复共线Gauss-Markov模型参数估计的最小描述长度方法

Gauss-Markov模型是多元数据分析处理工作中常用的模型,其参数估计与筛选一直是研究的热点。当Gauss-Markov模型的设计矩阵存在复共线性时,常用主成分分析方法来筛选和估计其参数,消去它们之间的复共线性,提高估计准确度。基于最小描述长度原理,提出了一种新的参数筛选估计方法。该方法应用最小描述长度原理选择主成分作为参数,其参数的可靠性较高;从信息的角度看,这种方法的信息损失最小。最后实例说明了该方法的有效性和可靠性。

基于RBF的支持向量数据描述算法性能分析

核函数的选择对支持向量数据描述算法(SVDD)的性能有重要的影响,是SVDD研究的一个核心问题。通过对SVDD算法中常用核函数进行分析,验证了高斯核函数在单值分类问题上具有一定的优越性,并分别探讨相同样本数据集不同规模样本和不同样本数据集相似规模样本中,高斯核参数对SVDD分类器的影响。实验表明,基于高斯核函数的支持,向量数据描述算法适合于小规模样本的单值分类问题。

基于正样本和未标记样本的遥感图像分类方法

传统分类器的构建需要正样本和负样本两类数据。在遥感影像分类中,常出现这样一类情形:感兴趣的地物只有一种。由于标记样本耗时耗力,未标记样本往往容易获取并且包含有用信息,鉴于此,提出了一种基于正样本和未标记样本的遥感图像分类方法(PUL)。首先,根据正样本固有特征并结合支持向量数据描述(SVDD)从未标记集筛选出可信正负样本,再将其从未标记集中剔除;接着将其带入SVM训练,根据未标记集在分类器中的表现设立阈值,再从未标记集中筛选出相对可靠的正负样本;最后是加权SVM(Weighted SVM)过程,初始正样本及提取出的可靠正负样本权重为1,SVM训练筛选出的样本权重范围0~1。为验证PUL的有效性,在遥感影像进行分类实验,并与单类支持向量机(OC-SVM)、高斯数据描述(GDD)、支持向量数据描述(SVDD)、有偏SVM(Biased SVM)以及多类SVM分类对比,实验结果表明PUL提高了分类效果,优于上述单类分类方法及多类SVM方法。

基于独立成分和支持向量数据描述(IC-SVDD)的工业过程故障检测

针对复杂工业过程数据分布复杂的情况,提出了一种基于IC-SVDD(independent component-support vector data description)的工业过程故障监测方法。由于实际工业过程数据存在非线性和非高斯性问题,为了解决这两个同时存在的问题,采用IC-SVDD算法对数据进行处理。首先,利用独立成分分析算法对工业过程数据进行ICA分解,寻找一个分离矩阵W,实现分离原始数据,通过W的线性变化,可以将独立主元从混合信号中分离出来。然后,把提取出来的数据利用SVDD算法进行数据重构,进而构建新的统计量和统计限。最后,对Tennessee Eastman(TE)过程进行仿真,实验结果验证了该方法的可行性和有效性。