基于改进支持向量机的数字档案多标签分类算法

当前的数字档案分类方法存在测试集与训练集的基数之间差值偏大的问题,导致分类结果出现误差。为此,设计一种新的基于改进支持向量机的数字档案多标签分类算法。根据SVM函数确定数字档案信息的标签隶属度。求解深度指标,完成基于改进支持向量机的数字档案标签挖掘。获取数字档案信息样本,计算标签参量之间的相似度水平,实现基于改进支持向量机的数字档案多标签分类算法的设计。实验结果表明,研究方法下的标签测试集基数与训练集基数之间的差值始终小于350个,不会造成严重的数字档案信息错误分类问题。

基于改进支持向量机的智能电能表故障多分类方法

智能电能表故障多分类对于制定合理及时的智能电能表检修计划具有重要意义。针对智能电能表故障多分类问题,采用支持向量机构建多分类模型,所建立的模型提取智能电能表的输出电压、输出电流、输出功率、功率因数误差等数据作为分类依据构建多维空间,考虑包括误差超差、直流电流开路、直流电压短路、控制回路短线在内的智能电能表模式识别故障分类。通过所建立的模型依据有限的样本信息在复杂性和学习性之间寻求平衡,对智能电能表多维度运行信息在超平面之间进行最佳分类从而进行故障分类,通过引入一类对多类的最优分类平面集进行改进从而适用于多分类模型。采用混沌粒子群算法针对所建立的基于改进支持向量机的智能电能表故障多分类方法进行求解流程设计。再通过对某配电台区智能电能表故障分类问题采用所建立的模型进行仿真,验证了模型的合理性。

基于改进支持向量机的软件缺陷快速分类研究

随着软件在各行业的广泛应用,对软件缺陷快速而准确的分类变得愈发关键。本文基于支持向量机(SVM)算法,提出了一种新的改进算法,强调提高处理效率和降低对噪声的敏感性,并通过对比分析实验结果,验证了改进算法相对于传统算法的性能优势。本文的研究结果能够为软件工程领域提供更先进、可靠的软件缺陷分类方法,为确保软件质量和可维护性提供有力支持。

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。

基于改进支持向量机在移动通信网络隐私数据泄露检测中的应用

文章针对移动通信网络中的隐私数据泄露检测问题,提出了一种基于改进支持向量机(SVM)的检测方法。通过构建移动通信网络隐私数据泄露检测的结构,分析了如何改进SVM算法以及利用粒子群优化技术(PSO)优化SVM参数,从而提高检测准确度和降低计算复杂度。此外,文章还对改进算法进行了实验,实验结果表明,文章提出的方法在准确性和稳定性方面均优于传统方法,具有一定的实用价值。

基于改进核函数的支持向量机天然气脱硫装置故障诊断方法

针对传统脱硫故障诊断方法反应慢、诊断准确率低的问题,根据Mercer理论,改进了支持向量机(Support Vector Machine,SVM)的核函数及其参数,建立了一个由多项式核函数、Sigmoid核函数和高斯径向基核函数复合成的改进核函数,在此基础上提出了一种基于改进核函数的SVM天然气脱硫装置故障诊断方法。相对于传统SVM,改进SVM体现了各单一核函数的优点,并具有更好的学习效率及诊断准确率,在小样本数据条件下仍然具有较好的泛化能力。利用HYSYS软件建模并与现场数据进行对比实验,由实验结果可知改进SVM的误差率降低到传统SVM误差率的约30%,验证了新方法能有效提高脱硫装置故障诊断的准确率和效率。研究结果有助于天然气脱硫装置故障诊断系统工作的智能化开展,同时也为故障诊断方法的研究提供了借鉴。

基于网格搜索优化支持向量机多分类参数识别不同工艺酱酒的应用研究

为提升支持向量机(SVM)在不同工艺酱酒分类预测中的准确度,该实验利用网格搜索优化支持向量机参数,建立最优参数的支持向量机分类预测模型。通过对不同工艺酱香型白酒客观结构特征定量分析,将提取的特征信息数据经过预处理(异常值处理、归一化操作等)后存储为样本数据集。其中样本数据分为训练样本与测试样本,通过训练样本对最优参数的SVM白酒品牌分类预测模型进行训练,测试样本对模型进行预测分类。经过试验验证,该模型的不同工艺分类识别率达到94.44%,较传统的SVM等分类算法能够快速、有效地对不同工艺的酱酒进行分类识别,显著改善分类的精度,改进后的方法实现过程也比较简单。

