有向无环图的多类支持向量机分类算法

为研究基于有向无环图的支持向量机分类算法以及在故障诊断问题中的应用,考虑到有向无环图的结构运算相当于一个表操作,且分类结果依赖于有向无环图中节点的排列顺序,提出一种分类算法,该算法引入基于类分布的类间分离性测度,估计各类训练数据间的分布性质,建立初始操作表单,将样本所有可能的类别按照一定顺序排列在表单中,从而重新组合有向无环图中的节点顺序,构造基于分离性测度的有向无环图的拓扑结构。通过对3个典型数据集的数值仿真研究,结果表明所提算法的性能优于传统算法。

一种基于改进的支持向量机多分类器图像标注方法

针对多标签图像标注问题,提出一种改进的支持向量机多分类器图像标注方法。首先引入直方图交叉距离作为核函数,然后把传统支持向量机的输出值变换为样本到超平面的距离。基于这两点改进,采用一种特征选择方法,从众多的图像特征中,选择那些相互之间冗余度较小的视觉特征,分别建立分类器,最终形成以距离大小为判别依据的支持向量机多分类器模型。此外,在建立分类器时,考虑到训练图像中不同标签类样本分布的不均匀,引入了一个关于图像类标签的概率分布值做为分类器的权重系数。实验采用ImageCLEF提供的图像标注数据集,在其上的实验验证了所采用的特征选择算法和多分类模型的有效性,其标注精度要优于其他传统分类模型,并且,实验结果与最新的方法相比也具有一定的竞争力。

有向无环图-双支持向量机的多类分类方法

针对多分类支持向量机算法中的低效问题和样本不平衡问题,提出一种有向无环图-双支持向量机DAG-TWSVM(directed acyclic graph and twin support vector machine)的多分类方法。该算法综合了双支持向量机和有向无环图支持向量机的优势,使其不仅能够得到较好的分类精度,同时还能够大大缩减训练时间。在处理较大规模数据集多分类问题时,其时间优势更为突出。采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对该算法进行验证,实验结果表明,有向无环图-双支持向量机多分类方法在训练时间上较其他多分类支持向量机大大缩短,且在样本不平衡时的分类性能要优于其他多分类支持向量机,同时解决了经典支持向量机一对一多分类算法可能存在的不可分区域问题。

基于支持向量机的高含CO_(2)凝析气藏油环体积预测方法

准确、高效地预测高含CO_(2)凝析气藏油环体积对于开发方案的制定至关重要,但海上深水凝析气藏难以通过大规模钻探来探明油环体积,且高浓度CO_(2)的萃取作用使油环体积变化更加复杂。首先通过CO_(2)充注实验还原高含CO_(2)凝析气藏成藏过程,以数值模拟结果为基础数据开展数据预处理,建立样本数据库,并通过关联分析优选其主控因素,明确不同地层条件和气顶组成下油环体积的变化规律,最后基于支持向量机开展油环体积预测训练,搭建油环体积的预测模型,实现输入主控因素以精确、快速预测油环体积的目的。预测结果表明,采用三次核函数的机器学习模型与数值模拟、物理模拟、矿场实际的油环体积误差分别为3.43%、5.10%和7.21%。

基于多级支持向量机分类器的电力变压器故障识别

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法 ,较好地解决了小样本、高维数、非线性等学习问题。提出了一种基于多级支持向量机分类器的电力变压器故障识别方法。该方法首先通过特殊数值处理过程 ,对色谱分析法检测到的特征气体含量进行数值预处理 ,提取出故障识别所需要的 6个特征量 ,然后利用数值预处理后得到的数据样本分别对三级支持向量机进行训练和识别 ,并最后判断输出变压器所处的状态。测试结果表明 ,该方法具有三个优点 :1 )具有较强的鲁棒性 ,识别正确率极高 ;2 )训练时间很短 ,实时性能好 ;3 )不存在局部极小问题。

支持向量机及其在医学图像分类中的应用

支持向量机被看作是对传统分类器的一个好的替代,特别是在高维数据空间下,具有较好的泛化能力。本文首次采用支持向量机方法对医学图像进行了分类研究。为了检验该分类方法的有效性与稳健性,对不同的噪声图像进行试验,试验结果表明,即使存在噪声的情况下,支持向量机方法也能获得较好的分类结果。

基于支持向量机与无监督聚类相结合的中文网页分类器

提出了一种将支持向量机与无监督聚类相结合的新分类算法 ,给出了一种新的网页表示方法并应用于网页分类问题 .该算法首先利用无监督聚类分别对训练集中正例和反例聚类 ,然后挑选一些例子训练 SVM并获得 SVM分类器 .任何网页可以通过比较其与聚类中心的距离决定采用无监督聚类方法或 SVM分类器进行分类 .该算法充分利用了 SVM准确率高与无监督聚类速度快的优点 .实验表明它不仅具有较高的训练效率 ,而且有很高的精确度 .

