组合核函数多支持向量机的直线电机建模

为了研究永磁同步直线电机结构参数优化中快速计算问题,提出一种基于组合核函数多输出支持向量机的电机非参数建模方法。通过分析各种核函数的性质,构造高阶多项式和低阶多项式核函数的组合,利用交叉验证的方法对惩罚参数C进行选择,建立永磁直线电机的多输出支持向量机模型。以U型永磁同步直线电机为对象进行仿真和实验,结果表明,利用该方法建立的模型较单一核函数模型,其计算精度有所提高,可达到94%以上,并且该模型的计算效率能够满足电机优化计算中大规模的计算问题。

基于支持向量机和交叉验证的变压器故障诊断

为及时监测变压器潜伏性故障和准确诊断故障,提出基于优化惩罚因子C参数的支持向量机算法(C-SVC:C-support vector classification)和交叉验证算法相结合的变压器故障诊断方法。该方法利用变压器在故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的体积分数数据建立训练集和测试集。在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数的参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而诊断出变压器的故障类型。变压器故障诊断实例分析结果证明,该方法可行,有效,且具有较高的故障诊断准确率。

随机傅里叶特征空间中高斯核支持向量机模型选择

模型选择是支持向量机(support vector machines,SVMs)学习的关键问题.标准支持向量机学习本质上是求解一个凸二次优化问题,求解的时间复杂度为数据规模的立方级,而经典的模型选择方法往往需要多次训练支持向量机,这种模型选择方法对于中等规模的支持向量机学习计算代价已较高,更难以扩展到大规模支持向量机学习.基于高斯核函数的随机傅里叶特征近似,提出一种新的、高效的核支持向量机模型选择方法.首先,利用随机傅里叶特征映射,将无限维隐式特征空间嵌入到一个相对低维的显式随机特征空间,并推导在2个不同的特征空间中分别训练支持向量机所得到的模型的误差上界;然后,以模型误差上界为理论保证,提出随机特征空间中核支持向量机的模型选择方法,应用随机特征空间中的线性支持向量机来逼近核支持向量机,计算模型选择准则的近似值,从而评价所对应的核支持向量机的相对优劣;最后,在标杆数据集上验证所提出方法的可行性和高效性.实验结果表明,所提出的模型选择方法与标准交叉验证方法的测试精度基本相当,但可显著地提高核支持向量机模型选择效率.

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式——Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。

使用交叉距离最小化算法设计支持向量机

针对核方法在处理非线性可分数据问题上的优势,将一种硬间隔无核支持向量机——交叉距离最小化算法(cross distance minimization algorithm,CDMA)推广到带核的版本,称为带核的交叉距离最小化算法(kernel cross distance minimization algorithm,KCDMA).利用乘子将交叉距离最小化算法表示为内积的形式,然后使用核函数代替内积运算,并且引入二次惩罚,这样扩展后的模型能处理非线性可分数据集,并且允许一定的分类偏差.实验结果表明,与一些经典的支持向量机方法相比,该方法具有明显的竞争力.

改进鲸鱼算法优化混合核支持向量机在径流预测中的应用

构建基于多项式核与高斯核相融合的混合核支持向量机(MSVM),利用拉普拉斯交叉算子(LX)改进的鲸鱼优化算法(LXWOA)优化MSVM关键参数和混合权重系数,提出LXWOA-MSVM径流预测模型,并构建高斯核LXWOA-GSVM、多项式核LXWOA-PSVM及LXWOA-BP作对比预测模型,以云南省清水江水文站枯水期1-4月月径流预测为例进行实例研究,利用实例前24年和后10年资料对各模型进行训练和预测。结果表明,LXWOA-MSVM模型对实例1-4月月径流预测的平均相对误差绝对值分别为4.09%、3.32%、3.51%和5.64%,预测精度均高于LXWOA-GSVM等3种模型,具有较好的预测精度和泛化能力,可为相关径流预测研究提供参考。

支持向量机在柴油机尾气分析中的核模型选择

研究支持向量机(SVM)中常用核函数及其参数对分类效果的影响。在此基础上,联系柴油机尾气数据,应用交叉确认法(CV)得到在该数据集下拥有不同常用核函数的SVM的最优参数,及在最优参数下SVM的三个性能指标,即对训练集的交叉确认准确率、对测试集的分类准确率和寻优时间。对比各性能指标,结果表明:对于柴油机尾气数据,径向基核函数模型所对应的训练集交叉确认准确率最高,而其测试集分类准确率最低;线性核函数模型的寻优时间最短。综合考虑SVM的学习能力、外推能力及寻优时间,决定选择线性核函数作为SVM在柴油机尾气分析中的核模型。

