为0.80~0.90,整体上属于异常低压环境,与实际地层情况相符。

基于声音特征优化和改进支持向量机的鸟声识别

为了在低参数量下提高鸟鸣声的识别准确率,提出了一种新的鸟声识别方法,包括鸟声信号特征优化和乌鸦搜索-支持向量机(Support Vector Machine,SVM)分类识别。该方法首先采用主成分分析法对从鸟声中提取的梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)和翻转梅尔频率倒谱系数进行选择,得到优化后的声音特征参数并将其作为鸟声识别算法的输入;然后利用乌鸦搜索算法对SVM的核参数和损失值进行选优,得到改进的SVM网络用于鸟声分类识别。试验结果表明,该方法对5种鸟声识别的准确率为92.2%,声音特征维数在16时可以得到最好的识别效果。该方法为野外鸟声自动识别提供了一种可行的方式。

基于麻雀算法优化支持向量机的NOx浓度预测

煤炭作为火电厂发电的主要能源,其在锅炉内焚烧过程中会产生大量的氮氧化物。各电厂一般利用烟气自动监控系统对其浓度进行实时测量,但由于测量时存在较大迟延,不能准确地反映SCR系统NOx浓度的实时变化。因此提出了一种基于改进麻雀算法优化最小二乘支持向量机的NOX浓度预测方法。首先,引入余弦因子改进麻雀算法中的比例算子,将迭代次数信息引入到迭代过程中,平衡算法前后期的全局与局部搜索能力。其次,使用新的变异算子代替原算子,将混沌理论融合到麻雀算法,解决了算法全局搜索能力较差、初始化麻雀分布不稳定及发现者位置更新方式不足的问题。最后,采用改进麻雀算法(CDE-SSA)对最小二乘支持向量机(LSSVM)进行参数寻优。实验结果证明,方法在NOX浓度预测的精度和稳定性上均表现出了良好的性能。

基于可优化支持向量机的岩相识别模型-以X油田A区为例

X油田A井区长62主要发育泥岩,细砂岩,有效储层主要为细砂岩,如何准确高效精细地识别岩相是油田生产试油选层亟待解决的问题。传统的经验值法对于研究区砂体的识别效果一般,准确度不高。基于此提出一种砂体识别的新方法,利用前人研究成果结合研究区实际地质情况选取特征向量作为支持向量机的输入层进行岩相的预测,并对支持向量机模型进行优化,该方法克服了传统方法经验值划分对于大样本数量需求,特征参数维度高,分类样本非线性识别准确性差等缺点。从而高效,快捷地完成砂层预测与识别,有效地解决了研究区砂体识别问题,对于生产试油研究具有一定的实际意义。

基于GA-VMD分解与支持向量机的刀具故障诊断研究

目的 研究非平稳性振动信号的分解方法,提出一种基于遗传算法优化后的变分模态分解方法(GA-VMD),提高刀具故障识别准确率。方法 以样本熵为目标函数值,利用遗传算法对样本熵进行迭代计算,得到变分模态分解的最佳分解层数k和惩罚系数α;在此基础上,对刀具振动信号进行分解,并提取刀具故障特征,再利用近邻成分分析(NCA)对故障特征进行筛选,得到与刀具故障状态相关性较强的特征;最后将筛选后的故障特征输入到PSO-SVM分类模型中进行刀具故障诊断。结果 相较于PSO-VMD分解方法,在相同迭代次数下,GA-VMD分解方法对于刀具故障分类的准确率由92%提升至97%。结论 优化后的VMD分解方法降噪效果明显,能提取较好的刀具故障特征,刀具故障识别准确率有了明显提高,为信号分解层数以及刀具故障诊断提供了理论基础。

基于混沌粒子群改进支持向量机对露天矿边坡稳定性的分类预测

为了简便有效地评估边坡稳定性状态,针对目前传统机器学习的算法选择与超参数优化等难题,提出了基于混沌粒子群优化算法的4种机器学习模型,并对其预测性能进行了对比。建立了包含221组露天矿边坡稳定性案例的数据库,其中80%的数据用于训练,20%的数据用于模型测试。4种模型预测结果及工程实例验证结果表明,基于混沌粒子群改进支持向量机模型的预测效果上总体优于其他3种机器学习模型,预测准确率88%,能够有效预测边坡稳定性,可为露天矿边坡安全提供可靠的预测结果。

基于信息熵和支持向量机的高校教师能力评价

针对现有的高校教师能力评价指标,提出一种人工智能算法的评价模型,以评估高校教师的教师的能力水平,促进教师教学质量的提升和学校整体教育质量的提高。采用基于信息熵和支持向量机等算法,建立了高校教师能力评价模型,利用信息熵进行数据处理和特征选择,并运用支持向量机算法进行模型构建和评估。测试结果表明,基于信息熵和支持向量机算法的高校教师能力评价模型在评价过程和等级划分上具有较大的实用价值。该模型为高校教师的能力识别、管理和评价提供了有效的研究方法,有助于推进现有评价体系。

基于改进支持向量机的皮革划痕检测方法

针对传统皮革划痕检测方法存在检测准确率低、检测效率不高的问题,提出一种基于K-means聚类算法改进支持向量机SVM的皮革划痕检测方法。首先,对支持向量机基本原理进行分析;然后采用K-means聚类算法解决支持向量机SVM的二分类问题;最后搭建一个K-means-SVM皮革划痕检测模型,通过此模型实现皮革划痕快速准确检测。试验结果表明,本模型的检测精度为96.74%,相较于传统的YOLOv5模型、CRNN模型和SVM-DS模型分别高出了18.85%、20.17%、13.06%,且本模型进行皮革划痕检测的所用时长仅为11.52 s,均低于另外3种模型。由此说明,本模型的检测精度更高,检测速度更快,满足真皮表面划痕检测的实时性和准确性需求。

基于自适应混合粒子群算法优化支持向量机的乳腺癌预测

使用粒子群算法优化支持向量机的惩罚因子和核参数,提高分类的精度。粒子群算法收敛速度快,但是容易陷入局部最优。引入鲸鱼算法的包围运动和螺旋运动机制,形成参数自适应的混合粒子群优化算法,提升了算法的精度。在对数据进行预处理之后,80%的数据用于模型的训练,剩余20%用于模型的测试。每次实验分别按照比例随机生成的训练集和测试集进行20次预测,计算平均正确率。实验表明,自适应混合粒子群算法优化精度高于标准粒子群算法和鲸鱼算法。