基于结点优化的决策导向无环图支持向量机及其在故障诊断中的应用

支持向量机(Support vector machine,SVM)是利用离在线数据自动建立故障诊断模型的智能方法,它在多故障诊断时,必须先进行多分类扩展.决策导向无环图(Decision directed acyclic graph,DDAG)法是一种性能优秀的多分类扩展策略,但该方法的决策结果与结点的排部密切相关,而其结点的排部却是主观的,影响了诊断的正确率.本文提出一种根据故障数据的空间分布来优化结点排部的方法,它能够提高支持向量机诊断的正确率.采用该方法扩展的多分类支持向量机在变压器故障诊断中获得良好效果.

基于决策支持向量机的中文网页分类器

提出了基于决策支持向量机的中文网页分类算法。把支持向量机方法和二叉决策树的基本思想结合起来构成多类别的分类器，用于中文网页分类，从而减少支持向量机分类器训练样本的数量，提高训练效率。实验表明，该方法训练数据规模大大减少，训练效率较高，同时具有较好的精确率和召回率。

决策树支持向量机多分类器设计的向量投影法

针对如何有效地设计决策树支持向量机(SVM)多类分类器的层次结构这个关键问题,提出一种基于向量投影的类间可分性测度的设计方法,并给出一种基于该类间可分性测度设计决策树SVM多分类器层次结构的方法.为加快每个SVM子分类器的训练速度且保持其高推广性,将基于向量投影的支持向量预选取方法用于每个子分类器的训练中.通过对3个大规模数据集和手写体数字识别的仿真实验表明,新方法能有效地提高决策树SVM多类分类器的分类精度和速度.

基于支持向量机的多环芳烃光谱定量分析

目前,环境问题备受人们关注,有效解决多环芳烃污染已成为全球关注的焦点。基于此,提出一种基于支持向量机的多环芳烃光谱定量分析方法,通过FS920荧光光谱仪采集多环芳烃光谱数据,获取三维光谱灰度图。对多环芳烃实验样本数据采用多项式平滑法原理实施平滑处理,制备多环芳烃,通过支持向量机(SVM)对多环芳烃光谱定量检测,得到被检测溶液的荧光光谱图,对其光谱特性分析,最终实现光谱定量分析结果。实验结果表明,所提方法能准确地对多环芳烃光谱进行定量分析。

基于支持向量机的多故障分类器及应用

针对因缺少大量故障数据样本而制约机械故障智能诊断的问题 ,本文改进了支持向量机多故障分类算法 ,依据此算法建立了多故障分类器 ,并应用于汽轮发电机组的故障诊断。应用结果表明 ,不必进行信号预处理以提取特征量 ,只需要用少量的时域故障数据样本建立故障分类器。该故障分类器可实现多故障的识别和诊断 ,并且具有算法简单。

基于支持向量机元分类器的体育视频分类

为弥补特征提取中的语义缺陷,提出了一种利用领域知识规则填补特征与高级语义之间鸿沟的思想,从体育视频中对语义对象进行有效的特征提取,并采用支持向量机元分类器和组合策略对体育视频进行分类的方法.实验表明,该分类方法对大部分体育视频都具有很好的分类效果,平均准确率可达92.23%,优于其他提取特征无语义关联的分类方法.

基于支持向量机故障分类器的参数优化研究

针对基于支持向量机故障分类器的参数优化问题,讨论了以半径-间距上界(RM界)最小化为目标的支持向量机参数优化的原理,提出了一种简化算法.针对梯度下降算法计算复杂和在梯度无法求出时不能实现优化的不足,简化算法不需计算梯度,而是利用固定的迭代步长来实现核函数一个参数的优化.依据简化算法实现了二分类故障分类器的参数优化,并应用于汽轮发电机组的蒸汽激励和轴瓦松动故障的分类器中.测试结果表明,通过参数优化可提高故障分类器的分类能力.

