基于广义鲁棒距离度量的孪生支持向量机分类算法

针对孪生支持向量机处理含离群点效果较差的问题,提出一种基于Laplacian核相关熵的广义鲁棒距离度量分类算法。提出一种有界自适应L_(θε)损失,在学习过程中可以通过自适应参数θ来选择不同的损失函数;提出一种基于拉普拉斯核的相关熵诱导鲁棒距离度量,并证明该度量的有界性、非凸性、光滑性和逼近性;进一步提出一种自适应鲁棒孪生支持向量机学习算法。在多个数据集上的实验结果表明,该算法对特征噪声和离群点具有良好的鲁棒性。

基于改进麻雀搜索算法和支持向量机的边坡稳定性

边坡失稳是由多种因素共同作用的结果,常规的数学模型难以准确预测。为提高边坡稳定性预测精度,采用多策略融合改进麻雀搜索算法(improved sparrow search algorithm,ISSA)优化支持向量机(support vector machine,SVM),进而建立边坡稳定性预测模型(ISSA-SVM模型)。将重度、黏聚力、内摩擦角、边坡角、边坡高、孔隙压力比6项因素作为输入特征,将边坡稳定性状态作为输出结果,进而预测边坡稳定性。选取中外工程实例建立边坡数据库,将ISSA-SVM模型与SSA-SVM模型进行对比分析,通过灰色关联度分析法(grey relation analysis,GRA)进行敏感性分析。结果表明:ISSA-SVM模型预测精度更高、泛化能力更强,黏聚力和内摩擦角是对边坡稳定性最为敏感的因子。所提ISSA-SVM模型不仅能够准确地预测边坡稳定状态,还可以为其他领域相关问题提供参考。

基于支持向量机上海地区土体物理力学指标相关性研究

针对上海地区土体物理力学指标开展相关性分析,结合多个工程场地获取的土体室内试验数据,采用支持向量机算法构建了土体塑性指数、液性指数与压缩系数的相关性分析模型,并结合误差指标对模型参数进行优化。将支持向量机模型与传统的线性、多项式拟合方法结果对比分析,表明该模型预测结果与实际结果较为吻合,且该模型另一优势在于能够从更多的数据中进行更深度的挖掘来提升自身的鲁棒性。考虑到不同土体的工程性质差异较大,进一步研究该模型的预测性能与适用性,就每个测试样本点预测偏差与其物理指标建立二者的关系曲线,结果表明可塑性小的中压缩性土体相较于高压缩性土体的预测偏差更小,模型更加稳定与准确,可为上海地区土体压缩性相关研究提供参考。

一种优化支持向量机回归算法的印刷工序损耗值预测方法

针对印刷生产中物料需求计划的损耗值采用经验值的问题,提出一种优化支持向量机回归算法的印刷工序损耗值预测方法。通过皮尔逊相关系数量化特征值选取;采用布谷鸟搜索算法优化支持向量机回归算法的超参数选取,建立损耗预测模型;为验证模型的优越性,分别与不同的特征值选取方案、优化算法、回归算法的模型进行对比。实验结果表明该损耗预测方法具有更高泛化性和预测精度,决定系数、平均绝对百分误差、均方根误差分别为0.995、0.005、1.969,为解决后续相关问题提供了技术支持。

考虑相关因素的最小二乘支持向量机风速预测方法

准确的短期风速预测对电网的安全稳定性及降低运行成本具有重要意义。提出了考虑相关因素的最小二乘支持向量机风速预测方法,通过相关性分析,寻找对风速影响较大的因素,作为预测风速的信息特征参考量,并利用灰色关联分析方法,对风速数据进行预处理,筛选出某些与预测日特征相似的历史样本作为最小二乘支持向量机模型的训练样本,定量分析了预测模型的输入变量。由于训练样本与预测日风速信息的相似度极高,通过实例验证,有效提高了预测结果的可信度和精确度。

