基于One Class-SVM+Autoencoder模型的车辆碰撞检测

为尽量避免车辆碰撞事故的发生,探索了机器学习和深度学习结合的方法,利用影响车辆碰撞的多个特征变量对车辆碰撞进行检测.首先使用皮尔逊相关性分析方法分析各个特征之间的关联度,接着使用One Class-SVM模型对数据集做"异常点"抛除操作.利用SMOTE(Synthetic Minority Over-sampling Technique)算法增加了少数类别的样本数量,最后采用自动编码器模型将影响车辆碰撞的因素(例如天气情况、光照情况等)作为模型的输入,通过解码器重构原始输入,获得输入与输出的最小重构误差计算阈值判断车辆碰撞情况.实验表明,数据经过One Class-SVM模型处理,再使用Autoencoder模型检测获得了比较好的测试结果.

基于GA-PSO混合优化SVM的机载EHA故障诊断

针对机载电静液作动器(Electro-Hydrostatic Actuator,EHA)的典型故障,详细分析了故障原理并在MATLAB/Simulink中搭建了仿真模型。为了高效准确识别故障类型,提出一种用遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)混合优化支持向量机(Support Vector Machine,SVM)的故障诊断算法。GA鲁棒性好且全局搜索能力强但收敛速度慢,PSO对样本规模不敏感且具有记忆功能但易陷入局部最优,故融合两种算法寻找SVM的最优参数。另外,为了解决传统SVM多分类方法“一对多”和“一对一”易出现不可分的问题,建立一种偏二叉树结构的SVM多分类模型。对于采集的原始数据高度重合的情况,引入时域特征统计量进一步提升模型的分类性能。实验结果表明,提出的混合优化算法寻优速度更快、所寻参数更佳,同时用该算法优化的SVM分类模型相比于其他5类常用的机器学习模型分类效果更好,故障识别正确率可达97.7%。

基于多源数据的特长隧道驾驶疲劳模型

为研究驾驶人在特长隧道内驾驶疲劳演变过程及其影响因素,基于实车试验采集的多源数据,对特长隧道内驾驶疲劳分类判别以及驾驶疲劳影响因素关系模型展开了研究。通过差异显著性分析和相关性分析筛选出闭眼百分率P80、瞳孔直径变异系数和加速度作为疲劳敏感性指标,并分析了各指标随行驶时间累积的变化规律。为构建驾驶疲劳分类判别模型,基于卡罗林斯卡嗜睡量表(Karolinska sleeping scale,KSS)主观疲劳检测结果,将疲劳程度划分清醒状态、半疲劳状态和疲劳状态,采用构造多类分类器的方法将不同疲劳状态样本进行组合分类,利用网格搜索法进行分类模型的参数寻优,并将筛选出的疲劳敏感性指标作为分类模型的输入变量,建立了基于网格搜索法的多分类支持向量机疲劳状态判别模型(GS-M-SVMs模型)。然后根据疲劳状态分类判别模型,利用有序多分类Logistic模型建立了特长隧道疲劳程度与影响因素的关系模型,对特长隧道内驾驶疲劳影响因素进行了探究。研究结果表明:疲劳敏感性指标变化规律可有效表征特长隧道内驾驶疲劳演变过程,而GS-M-SVMs模型分类检测准确率达到90.75%,对疲劳程度的分类识别效果较好,并且累积行驶时间和隧道长度显著影响驾驶人的疲劳程度,其模型回归系数分别为2.634和0.395,表明累积行驶时间是驾驶人在特长隧道路段中疲劳程度加重的最主要因素,隧道照度和隧道线形等因素并无显著影响。

基于单分类支持向量机和主动学习的网络异常检测研究

对基于支持向量机和主动学习的异常检测方法进行了研究,首先利用原始数据采用无监督方式建立单分类支持向量机模型,然后结合主动学习找出对提高异常检测性能最有价值的样本进行人工标记,利用标记数据和无标记数据以半监督方式对基于单分类支持向量机的异常检测模型进行扩展。实验结果表明,所提方法能够利用少量标记数据获取性能提升,并能够通过主动学习减小人工标记代价,更适用于实际网络环境。

