基于最小二乘支持向量机的有杆抽油泵工况多分类研究

有杆抽油泵工况分类属于高维、非线性的模式识别问题。为提高分类精度和可靠性,利用最小二乘支持向量机得到的分类器模型参数需要优化。当各类训练样本数量严重不均衡的分类模型的参数寻优耗时过长且对测试样本的分类精度偏低,提出了压缩训练样本集规模的方法,标准算例的4种分类模型的仿真结果表明该方法效果明显。对抽油泵泵功图进行特征提取,采用径向基核函数和最小输出编码算法建立了最小二乘支持向量机分类器模型。通过试验发现该模型的分类结果,与BP网络、RBF网络、最小距离法相比,基于最小二乘支持向量机的多分类模型泛化能力强,自适应好,适于在线运行,在解决有杆抽油泵工况分类问题中表现出优异的性能。

最小二乘支持向量机在睡眠打鼾诊断中的应用

支持向量机是数据挖掘和机器学习领域中的重要方法之一,最小二乘支持向量机是支持向量机学习算法的重要扩展,在训练速度方面有明显优势。对支持向量机现有的多类分类算法(一对一方法、一对多方法、纠错输出编码方法和最小输出编码方法)引入了最小二乘支持向量机,并应用于睡眠打鼾疾病的诊断预测中,取得了较好的效果。