基于支持向量机与改进高斯过程混合模型的车用电池容量预测方法

基于数据驱动的容量预测有助于锂电池健康管理以延长其使用寿命。然而,目前大多数相关方法基于实验室数据展开,无法反映实际复杂工况下车用电池老化特性。因此,本文利用电动汽车实车数据,设计了一种基于支持向量机与改进高斯过程的混合模型,实现了车用电池容量的精确预测。首先从汽车实时运行数据集中利用滑动窗口安时积分法提取其容量数据,设计了集合经验模态分解方法,将电池容量分为长期退化趋势和短期波动两部分,然后分别设计支持向量机与改进高斯过程对这两个分量进行建模,将结果融合得到最终的容量预测值。基于三辆实车数据集的试验结果表明,所提出的方法可以适用于实车数据的高精度容量预测。

基于改进支持向量机的工业园区节能减排效果综合评价研究

为准确评价工业园区节能减排效果,提出一种基于改进支持向量机模型的评价方法。从污染物对外排放、物质资源利用等6个层面出发,打造工业园区节能减排效果评价指标体系,将采用粒子群优化(PSO)算法改进的最小二乘支持向量机(LSSVM)模型作为评价模型,实现了工业园区节能减排效果的评价。最后,通过江苏省2015-2021年某工业园区新能源节能减排相关数据进行实证分析,验证了方法的有效性。

随机梯度下降优化的量子多分类支持向量机

为改善大规模数据在经典机器学习多分类任务中的计算负担,本文提出了一种基于随机梯度下降优化的量子多分类支持向量机(SGD-MQSVM)算法。通过采用量子随机梯度下降法获得训练参数,并采用全对多分类支持向量机的量子方法进行多分类。算法的时间复杂性可将单次迭代的时间复杂度从经典多项式级降低到对数级。

基于粒子群-支持向量机算法的激光诱导击穿光谱钢铁快速检测与分类

钢铁是国民经济中的支柱性产业,由于受生产技术的限制,我国钢铁产品主要集中为质量参差不齐的中低端产品,废品率较高,易造成资源浪费和环境污染。因此,钢铁产品的快速检测与鉴别分类,对保护环境以及提高钢铁资源的回收利用率有着重要意义。利用激光诱导击穿光谱技术(LIBS)进行10种钢铁样品光谱数据的快速采集,并采用支持向量机(SVM)算法对其数据进行学习建模,得到钢铁快速分类模型。然而,由于不同钢铁样品的光谱数据特征是复杂且相似的,导致设置的模型参数也会对SVM模型的分类结果有着较大的影响。为了实现对不同牌号钢铁合金的快速检测分类,实验中采用粒子群算法(PSO)与网格寻优法两种不同方法来优化模型参数,并分别选取样品中6种微量元素(Mn、Cr、Cu、V、Mo、Ti)的17条特征谱线,和经主成分分析法(PCA)对全谱数据降维提取得到的前17个主成分作为模型的输入,建立PSO-SVM、PSO-PCA-SVM、PCA-SVM和SVM四种分类模型。实验结果表明,相比于精度最高的PCA-SVM模型的优化时间(257.84 s),PSO-SVM模型优化时间最短(11.5 s),且识别精度可达96.67%,与PCA-SVM模型的精度(97.5%)几乎相当。该结果表明LIBS结合PSO-SVM算法可实现快速的钢铁检测与分类,该方法为钢铁产品的快速检测与分类提供了一种新的解决途径。

基于改进支持向量机的无人值守变电站遥视门禁人脸识别方法

当前的无人值守变电站遥视门禁人脸识别节点设定一般为分布式形式,识别范围较小,导致门禁识别状态延时增加,为此提出对基于改进支持向量机的无人值守变电站遥视门禁人脸识别方法的设计与验证分析。根据实际识别的需求及标准,对识别图像进行预处理,采用多层级的方式,扩大实际的识别范围,设定多层级识别节点,构建改进支持向量机门禁人脸识别模型,采用级联Adaboost处理实现人脸识别。最终的测试结果表明:对比于传统Face++嵌入式遥视门禁人脸识别测试组、传统大数据遥视门禁人脸识别测试组,本次所设计的改进支持向量机遥视门禁人脸识别测试组最终得出的门禁识别状态延时被较好地控制在15 ms以下,说明该种识别方法的针对性较强,识别的速度及效率较高,具有实际的应用价值。

近邻密度辅助模糊优化孪生支持向量机的钢板表面缺陷分类

为提升钢板表面缺陷分类精度,提出一种选择性弱化样本的分类模型。首先,在图像预处理阶段引入显著性检测算法来减少二值化后图像出现失真的影响;其次,为了降低不利的边缘样本点对模型的影响,同时又能提高有利的边缘样本点对模型的贡献,构造了一种新的密度模糊隶属度函数对样本进行权重赋值;最后,在孪生支持向量机(TWSVM)的基础上,将构造的密度模糊隶属度函数作为优化条件嵌入模型内,提出了近邻密度辅助模糊优化的TWSVM算法,以提高分类效果。在数据集NEU上的实验结果表明,引入显著性检测算法后,重新设计的特征在整体准确率上提高了1.66%,同时采用优化后的算法进行缺陷分类,准确率达到98.33%,进一步提高了分类性能。

