改进的多维遥感数据的自适应遗传超平面分类器算法

在遥感图像数据监督分类方法中，普遍存在着通过大训练数据量提高分类精度的问题。该文在笔者已经实现的遗传超平面方法基础上，做了进一步的改进，这就使得这种遗传超平面分类器可以使用了少量的训练数据进行训练，而得到的分类精度与大训练数据量相比具有可以接受的差别；改进了分类方法中使用主成分分析后再用两个主成分进行分类的做法，使用的原始数据为多个(3个以上)波段直接进行分类，不但增加了分类输入的信息量，而且简化了技术流程。同时，在不增加分类时间的情况下扩展了算法分类的类别数。文中使用C/C++从底层实现了整个训练、分类、测试过程，通过对北京的ETM+数据进行的分类实验及其分析表明该算法分类效果很好，完全可以达到实用的要求。

Laplacian正则项半监督不平行超平面分类机

本文通过引入拉普拉斯(Laplacian)正则项,针对半监督分类问题我们建立了基于拉普拉斯正则项的半监督不平行超平面分类机。和经典的双支持向量机相比,该算法不仅继承了不平行超平面决策的优点,并且将其推广到了半监督分类问题中。最后在人工数据上进行数值实验,与拉普拉斯双支持向量机和拉普拉斯支持向量机做比较,数值结果表明我们提出算法的可行性和有效性,特别是对于交叉型数据集,基于拉普拉斯正则项的半监督不平行超平面分类机具有明显较高的分类精确度。

基于自适应遗传算法的超平面分类及遥感应用

智能分类算法是遥感影像分类研究的热点,遗传算法作为一种智能全局优化技术在遥感影像分类中具有良好应用前景.针对现有多光谱遥感影像分类方法的不足,提出了基于自适应遗传算法的超平面分类方法(hyper plane-adaptive genetic algorithm,HP-AGA)并应用于遥感影像分类,该方法利用神经网络中的神经元激活函数Sigmoid函数,对遗传算法中交叉率、变异率进行非线性自适应性调整,不再需要反复训练遗传参数,同时利用快速全局寻优特点,确定分类超平面的各个位置参数,从而获取最佳分类超平面集进行分类.多光谱遥感影像分类方法的应用实验表明,基于自适应遗传算法的超平面遥感分类方法能更快、更稳定地收敛到全局最优解,具有更好的效率及鲁棒性,并能取得优于简单遗传超平面分类算法及传统分类方法的分类精度.

基于中间分类超平面的SVM入侵检测

在网络入侵检测中,大规模数据集会导致支持向量机(SVM)方法训练时间长、检测速度慢。针对该问题,提出一种基于中间分类超平面的SVM入侵检测方法。通过对正常和攻击样本的聚类分析,定义聚类簇中心的边界面接近度因子,实现对标准SVM二次式的改进;用簇中心对其训练,获取一个接近最优超平面的中间分类超平面;确定距离阈值,以选取潜在支持向量,实现训练样本的缩减。在KDDCUP1999数据集上进行实验,结果表明,与聚类支持向量机方法相比,该方法能简化训练样本,提高SVM的训练和检测速度。

基于分类超平面的非线性集成学习机

针对支持向量机面临的大规模数据分类问题,提出基于分类超平面的非线性集成学习机NALM。该方法借鉴管理学中协同管理的思想,将大规模数据分成规模较小的子集,然后分别在子集上运行分类超平面算法,最后将各子集上的分类结果进行非线性集成得到最终的分类结果。该方法不仅继承了分类超平面的优点,而且还将分类超平面的适用范围从小规模数据扩展到中大规模数据,从线性空间推广到Hilbert核空间。若干数据集上的实验表明:NALM能以较少的支持向量来解决大规模样本分类问题。

前向网络隐空间分类超平面的构造

本文讨论单隐层前向网络输出神经元所对应的隐空间分类超平面的构造问题，它直接对应于网络隐层至输出层的连接权的设计，研究结果表明，网络隐层至输出层的连接权可均取为＋１，输出神经元的阈值也仅可取为１２加上几个有限的整数中的一个，从而可以只通过对网络输入层节点至隐层节点的连接权的训练，获得有效解决两类问题的前向网络．

确定最优分类超平面的新算法

基于Fisher的投影降维的思想,讨论了线性分类器设计问题,提出最优分类超平面,克服了Fisher等线性分类器的偏向性与误分类现象.利用优化技巧把确定最优分类超平面问题转化为求解半正定的二次规划.随机数据模拟实验表明文中算法对设计高性能线性分类器是有效的.

基于最优超平面方法的乳房肿瘤分类模型

介绍了最优分类超平面的概念和构建最优分类超平面的方法, 并将其应用于乳房肿瘤的分类问题, 还给出了相应的计算结果.

基于伪分类超平面的线性可分几何判定方法及应用

针对模式分类中线性可分的问题,文中将模式看作是欧氏空间中的点,研究欧氏空间中点与面的关系等解析几何性质,在一般的分类超平面概念上定义伪分类超平面.根据线性可分等价性,在需降维时进行空间映射.研究根据数据寻找伪分类超平面,给出几何意义明显的线性可分判断方法,在该方法的基础上给出一种分类复杂度的度量方法.实验结果表明,该方法较好地体现数据的分类复杂度.