单类支持向量机在工业控制系统入侵检测中的应用研究综述

通信行为的异常检测是工业控制系统入侵检测的难点问题。在现有研究工作基础上,阐述了工业控制系统入侵检测技术的国内外研究现状,归纳和总结了现存的问题,指出单类支持向量机(OCSVM)算法在工业控制系统入侵检测中的优越性。结合工业控制系统的专有协议特点,介绍了单类支持向量机在工业控制系统入侵检测中的应用原理及其现有工作;最后指出了单类支持向量机在工业控制系统入侵检测中存在的问题及发展方向。

样品表面近红外光谱结合多类支持向量机快速鉴别枸杞子产地

采用便携式近红外光谱仪采集枸杞子表面不同部位的近红外漫反射光谱,结合多类支持向量机算法对枸杞子产地进行快速无损辨识。以识别率为评价指标进行光谱预处理方法的选择,为了消除样本划分偏性对结果的影响,本研究通过重复划分样本集多次建模与预测,利用识别率的统计结果考察各个光谱采集部位的建模结果。实验结果表明,原始数据经二阶导数加SG平滑处理后,所建模型具有良好的产地预测性能。除了枸杞子顶端部位外,其他部位模型的稳定性及准确性均较好,其外部验证识别率的中位数与平均值均大于97%。这表明利用枸杞子样品表面近红外光谱可实现产地的准确鉴别,便携式近红外光谱技术可作为中药材流通环节中的有效监控手段。

基于SVM的AMI环境下用电异常检测研究

高级测量体系的建设在传统电力系统中引入了许多新技术,对电力系统安全提出了新的考验。网络的开放性和安全性之间的矛盾加大,使得非法电力用户窃电的手段增多,如何有效检测窃电成为电网信息化的一个新问题。根据高级测量体系系统架构的特点,使用One-class SVM无监督机器学习架构对电力用户负荷异常进行检测,可以在小样本、样本分类不均衡环境下提高检测的准确性。使用对检测结果过滤的方法对检测结果进行分类处理,降低系统的虚警率。系统能提高用电稽查效率,降低电力系统的非技术性损失。最后对系统进行架构搭建实现,使用真实算例验证了算法的执行效率和检测效率。

基于SVM技术的入侵检测

针对日益严重的网络入侵事件 ,提出了一种新的入侵检测方法 .在对网络数据进行深刻的分析和研究的基础上 ,提出了基于支持向量机的入侵检测方法 .首先 ,对 1类SVM进行了必要的改进 ,使异常点聚集为一类 (即环绕原点的一类 ) .然后 ,使用抽象化的网络数据对SVM进行训练 ,生成入侵事件的SVM分类器 .实验表明 。

支持向量机(SVM)的研究进展

介绍了基于分解思想的支持向量机的训练算法,主要有两大类:块算法和固定工作样本集算法及其对应的快速算法SVM-light、SMO、BSVM和LIBSVM;介绍了支持向量机的变形算法、多类分类算法及模型选择问题;并且对近年来支持向量机在实际中的应用做了简要介绍,最后讨论了支持向量机亟待解决的问题并对其发展进行了展望。

一种新的多类SVM方法及其在文本分类中的应用

提出一种将SVM扩展到多类文本分类问题的新方法,此方法有增量模式及批模式两种应用途径。其中,批模式提供了一种其他多类SVM替代方法;而增量模式在重复利用原有模型的基础上将新增类别的知识信息以增量方式更新到分类系统,整个分类器不需要全部重新学习,需要的计算量较小。实验表明增量方法大大减少新类增加时分类器更新所需要的学习步骤和时间;两种模式的分类效果与其他方法相当。

基于流形学习与一类支持向量机的滚动轴承早期故障识别方法

提出了一种基于流形学习与一类支持向量机的轴承早期故障识别方法。首先提取轴承信号的时域参数构成原始特征样本空间;然后采用基于拉普拉斯特征映射算法(Laplacian eigenmap,LE)的流形学习方法对特征样本进行特征压缩,提取出敏感的故障特征;最后采用一类支持向量机对各状态实现分类识别。利用实测的滚动轴承故障数据对算法进行了验证,并将LE方法与主成分分析(PCA)方法进行了比较,结果证明该方法可行。