改进鲸鱼算法优化支持向量机实现乳腺癌预测

为了更好地通过人体肥胖的相关指数预测乳腺癌的存在,以抵抗素、葡萄糖、年龄和身体质量指数作为数据特征构造预测模型,通过研究支持向量机(SVM)的参数对模型的性能影响,提出一种基于自适应机制策略改进的鲸鱼算法,即参数自适应鲸鱼优化算法(PAWOA)用来寻找最优参数。采用Tent映射对种群位置初始化,引入自适应参数p^(*)代替随机阈值加速收敛速度,针对给定的目标函数对每个搜索个体进行求解,计算适应度后找到全局最优解,增强种群的全局寻优性能。实验结果表明,优化后的模型精确度提升12.44%,召回率提升13.57%,F_(1)评分提升13.14%。可见,该预测模型拥有更好的效果可以用于辅助判断乳腺癌。

基于遗传算法优化支持向量机的船舰目标识别分类

为了实现有效的海上监管和响应,提高舰船监管效率,降低人力成本,提出基于遗传算法优化支持向量机的舰船目标识别分类方法。以HU矩为舰船目标的特征描述子,在舰船目标图像内,提取具备旋转、尺度与平移不变性的舰船目标特征矩;利用遗传算法,优化支持向量机的惩罚因子与核参数;在参数优化后的支持向量机内,输入舰船目标特征矩样本,输出舰船目标识别分类结果。实验证明,该方法可有效提取舰船目标特征矩;经过参数优化后的支持向量机,可有效降低计算复杂度,加快检测目标识别分类效率,具备较优的舰船目标识别分类性能。该方法均可精准识别分类舰船目标。

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machine,SVM),进而建立边坡稳定性预测模型(ISSA-SVM模型)。将重度、黏聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取中外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法(grey relation analysis,GRA)进行敏感性分析。结果表明:ISSA-SVM模型预测精度更高、泛化能力更强,黏聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。

基于改进支持向量机的用户端用电负荷预测研究

常规用户的用电负荷预测方法主要采用分层测量技术,无法提取用电行为动态影响系数,因此预测结果与实际结果间的偏差较大,预测性能不佳。为此,本文提出基于改进支持向量机的用户端用电负荷预测研究。首先,分析影响负荷预测的因素,对其进行拟合优化处理,以获取综合影响指标。其次,采用平均信息向量法求取负荷及影响指标间的相关性系数,并根据用户用电负荷特征曲线时间序列提取用电行为动态影响系数。最后,引入改进支持向量机算法,构建负荷预测模型,进而实现用户用电预测。实例应用结果显示,所提方法得到的预测结果与实际结果基本相符,预测性能较好。

基于改进灰狼算法优化支持向量机的边坡位移预测

为了提高边坡位移预测精度,采用帐篷映射和位置收敛参数变化方式调整两种对改进了灰狼算法,得到改进灰狼算法。采用改进灰狼算法对支持向量机进行优化,建立基于改进灰狼算法优化支持向量机的边坡位移预测模型,采用实际水利工程边坡位移数据进行仿真分析,IGWO-SVM模型的平均相对百分误差和均方根误差分别为2.41%和0.21,预测效果优于PSO-BP模型,验证了该模型在边坡位移预测方面的实用性和优越性。

基于改进支持向量机的混凝土桥梁极限荷载预测研究

作为基础设施的重要组成部分,混凝土桥梁承担着货物运输和人员通行的重要任务,然而由于长期受到环境因素和交通负荷的影响,桥梁结构会逐渐受损,可能会导致严重事故和损失,因此准确预测混凝土桥梁的极限荷载对于确保桥梁结构的安全性和可靠性至关重要。以改进支持向量机为基础,对混凝土桥梁极限荷载进行精准预测,为桥梁结构的健康监测和维护提供一种可靠的工具和方法。

基于支持向量机的通信网络攻击行为分类检测方法

由于通信网络流量数据具有高维性与复杂性,传统的网络攻击行为检测方法的检测准确率较低。为提高检测准确率,文章提出基于支持向量机的通信网络攻击行为分类检测方法,即使用预处理后的流量数据构建图卷积神经网络模型,提取特征并输入支持向量机进行分类,得到最终的攻击行为分类结果。仿真实验结果表明,基于图卷积神经网络的分类检测结果的漏报率仅为0.78%,相较于基于BP神经网络和基于普通卷积神经网络的分类检测方法具有更高的检测精度。