多查询相关的排序支持向量机融合算法

排序学习是目前信息检索与机器学习领域研究的热点问题.现有排序学习算法在学习时把训练样本集中的所有查询及其相关文档等同对待,忽视了查询之间的差异,影响了排序模型的性能.对查询之间的差异进行描述,并在训练过程中考虑这种差异,提出一种基于有监督学习的融合多个与查询相关排序子模型的方法.该方法为每一个查询及其相关文档建立一个子排序模型,并将子排序模型的输出进行向量化表示,将多个查询相关的排序模型转化为体现查询差异的特征数据,实现多排序模型的集成.以排序支持向量机为例,在查询级和样本级建立新的损失函数作为优化目标,并利用此损失函数调节不同查询产生损失之间的权重,提出多查询相关的排序支持向量机融合算法.在文档检索和网页检索中的实验结果表明,使用多查询相关的排序支持向量机融合算法可以取得比传统排序学习模型更好的性能.

相关滤波器与支持向量机结合的激光成像雷达目标识别算法

激光成像雷达能成清晰的目标三维距离像和一维强度像,可提高目标识别率,因而成为国际上的研究热点。当大视场高分辨率激光成像雷达垂直探测目标时,视场内目标增多,要求目标识别算法既能同时检测多目标,又要具有平面内旋转不变性。为了满足上述要求,提出将具有平面内旋转不变性的CHF-MACH相关滤波器和支持向量机(SVM)相结合,组成一种新的目标识别系统,其中相关滤波器能同时检测定位多个感兴趣目标,再用SVM分别对图像内的已定位的目标进行识别。以仿真激光成像雷达图像为实验数据,分别对4类目标进行识别。实验结果表明,CHF-MACH滤波器对本类目标有较好的检测率,对非本类目标有一定的抑制作用;SVM能以较高的精度分类已检测目标。所以,该方法能有效地对大视场内多目标进行识别,适用于激光成像雷达。

基于相关性分析和支持向量机的手部肌电信号动作识别

为了有效提取表面肌电信号(SEMG)的特征,该文提出了一种基于相关性分析的改进的特征提取方法。首先用空域相关法对两路SEMG信号进行消噪预处理,然后对处理后的SEMG信号进行四尺度小波变换,并通过相关性分析提取SEMG信号的重要边缘在各尺度上的小波系数,以各尺度上的这些系数的平方和构建六维特征向量输入支持向量机分类器,对手部的多个动作进行分类。实验结果表明,基于相关性分析和小波变换构筑的特征向量结合支持向量机的方法能够以较高识别率区分伸腕、屈腕、展拳、握拳4种动作,能够得到比传统的神经网络分类器更为准确的分类结果。

基于参量化二维相关红外谱和最小二乘支持向量机判别掺杂牛奶

将参量化二维相关谱方法与最小二乘向量机结合起来,建立一种新的掺杂牛奶判别方法.采集48个合格纯牛奶样品,并分别配置浓度范围0.01~0.3g/L的掺杂尿素牛奶、掺杂三聚氰胺牛奶和掺杂四环素牛奶各16个.在研究纯牛奶和掺杂牛奶二维相关红外同步谱特性的基础上,提取并计算了各样品相关同步谱的6个统计特征参量.将处理后的6个特征参量输入最小二乘支持向量机,建立掺杂牛奶与纯牛奶的判别模型,该模型对未知样品的判别正确率为90.6%.结果表明:参量化二维相关谱和最小二乘支持向量机为快速判别牛奶是否掺杂提供了一种新的可能的方法.

基于Relief相关性特征提取和微分进化支持向量机的短期电价预测

针对电价预测中特征输入量选择的盲目性,本文通过改进传统的Relief算法,提出一种电价预测输入量的自动选取方法,并引入相关性分析来剔除冗余特征。在此基础上,采用支持向量机来建立电价预测模型并应用微分进化算法来优化选择支持向量机的参数以达到提高预测精度的目的。以PJM电力市场的真实电价来进行仿真分析,结果表明本文的特征选取方法能够很好地提取电价的短期趋势特征和周期性特征,而微分进化优化的支持向量机也获得了比常规支持向量机和BP神经网络要好的预测结果,体现了本文方法的优越性。