一种基于支持向量机的模糊分类器

提出了一种基于支持向量机学习的模糊分类器(FCBSVM)。介绍了FCBSVM的基本思想及其结构,分析了隶属函数参数和惩罚参数C对分类规则的产生以及分类性能的影响,并提出了参数确定方法。构建这种分类器时,先选用适当的隶属函数,构造核函数。然后,以训练模式作为中心,进行模糊划分,对每个模糊划分建立一条模糊IF-THEN分类规则。最后,利用支持向量机学习方法,求出支持向量和规则的参数。这种分类器将支持向量机和模糊集合理论的优点结合起来,实现了模糊划分和模糊分类规则的自动产生。用双螺旋线数据和典型的数据集对分类器的性能进行了实验评测,验证了分类器的有效性。

基于优化有向无环图支持向量机的多变量过程均值异常识别

针对多变量过程均值异常模式类型数量太大、一般模式识别工具难以适应的问题,提出优化有向无环图支持向量机。该方法识别效率高,并通过启发式方法生成优化的拓扑结构,即先根据定义在核空间的模式类型平均差异测度对类型编号排序,再依序提取对应两分类支持向量机组成有向无环图结构,使越易区分类型间的支持向量机越靠上层布置,由此缓解分类误差累积效应和弥补上层出现类型分类容错能力的不足,保证相对较高的总体分类准确度。仿真实验表明,优化有向无环图支持向量机用于多变量过程均值异常模式的识别相比其他几种多分类支持向量机在识别精度和效率上具有综合优势。基于优化有向无环图支持向量机构建了多变量过程均值异常识别模型,并在实际齿轮生产中进行了应用实验,验证了模型的有效性和实用性。

基于小生境遗传算法的支持向量机分类器参数优化

该文在建立支持向量机分类器分类性能评价函数基础上,分析了支持向量机参数对分类性能的影响,提出了一种基于共享函数小生境遗传算法的支持向量机分类器参数优化方法。该方法利用支持向量机分类性能评价函数评价支持向量机的分类性能,评价函数的倒数作为适应度值,每两个个体之间的海明距离作为共享函数,实现小生境遗传算法。将该文提出的方法应用于5个由Gunna Ratsch收集的标准模式库,实验结果表明由该方法所得参数确定的SVM分类器具有较高的识别率和较简单的结构。

基于模糊支持向量机的多级二叉树分类器的水轮机调速系统故障诊断

在传统支持向量机(C-SVM)的基础上,通过集成模糊聚类技术和支持向量机算法,构造了一种适合于故障诊断的多级二叉树分类器,并首次应用于水轮机调速系统故障诊断,取得了良好效果。该方法首先利用模糊聚类技术求取每类样本聚类中心,再对各聚类中心逐次二分,从而确定了一棵二叉树,然后在二叉树的每个节点处,根据样本聚类中心把相应样本分成两类,构造出SVM 子分类器。实验结果表明,对于k 类别故障诊断问题,只需构造k-1 个SVM 子分类器,简化了分类器结构,避免了不可区分区域的出现,且节省了内存开销,故障诊断正确率高。

基于支持向量机与最近邻分类器的模拟电路故障诊断新策略

针对模拟电路的故障诊断和定位问题,提出了一种基于支持向量机分类器(SVC)和最近邻分类器(NNs)的模拟电路故障诊断新策略,利用SVC解决高维故障样本的分类问题,而采用NNs解决故障样本间的重叠问题。首先建立"1-v-r"结构的SVC对电路故障样本进行训练,并根据训练参数构建故障字典;其次,在测试阶段,根据算法决定利用SVC或NNs对未知样本进行测试。本文设计的故障分类器方法简单,结构确定,通过对两个模拟电路的实验表明,所提出的方法性能要优于常规的"1-v-r"支持向量机分类器;与"1-v-1"支持向量机分类器的诊断性能较为接近,但测试时间较后者显著减少,较为适合模拟电路的故障诊断。

基于图嵌入与支持向量机的社交网络节点分类方法

针对无属性社交网络的节点分类问题,提出了一种基于图嵌入与支持向量机,利用社交网络中节点之间关系特征,对节点进行分类的方法。首先,通过DeepWalk、LINE等多种图嵌入模型挖掘节点隐含关系特征的同时,将高维的社交网络数据转换为低维embedding向量。其次,提取节点度、聚集系数、PageRank值等特征信息,组合构成节点的特征向量。然后,利用支持向量机构建节点分类预测模型对节点进行分类预测。最后,在三个公开的社交网络数据集上实验,与对比方法相比,提出的方法在社交网络节点分类任务中能取得更好的分类效果。