基于最小二乘支持向量机的图像边缘检测研究

本文研究了基于最小二乘支持向量机(LS-SVM)的图像边缘检测技术,利用LS-SVM对图像像素邻域的灰度值进行曲面拟合,通过采用多项式核函数、高斯核函数推导出图像的梯度和零交叉算子,并结合梯度算子和零交叉算子实现了图像边缘定位.通过实验获取了不同核函数的最佳卷积核的大小,同时采用遗传算法对不同核函数的参数进行寻优以获得最佳的边缘检测性能.通过与Canny方法的实验比较,验证了本文提出的边缘检测方法是有效的.

基于遗传算法对支持向量机模型中参数优化

支持向量机是基于统计学习理论的结构风险最小化原理基础上提出来的一种学习算法,其在理论上保证了模型的最大泛化能力。针对支持向量机结构参数的选取在没有理论支持,选取又比较困难的情况下,对影响模型分类能力的相关参数进行了研究,提出了一种基于遗传算法和十折交叉检验相结合的遗传支持向量机(GA-SVM)算法,利用遗传算法的全局搜索特性得到支持向量机(SVM)的最优参数值,并用算例表明了此算法有效提高了分类的精度和效率。

基于CKPCA-HOG和支持向量机的运动目标分类算法

为了准确地对监控场景中的运动目标进行语义上的分类,提出了一种基于聚类的核主成分分析梯度方向直方图和二叉决策树支持向量机的运动目标分类算法.利用背景减法提取运动目标前景区域,并识别出潜在候选运动目标.利用提出的基于聚类的核主成分分析的梯度直方图描述子提取候选运动目标的特征,以较低维数的数据有效地描述运动目标的有效特征.将提取的运动目标特征输入二叉决策树支持向量机,实现多类目标的准确分类.通过在不同视频序列上的实验验证,提出的算法对运动目标进行较好地分类,而且在运算速度方面较传统目标分类方法有了明显的提高.实验结果证明了算法对运动目标分类具有较好的准确性、可靠性和鲁棒性.

舰船分类的PHOG和支持向量机联合检测方法

针对普通舰船分类检测方法容易受到物理噪声干扰、实时性差等问题,采用塔式边缘方向梯度直方图和支持向量机联合检测方法对不同类别水面舰船图像进行实时分类检测。通过对不同类别舰船图像进行分类实验,进一步综合确定适合的图像特征参数及核函数参数,实验结果表明,舰船分类检测准确率较现有检测方法有所提高。基于塔式边缘方向梯度直方图和支持向量机的联合检测方法能够实现实时、可靠的舰船分类检测。

基于参数优化支持向量机的矿用变压器故障诊断

支持向量机SVM(Support Vector Machines)理论在变压器故障诊断中得到了越来越多的应用,但在参数的优化选择方面还存在理论支持问题。为及时监测矿用变压器潜伏性故障和提高故障诊断效率,根据支持向量机原理,采用变压器故障时产生的氢气、甲烷、乙烷、乙烯、乙炔的浓度数据,提出了支持向量机的参数c和参数g的交叉验证算法,寻找最佳的参数c和参数g,利用优化后的参数对训练集进行训练,最终得到最佳的支持向量机模型,并对测试集进行分类,从而诊断出矿用变压器的故障类型。实例研究结果表明,该方法可行,故障诊断准确率为88.4615%,,具有较高的故障诊断准确率。

支持向量机理论在植物根系图像边缘检测中的应用

由于传统边缘检测方法中存在的比如粗糙边缘、噪声边缘和不准确边缘等缺点,因此在植物根系的研究中,采用传统的图像边缘检测方法检测出来的边缘信息都无法达到令人满意的效果。本文基于带高斯径向基核函数的最小二乘支持向量机方法,得到了一簇梯度算子和零交叉算子,用来定位图像边缘,从而得到一种有效的图像边缘检测算法。用所得到的边缘检测算法与Sobel算法和Prewitt算法的性能进行了比较。仿真结果表明本文给出的算法与传统算法相比,不仅边缘检测性能得到提高,而且可以一定程度地克服噪声干扰。