基于支持向量机与相关向量机的高光谱图像分类

高光谱遥感是将目标探测技术与光谱成像技术相结合的多维地物信息获取技术,可以同时获取描述地物分布的二维空间信息与描述地物光谱特征属性的一维光谱信息。相对于多光谱遥感,高光谱图像具有更加丰富的地物光谱信息,可以详细地反映待测地物细微的光谱属性,使地物的精确分类成为可能。本文通过对SVM与RVM的理论研究与对比分析,将这两种高维数据处理算法应用于同一高光谱图像中进行分类研究。实验结果表明,SVM的总体分类精度要略高于RVM的总体分类精度。

基于空间自相关的支持向量机空间聚类研究

经济统计信息多包含多维度的属性,在研究数据内在结构时,需要采用降维方法将多维信息转换到三维以内的空间以实现多维信息可视化和聚类。支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中表现出许多特有的优势,但SVM是一种监督分类方法,需要已知样本集来训练分类过程。由于高维经济统计数据中往往缺少已知聚类中心,从其他方法的聚类结果选择小样本集作为聚类中心具有很大的主观性;空间自相关分析能揭示出高空间聚集区域和随机离散区域,并能分析出各区域的空间聚集模式,这为已知小样本的选择提供了可行的方法。该文以四川2007年统计年鉴的经济数据为例,通过主成分分析法和非线性映射法进行聚类,将各类中心和空间自相关分析揭示的高空间聚集目标作为已知样本集导入SVM,得到的结论是:采集于主成分分析法和非线性映射法的两个不同已知样本集的SVM分类结果之间的差异较大,已知样本集的选择具有很大主观性;空间自相关分析结果能大量减少特征样本集的数目,这不仅简化了SVM算法分类过程,并且结果也能准确反映四川发展实际情况。

基于位平面统计相关的支持向量机图像隐写分析算法

随着隐写技术的发展,隐写分析引起了越来越多研究人员的关注。通过对隐写前后图像位平面的相关性分析,提出一种空域LSB通用隐写分析算法。该算法只使用了32个特征统计量,具有较低的计算复杂度。实验结果表明,此算法对嵌入消息长度小于0 3bpp的载密图像的检测准确率超过90%,多次实验也表明此算法具有很好的稳定性。

基于核典型相关分析和支持向量机的语音情感识别模型

为了获得更好的语音情感识别的实时性和正确率,该文提出了基于核典型相关分析和支持向量机的语音情感识别模型。首先提取多种情感识别的特征,采用核典型相关分析对特征进行选择,将选择的特征作为支持向量机的输入向量进行训练,建立情感识别的分类器,最后采用语音情感识别的标准数据库进行验证性和对比实验。实验结果表明,该模型能够准确识别不同类型的语音情感,获得较高的语音情感识别率。核典型相关分析减少了分类器的输入向量数,加快了情感识别速度,获得了理想的实时性。该文语音情感识别结果优于对比模型,具有更高的实际应用价值。

基于支持向量机和相关反馈技术的肿块检测算法

为了避免由于乳腺中的致密组织与肿块类似的特征表现而造成的肿块检测精度不高,设计了基于典型特征的支持向量机分类器对提取出的感兴趣区域进行分类,并引入了相关反馈算法以进一步提高分类器的性能,提出了一种新的基于支持向量机和相关反馈技术的乳腺图像中肿块的检测方案.通过对大量乳腺图像的仿真实验显示,基于典型特征的支持向量机分类器能够将无特征支持向量机分类器的检出率提高约5%,而相关反馈技术的引入则使系统的检出率进一步提高到约90%.

