基于最大分类间隔SVDD算法的辐射源个体确认

通信辐射源个体确认技术是实现通信辐射源个体识别的关键技术之一。该文研究了基于支持向量数据描述(SVDD)的通信辐射源个体确认算法。针对传统SVDD算法在正类训练样本不完备的条件下对正类测试样本接受率较低的不足,提出带反类训练的最大分类间隔SVDD算法(MCM-SVDD)。MCM-SVDD在保证最小化超球体积的同时,使正类训练样本与反类训练样本距离超球表面的间隔最大化,从而提高了对正类测试样本正确接受的泛化能力。基于20台实际通信辐射源样本的实验表明,相对于SVDD,SVDD-neg和SVM,MCM-SVDD具有更高的平均确认率。

基于最大分类间隔SVDD的电子装备状态监测模型研究

电子装备状态监测技术是装备健康管理的关键技术之一,为了对电子装备的健康状态进行有效监测,首先对模型性能评价指标进行了分析;然后对传统SVDD模型进行了研究,针对该模型只对目标类样本建模而导致分类准确率较低的问题,提出了一种基于最大分类间隔的SVDD监测模型;该模型在保证最小化包裹目标类样本数据超球体的同时,使得目标类样本和非目标类样本之间的类间间隔最大,提高了模型的泛化能力;最后以某型装备滤波电路为例进行了仿真分析,分析结果表明,该模型无论是在精度、召回率还是F值上均要优于传统SVDD模型。

基于角度的变系数多分类支持向量机（英文）

支持向量机作为机器学习中一个经典的分类算法,一直广受数据科学家的喜爱。无论是处理线性可分还是非线性可分数据,传统的支持向量机能够很好地解决二分类问题。针对给定的样本,支持向量机通过最大化最小间隔得到最佳的决策分界面,从而实现对新样本的类别预测。然而现实中的数据更为复杂多样,一方面数据的类别往往多于两个,近年不乏有优秀的多分类支持向量机算法出现;另一方面不同领域的数据的特征集中可能存在相对特殊的变量(称之为主变量,targeted variable),需要将其挑选出来并加以特殊处理,以保持主变量对最终分类结果的重要影响。考虑这两个方面,提出基于角度的变系数多分类支持向量机(TLAMSVM)模型以解决含有主变量的多分类问题。它使用具备更好几何解释能力的基于角度的间隔最大分类框架完成多分类,并引入变系数模型,通过选择合适的局部光滑函数处理主变量对模型的影响。把基于角度的变系数多分类支持向量机分别应用到模拟数据集和真实数据集上。数值结果显示,相比没有使用变系数思想或基于角度的多分类框架的多分类支持向量机,TLAMSVM模型具有更高的预测准确度。

基于传感器数据采集的接地刀闸机械位置检测

位置检测是接地刀闸机械正常运转中不可缺少的技术,但位置检测过程易受机械配置高低、传感器性能和噪声等问题的干扰。为解决上述问题,提出基于传感器数据采集的接地刀闸机械位置检测方法。该方法首先利用混合型形态学滤波器对传感器采集的接地刀闸机械数据实行降噪处理,避免噪声对位置检测结果产生影响。然后通过改进k均值算法对降噪后的数据做聚类处理。最后将预处理后的接地刀闸机械数据输入到结构支持向量机中,通过平面切算法求取结构支持向量机的最优解,完成接地刀闸机械的位置检测。实验结果表明,所提方法的位置检测效率高、准确率高、抗噪能力强,位置检测效果好。

最大间隔最小体积球形支持向量机

结合支持向量机(SVM)类间最大分类间隔和支持向量数据描述(SVDD)类内最小描述体积思想,提出一种新的学习机器模型——最大间隔最小体积球形支持向量机(MMHSVM).模型建立两个大小不一的同心超球,将正负类样本分别映射到小超球内和大超球外,模型目标函数最大化两超球间隔,实现正负类类间间隔的最大化和各类类内体积的最小化,提高了模型的分类能力.理论分析和实验结果表明该算法是有效的.