确定最优分类超平面的新算法

基于Fisher的投影降维的思想,讨论了线性分类器设计问题,提出最优分类超平面,克服了Fisher等线性分类器的偏向性与误分类现象.利用优化技巧把确定最优分类超平面问题转化为求解半正定的二次规划.随机数据模拟实验表明文中算法对设计高性能线性分类器是有效的.

基于最优超平面方法的乳房肿瘤分类模型

介绍了最优分类超平面的概念和构建最优分类超平面的方法, 并将其应用于乳房肿瘤的分类问题, 还给出了相应的计算结果.

最优分类超平面的几何意义

在回顾支持向量机方法的基础上,从数学上严格地证明了特征空间上最优分类超平面的几何意义。

水轮机空化现象智能识别的分类模型训练方法

目前国内暂无相关成熟的分类模型训练方法以支持机器自动识别水轮机初生空化现象,针对于此,提出了一种支持向量分类算法(SVCC)用于水轮机空化现象智能识别的分类模型训练,以解决现有技术中分类算法对非线性可分样本数据分类效果不佳的问题。对该分类模型的核函数和超参数选取等环节进行了优化,以更好地适应水轮机空化试验数据的特点。训练好后的分类模型已应用于东方电机有限公司水轮机模型试验台进行水轮机初生空化的识别。实际应用表明,该分类模型能够提高机器对水轮机初生空化现象的识别效率且其最终判别准确率可达80%。

基于多源测量与属性混合信息的分类识别方法

充分利用多传感器系统提供的多源异类信息,将观测数据处于数据级的属性和处于特征级的属性混合作为描述目标的特征矢量;对特征矢量进行了主成分分析,在此基础上转换至三维直角坐标系寻找最优分类平面进行分类识别;采用"一对一"策略解决多类分类问题;通过仿真实验验证了该方法在加入不同百分比高斯白噪声环境下的有效性,并与BP神经网络识别方法在同等条件下作了对比实验,突出了论文所提方法正确识别率高、识别速度快和稳定性高的优越性。

高精度合成孔径雷达图像分类算法仿真

研究合成孔径雷达图像准确性问题。合成孔径雷达图像分类过程中,特征集包括图像的Pauli特征、相干矩阵特征、小波特征、纹理特征等多特征,由于原始特征数目过多,并且采集特征伴随巨大的随机性,几乎不能建立多目标描述模式。传统的图像分类方法面临多特征、强随机性的特征集合时,因为无固定化的特征约束,导致分类效果不好的问题。为了避免上述缺陷,提出了一种基于最优分类平面的合成孔径雷达图像分类算法。利用局部二值模式纹理分析方法,进行合成孔径雷达图像特征提取,为图像分类提供准确的数据基础。利用最优分类平面方法,实现合成孔径雷达图像的分类。实验结果表明,利用上述算法进行高精度合成孔径雷达图像分类,能够获取准确的分类结果。

基于主成分分析的支持向量机分类方法研究

主成分分析法可以提取样本集的主元,从而降低样本的维数,甚至可以实现样本的最优压缩。基于主成分分析法,研究支持向量机分类方法,可以提高支持向量机分类的训练速度和测试速度,但不会改变样本的分布特性,保持样本的分类信息。最后给出了试验及结果。

基于支持向量机的肝纤维化CT图像分类

基于统计学习理论中结构风险最小化原则的支持向量机是易于小样本的机器学习方法。本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法。

基于多分类支持向量机的有杆抽油泵故障诊断研究

针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷,提出了基于支持向量机的抽油泵故障诊断方法.为解决高维、非线性分类问题,通过引入核运算技巧,分析非线性软间隔分类学习机具体算法,并得到使分类间隔最大的最优分类超平面方程.提出了特殊情况下的样本数据标准化处理具体算法,采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性.采用一对多SVM分类器对抽油泵工况进行了多分类仿真试验,并与BP网络、RBF网络、最小距离法等加以比较,试验结果表明一对多SVM分类法理论严谨,方法可行,自适应好,可在线运行,在解决有杆抽油泵故障诊断问题中表现出了良好的性能,有助于提高采油效率,实现远程采油控制智能化,建设数字油田.

支持向量机在分类中的应用

支持向量机是在统计学习理论的基础上发展起来的一种新的机器学习方法,它基于结构风险最小化原则,能有效地解决学习问题,具有良好的推广性能和较好的分类精确性。支持向量机比RBF神经元网络和BP神经元网络在分类方面具有更好的推广能力。

基于SVM的Web文本快速增量分类算法

针对基于支持向量机的Web文本分类效率低的问题,提出了一种基于支持向量机Web文本的快速增量分类FVI-SVM算法。算法保留增量训练集中违反KKT条件的Web文本特征向量,克服了Web文本训练集规模巨大,造成支持向量机训练效率低的缺点。算法通过计算支持向量的共享最近邻相似度,去除冗余支持向量,克服了在增量学习过程中不断加入相似文本特征向量而导致增量学习的训练时间消耗加大、分类效率下降的问题。实验结果表明,该方法在保证分类精度的前提下,有效提高了支持向量机的训练效率和分类效率。

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．

一种改进的样例约简支持向量机

在以前工作的基础上,提出了一种改进的样例约简支持向量机,利用相容粗糙集方法求属性约简的边界域,并从中选择样例作为候选支持向量训练支持向量机.该方法的特点是可同时对属性和样例进行约简.实验结果证实了这种方法的有效性,能有效地减少存储空间和执行时间.