基于人工蜂群优化支持向量机回归的隧道塌方风险预测

为预测隧道塌方风险等级,减少隧道塌方引起的灾害事故,建立基于人工蜂群(artificial bee colony,ABC)优化支持向量机回归(support vector machine regression,SVR)隧道塌方风险预测模型。首先,从工程地质、水文气象、设计因素、施工因素4个方面综合考虑,遴选13个主要影响因素,建立隧道塌方风险指标体系;其次,引入人工蜂群算法优化SVR的核参数C和惩罚参数g,解决传统SVR稳定性低的缺陷,提高模型的精确度,为验证模型性能采用相关系数(R 2)、均方误差(mean squared error,MSE)、均方根误差(root mean squared error,RMSE)评价参数对比分析;最后,以新疆北部某供水工程为研究对象,对隧道塌方风险测试样本进行预测,分别将ABC-SVR、PSO-SVR、GA-SVR及SVR模型对比分析。研究结果表明:ABC-SVR预测结果为100%,PSO-SVR预测结果为83.3%,GA-SVR和SVR均为66.67%,ABC-SVR的预测结果与实际工程结果一致性更高,可为隧道塌方风险评估提供科学的决策依据。

相关向量机预测锂离子电池剩余有效寿命

随着新能源汽车的迅速发展,锂离子电池已得到广泛应用。准确预测锂离子电池剩余有效寿命(RUL)对于合理规划电池使用至关重要。目前,机器算法和模型预测已广泛应用于电池剩余有效寿命的预测中。本文基于数据驱动的方法进行锂离子电池剩余有效寿命预测,通过使用相关向量机(RVM)将长期预测分为多段短期预测,并结合自相关函数、灰色关联度模型、卡尔曼滤波器(KF)进行模型优化与改进,改进后的RVM模型在三组目标电池RUL预测中的相对误差分别为5.46%、7.14%和6.29%,与其他几种预测模型的对比结果表明该模型优于其他模型。

基于最小二乘支持向量机的小电流接地系统早期故障识别算法研究

早期故障为永久性故障的先兆,及时准确识别系统中早期故障对于实现故障预警、减少永久性故障发生有重要意义。针对小电流接地系统早期故障特征弱、检测识别难度大的难题,提出一种基于最小二乘支持向量机的早期故障识别方法。首先分别基于物理特性和统计特性提取扰动浅层特征集,并基于S变换获取不同频段的能量熵和奇异熵;随后采用最大相关最小冗余法,在保留强相关特征量的同时降低特征集数据维度,构建最优扰动特征集;最后利用PSCAD/EMTDC仿真系统获取各类型扰动样本集,基于最小二乘支持向量机获取早期故障扰动波形识别模型,并采用粒子群算法对支持向量机参数寻优,提高算法效率。根据大量仿真算例分析,所提算法能准确识别小电流接地系统早期故障,验证了其正确性和有效性。

优化局部鉴别的领域相关支持向量机

利用数据集几何结构鉴别信息、未标记数据集等隐含先验信息是提高模式分类器性能的有效方法.实际数据集不仅具有多模态、含噪、高维等特性,而且训练数据集和测试数据集分布存在差异的现象,降低了支持向量机(Support vector machine,SVM)的性能.基于迁移学习、局部Fisher鉴别分析等方法,提出一种优化局部鉴别领域相关支持向量机算法.该方法提出一种基于维数约简的自适应距离度量学习方法,消除数据噪声以及冗余特征,更好地描述数据局部几何特性;通过把局部Fisher鉴别信息嵌入到SVM,提高了算法对多模态、不可分数据集的分类性能;把源数据集与目标数据集分布差异信息引入SVM目标函数中,解决了因训练数据与目标数据数量差别过大而导致传统SVM性能下降的问题.基于最小二乘SVM原理和ε-dragging技术把本文方法扩展到多分类问题,保证算法的泛化性能,降低多分类器训练计算量.仿真结果表示,本文方法具有良好的模式分类性能.

基于负相关学习的支持向量机集成算法

提出一种基于负相关学习理论的支持向量机集成方法,该方法能有效解除各支持向量机之间的相关性,使得集成个体有较大的差异。并采用了演化策略对支持向量机的核函数和相关参数自适应地进行选择。仿真实验表明,该方法不仅能有效地解决支持向量机模型选择的难题,而且能以很小的代价显著提高学习系统的泛化能力。