基于相似日理论和CSO-WGPR的短期光伏发电功率预测

针对光伏发电功率预测精度不高的问题,提出一种结合纵横交叉算法与改进的高斯过程回归算法(crisscross optimization algorithm and weighted Gaussian process regression,CSO-WGPR)的预测模型。首先,通过加权模糊聚类对天气类型进行划分,选出与预测日相同类型的相似日样本;其次,采用单类支持向量机(One-Class supportvectormachine,One-ClassSVM)算法结合传统高斯过程回归算法,建立改进后的高斯过程回归模型(weighted Gaussianprocess regression,WGPR),减小异常值数据对预测结果的不良影响;然后,采用纵横交叉算法(crisscross optimization algorithm,CSO)优化WGPR的超参数,进一步提高模型的预测精度。以澳洲爱丽丝泉光伏系统为例进行建模预测,真实数据仿真和实验结果表明,所提预测模型在晴天、阴天、雨天类型下具有更高的预测精度,验证了该方法的有效性。

基于改进LBP的手指静脉识别算法

为进一步提高手指静脉识别算法识别率,在图像预处理阶段提出了将直方图均衡化算法与局部对比度增强算法相结合,在扩大静脉图像动态范围的同时增强图像的细节。在图像识别阶段,提出了一种基于局部二值模式(Local Binary Pattern,LBP)的改进算子用来描述图像局部纹理特征,并结合权重分配和分块LBP特征算法对图像进行特征提取。最后使用支持向量机(Support Vector Machine,SVM)算法对图像特征进行训练。实验结果表明,上述算法识别率高达99.33%,与传统的识别算法相比具有明显的准确率提高。

基于分类间隔的特征选择算法

对于二类目标特征选择问题,首先讨论了特征空间的线性可分性问题,并给出了其判别条件;其次,通过借鉴支撑矢量机原理,分析了特征可分性判据的基本性质;最后,依据各特征对分类间隔的贡献大小定义了特征有效率,并以此进行特征选择和特征空间降维.实测数据与网络公开UCI(University of california,Irvine)数据库的实验结果表明,与经典的Relief特征选择算法相比,该算法在识别性能和推广能力上明显有所提高.

超球体单类支持向量机的SMO训练算法

由于One-class支持向量机能用于无监督学习,被广泛用于信息安全、图像识别等领域中。而超球体One-class支持向量机能生成一个合适的球体,将训练样本包含其中,故更适合于呈球形分布的样本学习。但由于超球体One-class支持向量机没有一种快速训练算法,使其在应用中受到限制。SMO算法成功地训练了标准SVM,其训练思想也可用于超球体One-class支持向量机的训练。本文提出了超球体One-class支持向量机的SMO训练算法,并对其空间和时间复杂度进行了分析。实验表明,这种算法能迅速、有效地训练超球体One-class支持向量机。

基于RBF核的SVM及RVM模式分析性能比较

基于RBF核,利用Synthc、BC等标准数据集,采用五重交叉验证,比较SVM(支持向量机)及RVM(关联向量机)模式分析性能。实验结果表明,与SVM相比,RVM时间复杂度、测试错误率较低,模式分析性能较优。

基于Tri-training半监督学习的JPEG隐密分析方法

提出了一种基于半监督学习机制的JPEG隐密分析方法。通过三类DCT域统计特征和多超球面OC-SVM算法构建三种独立的隐密分析方法,并以Tri-training学习方式迭代地对未标记图像样本进行标记,来扩充原训练样本集,进而可以利用大量未标记属性的图像样本提高隐密分析算法的泛化能力。由JSteg、F5、Outguess、MB1含密图像与载体图像所组成的混合图像库上的仿真实验结果验证了此方法的有效性。

多类支持向量机的DDoS攻击检测的方法

为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。

多类支撑向量机在中医舌质、舌苔分类和识别的应用研究

在分解法进行多类支撑向量机的训练中,所有的两类问题训练都采用一种核函数是不合适的。本文在一对一(OAO, one against one)训练算法中优先选择线性核函数,并将训练结果用有向无回路图 DAG(Directed AcyclicGraph)的方法进行中医舌质、舌苔识别。结果表明,该方法可以获得超过 85%的正确识别率,识别速度也比较快。

基于小波分形和一类辨识的航空发动机故障诊断

在支持向量机理论的基础上,针对支持向量机的二类辨识传统,引入了基于支持向量机的一类辨识理论。设计了航空发动机几种典型故障的一类分类器,使得发动机的故障诊断更加简单可行。同时,将小波分形方法引入到航空发动机振动信号的特征提取中。通过对航空发动机典型故障的成功诊断,证明了该方法的有效性。