一种改进型近邻置信向量机技术分析

由于置信向量机运算大、分类速度慢导致其应用价值有限,需要对其进行改进。详细分析了近邻置信向量机所使用的基本技术,论述了近邻置信向量机使用的奇异检测函数和分类方法,并将其与基本置信向量机进行了对比。给出了近邻置信向量机的具体实施步骤。通过试验证明解决了置信向量机运算量大的问题,提高了分类速度。

基于改进机器学习的人体行为识别方法研究

针对人体行为识别领域传统方法特征提取复杂、分类准确率低的问题,提出了一种基于深度置信网络-支持向量机(DBN-SVM)的行为识别模型。首先,为了更好地捕捉用户行为的周期性变化,引入滤波器对行为信号进行降噪、滤波和加窗分段处理;其次,提出了DBN-SVM模型,将预处理得到的行为时频信号作为模型的可视层输入,通过DBN自动提取行为数据特征,结合SVM实现行为的分类识别。最后,实验中将该模型应用于多个行为数据集,并与传统的机器学习方法进行对比,结果表明,该方法的行为识别结果较传统的机器学习方法效率提升了4%~15%,可以更精准地实现活动分类,提高行为识别性能。

基于DBN-SVM的航班延误内在模式分析

空中交通系统作为典型复杂系统,其非线性聚合的动力学特征给延误预测带来挑战,使延误预测问题保持着开放性。对于航班延误这类考虑多因素的问题,研究采用深度置信网络支持向量机(DBN SVM)回归方法建立航班延误预测模型,方法用来挖掘航班延误的内在模式,将支持向量回归嵌入到开发的模型中,使其能够在提出的预测体系结构中执行有监督的微调,并将交通管理措施(TMI)中一些关键影响因素,作为高斯伯努利(GBRBM)的隐藏层,作为模型的下一个可见层,将TMI关键因素添加至模型中,有助于减少整体延迟。对于测试集的不平衡高维数据集,研究将采用准确性,敏感性来评估因变量和解释变量之间的关系,最后数据表明DBN SVM模型的延误预测准确度达到89.39%,可为流量管理自动化计算提供一定理论依据。