基于支持向量机的人脸识别身份验证技术研究

利用K-L变换首先对人脸图像进行特征参数提取,再利用支持向量机进行识别。由于支持向量机的推广性取决于核函数参数与误差惩罚因子的选择,为此采用思维进化算法对其参数进行优化选择,提出支持向量机与思维进化算法相结合的新型算法进行分类识别,算法解决了支持向量机参数选取的难题,利用ORL人脸库进行仿真实验,结果表明,基于改进的支持向量机的人脸识别技术识别效率高、方法有效。

样例约简支持向量机

支持向量机(support vector machine,SVM)仅利用靠近分类边界的支持向量构造最优分类超平面,但求解SVM需要整个训练集,当训练集的规模较大时,求解SVM需要占用大量的内存空间,寻优速度非常慢。针对这一问题,提出了一种称为样例约简的寻找候选支持向量的方法。在该方法中,支持向量大多靠近分类边界,可利用相容粗糙集技术选出边界域中的样例,作为候选支持向量,然后将选出的样例作为训练集来求解SVM。实验结果证实了该方法的有效性,特别是对大型数据库,该方法能有效减少存储空间和执行时间。

结合支持向量机和近邻法的太阳耀斑预报方法

为了提高太阳耀斑预报模型的预报精度,提出了一种结合支持向量机和近邻法(SVM-KNN方法)的太阳耀斑预报方法。将太阳耀斑预报问题看作一个模式识别问题,在此基础上建立新的预报方法。选择太阳活动区的特征参量作为预报因子,如果活动区未来48小时发生大于等于M级耀斑标识为正例样本,未发生耀斑为反例样本,由这些样本组成训练集代入SVM训练算法构造了耀斑预报模型。通过输入活动区的特征参量值,预报模型使用SVM-KNN分类算法预报该活动区未来2天内是否发生太阳耀斑。模拟预报结果表明,新方法比使用SVM方法具有较高的报准率,可以应用到其它太阳活动预报领域。

无线传感网络少量节点入侵评估模型仿真

准确评估无线传感网络节点入侵,可以保证无线传感网络的安全性。如果无线传感网络的区域较小,会造成距离较近的节点属于不同的工作区域,因此节点属性差异很大,使得传统的单个节点信息入侵评估的过程很难设定准确阀值对其进行精确的分类,造成对小区域无线传感节点入侵评估不准。为了避免上述缺陷,提出了一种最优平面分类的无线传感网络入侵评估算法。利用主成分分析方法,提取无线传感网络中的入侵特征。利用最优平面分类方法对小区域内的节点属性进行分类,避免干扰,有助于建立准确的无线传感网络入侵评估模型。实验结果表明,应有改进后的算法进行小区域无线传感网络入侵评估,能够提高评估的准确性,从而为无线传感网络提供安全保障。

火电机组热控系统故障分析及改进措施

针对系统存在的故障提出了相应的改进措施。经实验证明了设计方法误诊率低于传统方法,并且提出的改进措施也比较可靠。

基于总间隔与代价差异算法的支持向量机

针对支持向量机在实际应用中存在的最优分类超平面的倾斜问题和推广误差界的问题,引入了总间隔与代价差异算法,对标准的支持向量机算法进行了改进.同时,针对线性和非线性两种情况,给出了详细的公式推导过程,并得出结论:基于总间隔与代价差异算法的支持向量机的性能优于标准的支持向量机.

SVM核函数对南汇潮滩湿地高分二号卫星数据分类精度的影响分析

针对支持向量机在高分二号卫星遥感图像分类中的核函数选择问题,以长江口南汇典型潮滩湿地为研究区,进行了支持向量机不同核函数分类结果的对比分析。首先,根据实地测量以及无人机航拍影像标记六类地物共计1800个优质样本点,然后将标记样本点的像元值投影到三维空间中,分析了支持向量机分类过程中最优分类超平面的构建以及误差来源,最终从标记样本点中选取训练样本和测试样本,进行了支持向量机不同核函数的分类训练,得到分类结果和分类精度。研究结果表明,在训练样本数量相同的情况下,线性核函数支持向量机的分类结果好于RBF核函数和Sigmoid核函数的分类结果。三种核函数的分类精度都随着训练样本数量的增加逐渐增高并趋于稳定,RBF核函数和Sigmoid核函数支持向量机分类精度变化趋于对数分布。