基于支持向量机的高压断路器故障诊断方法的研究

基于支持向量机的故障诊断技术逐渐成为当前故障诊断领域研究的热点问题,而高压断路器作为关系电力系统可靠性的重要设备,其故障与否直接关系到整个电力系统的稳定.本文通过比较多种核函数的多重参量,最终选择适合高压断路器的核函数;通过分析传统交叉验证法,提出改进型交叉验证(K-CV)法,最后利用高压断路器现场实际数据作为样本,采用Libsvm工具箱,通过不断地参数寻优,最终得出故障分类结果.实验结果表明,采用的基于径向基核函数改进型10-CV交叉验证法支持向量机能更快速、准确的判断高压断路器故障类型.

基于主成分分析的支持向量机对购房意愿的分类研究

居民的购房意愿在整个宏观层面上影响着整个社会结构的变迁和转型。文中基于500份居民购房意愿调查问卷,利用主成分分析法提取了主要特征,对主成分序列建立了支持向量机分类模型。五折交叉验证结果表明:分类效果良好,对政府和房地产开发商进行客户细分、制定营销策略有一定的借鉴意义。

基于支持向量机的大学生毕业选择预测研究

支持向量机(support vector machine,SVM)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,是数据挖掘的一项新技术;支持向量分类机(SVC)应用于解决各种实际分类问题,表现出很多优于已有方法的性能.经调查,临毕业大学生做出的毕业方向选择会由其自身一些因素影响,可以根据这些指标来预测其最终选择.对大学生这些自身因素及毕业选择建立支持向量机分类模型进行研究.结果表明,支持向量机分类方法可以做出较好的分类,为预测高校临毕业学生选择提供了一种有效的方法.

一种基于支持向量机的车牌字符识别方法

针对车牌字符图像受客观条件影响较大、样本数量不是很大、分类识别相对容易等实际情况,提出了一种对经过预处理的车牌字符图像采用SVM算法进行识别的方法。该方法将图像数据转变为文本数据作为输入样本,方法简单快速,克服了提取图像特征过程中过分依赖字符结构和图像质量的不足。并通过使用参数归整、交叉校验、选择适当的核函数等方法寻求最优参数,避免欠学习、过学习问题的产生。通过使用高速公路收费口的实拍汽车图像进行实验,验证了算法的有效性。

基于支持向量机分类模型的上市企业财务预警

介绍了支持向量机的分类原理。通过72家上市企业的财务数据建立支持向量机的企业财务预警模型。并利用该模型对上市企业进行两类和三类模式识别。在此过程中还分析了采用不同核函数和参数的仿真结果,表明与传统的财务预警相比,SVM模型具有非线性和良好的泛化能力。

复杂背景无人机巡检图像输电线异物缺陷检测

无人机巡检输电线图像的背景较为复杂,因此在对输电线异物缺陷进行检测的过程中,误检的情况较为严重。本文提出基于支持向量机的复杂背景无人机巡检图像输电线异物缺陷检测方法,采用直方图均衡化的方法增强输电线无人机巡检图像的对比度,利用固定大小的网格将输电线图像划分为多个区域,使用区域内的像素点计算特征,并对其进行加权平均融合操作,提取背景特征。为支持向量机模型选择合适的核函数和参数后,对其进行交叉验证,将提取的背景特征作为输入函数。根据像素与输电线之间的关系,检测异物缺陷,测试结果表明,误检率仅为0.5%。

一种新的直方图核函数及在图像分类中的应用

基于核方法的支持向量机(SVM)以其良好的推广性在图像分类等领域已经得到广泛应用,运用支持向量机的关键是设计有效的核函数。为克服传统核函数较少融合先验知识的弱点,该文提出基于数据驱动的核函数构建方法;并结合词包(BOW)模型,设计了一种基于TF-IDF规则的加权二次卡方(Weighted Quadritic Chisquared,WQC)距离的直方图核函数;在计算直方图之间距离时充分考虑到不同量化区间的不同区分性能,从而增强核函数对不同类别的区分能力。在Caltech101/256等多个经典图像数据集上的分类实验结果验证了该文方法的有效性。