最优分类超平面的几何意义

在回顾支持向量机方法的基础上,从数学上严格地证明了特征空间上最优分类超平面的几何意义。

水轮机空化现象智能识别的分类模型训练方法

目前国内暂无相关成熟的分类模型训练方法以支持机器自动识别水轮机初生空化现象,针对于此,提出了一种支持向量分类算法(SVCC)用于水轮机空化现象智能识别的分类模型训练,以解决现有技术中分类算法对非线性可分样本数据分类效果不佳的问题。对该分类模型的核函数和超参数选取等环节进行了优化,以更好地适应水轮机空化试验数据的特点。训练好后的分类模型已应用于东方电机有限公司水轮机模型试验台进行水轮机初生空化的识别。实际应用表明,该分类模型能够提高机器对水轮机初生空化现象的识别效率且其最终判别准确率可达80%。

基于支持向量机与反K近邻的分类算法研究

针对支持向量机在对样本进行分类时,决策超平面附近的点较易错分的问题,首先将反K近邻法引入分类问题,提出了反K近邻分类算法;然后,将支持向量机(SVM)与反K近邻分类算法(RKNN)相结合,提出了基于支持向量机与反K近邻的分类算法(SVM-RKNN);最后,为了避免单一分类器可能存在的片面性问题,提出了基于SVM-RKNN的多特征融合分类方法。实验结果表明:SVM-RKNN分类算法的分类准确率比SVM方法平均提高了2.13%,而基于SVM-RKNN的多特征融合分类算法的分类准确率分别比SVM和SVM-RKNN算法平均提高了2.54%和0.41%。

基于主成分分析的支持向量机分类方法研究

主成分分析法可以提取样本集的主元,从而降低样本的维数,甚至可以实现样本的最优压缩。基于主成分分析法,研究支持向量机分类方法,可以提高支持向量机分类的训练速度和测试速度,但不会改变样本的分布特性,保持样本的分类信息。最后给出了试验及结果。

一种基于支持向量机的纹理图像分类法

支持向量机是机器学习领域的研究热点之一,是在统计学习理论基础上发展起来的新的学习算法。传统的分类法用于纹理图像分类效果往往不佳,该文研究了支持向量机的实现方法,并以纹理图像分类为例分析了支持向量机的分类性能。

基于SVM分类机的一种DNA序列判别方法

针对DNA序列类别的分属问题,提出采用支持向量机(Support Vector Machine,SVM)的方法进行分类。根据SVM分类器的要求建立特征属性空间,首先由每个DNA中4个碱基的含量得到4个特征属性,然后在此空间中扩充DNA序列长度的属性,最后根据SVM分类器对已知的DNA分类样本做训练得到分类超平面。利用此超平面检测所要分类的DNA序列,实验结果表明这种方法具有很好的分类精度。

面向不均衡分类的隶属度加权模糊支持向量机

针对不均衡分类问题,提出了一种基于隶属度加权的模糊支持向量机模型。使用传统支持向量机对样本进行训练,并通过样本点与所得分类超平面之间的距离构造模糊隶属度,这不仅能够消除噪点和野值点的影响,而且可以在一定程度上约减样本;利用正负类的平均隶属度和样本数量求得平衡调节因子,消除数据不平衡时造成的分类超平面的偏移现象;通过实验结果验证了该算法的可行性和有效性。实验结果表明,该算法能有效提高分类精度,特别是对不平衡数据效果更加明显,在训练速度和分类性能上比传统支持向量机和模糊支持向量机有进一步的提升。

基于支持向量机的肝纤维化CT图像分类

基于统计学习理论中结构风险最小化原则的支持向量机是易于小样本的机器学习方法。本文使用支持向量机和二叉树的方法对肝纤维化CT图像进行分类,并与k近邻法和BP神经网络等其它算法进行比较,结果显示对于肝纤维化图像,支持向量机的分类效果和鲁棒性要高于其他两种算法。

SVM-KNN分类器在网页分类中的应用

为了提高中文网页自动分类的分类精度,将SVM-KNN方法用于中文网页分类。提出了一种中文网页的表示方法,在将下载的网页全部表示为向量空间的向量后,用SVM构造了一个多类分类器。在分类时通过在特征空间计算网页所表示的向量和分界面的距离决定采用SVM方法还是KNN方法对其分类。实验证明该方法是一种有效的方法,对网页分类的各类,使用该方法均比使用SVM方法具有更高的分类精度,同时能缓解SVM训练时对核参数的选择困难问题。

基于多分类支持向量机的有杆抽油泵故障诊断研究

针对传统方法对有杆抽油泵系统进行故障诊断存在的缺陷,提出了基于支持向量机的抽油泵故障诊断方法.为解决高维、非线性分类问题,通过引入核运算技巧,分析非线性软间隔分类学习机具体算法,并得到使分类间隔最大的最优分类超平面方程.提出了特殊情况下的样本数据标准化处理具体算法,采用基于网格搜索的交叉验证法来选择模型参数,避免了参数选择的盲目性和随意性.采用一对多SVM分类器对抽油泵工况进行了多分类仿真试验,并与BP网络、RBF网络、最小距离法等加以比较,试验结果表明一对多SVM分类法理论严谨,方法可行,自适应好,可在线运行,在解决有杆抽油泵故障诊断问题中表现出了良好的性能,有助于提高采油效率,实现远程采油控制智能化,建设数字油田.

用FSVM解决多类分类问题中不可分区域问题剖析

分析了支持向量机(SVM)的工作原理和将其推广到多类分类时会遇到的问题,对用模糊SVM(FSVM)解决此问题时的模糊策略作了详细论证,说明此模糊策略是非常完美的一个解决方案,并指出了进一步的研究方向。