特征加权的高斯加权K近邻-支持向量机的水泵故障诊断方法

针对实际运行环境下的工业水泵具有工况数据量大、运行时间长、特征类型多等特点,提出一种基于特征加权的高斯加权K近邻-支持向量机(GWKNN-SVM)的组合故障诊断分类算法。首先通过对某化工厂三台水泵5个月份的运行采集数据进行特征提取和清洗,然后分别使用高斯加权K近邻算法(GWKNN)-支持向量机算法(SVM)对数据进行快速粗分类和边界数据细分类,以提高水泵故障分类精度和识别效率。最后通过仿真实例比较了相同条件下GWKNN-SVM算法和其他分类算法的故障分类效果。试验结果表明,该组合分类方法能够有效提高水泵工况的故障分类精度,从而实现工业环境下的水泵健康监测。

基于k近邻和最小二乘支持向量机的Android恶意行为识别

针对单一k近邻算法(KNN)和最小二乘支持向量机(LSSVM)存在的缺陷,提出一种基于KNN-LSSVM的Android恶意行为识别模型.先采集Android用户行为样本,并提取相应特征组成特征向量;再将训练集输入LSSVM中进行学习,计算测试样本与最优分类平面间的距离,如果该距离小于阈值,则直接采用LSSVM恶意行为识别,否则采用KNN算法进行恶意行为识别;最后采用仿真实验测试KNN-LSSVM的性能.实验结果表明,相对于单一KNN算法和LSSVM,KNN-LSSVM提高了Android恶意行为的识别正确率,可以满足Android恶意行为的在线识别要求.

基于沙地猫群优化–最小二乘支持向量机的动态NOx排放预测

针对火电机组频繁调峰导致机组燃烧状态不稳,进而导致锅炉出口NOx浓度波动范围大的问题,提出一种基于沙地猫群优化(sand cat sarm optimization,SCSO)的最小二乘支持向量机(leastsquaressupportvectormachine,LSSVM) NOx动态预测模型。首先利用k近邻互信息计算时间延迟的同时筛选辅助变量。然后,基于SCSO算法进行输入变量阶次的选择。使用包含辅助变量时间延迟和阶次的信息作为模型的输入,SCSO算法优化最小二乘支持向量机参数,建立动态NOx排放最小二乘支持向量机预测模型(SCSO-LSSVM动态软测量模型)。最后将模型与未加入迟延的LSSVM模型,加入迟延的LSSVM模型和粒子群优化算法(particle swarm optimization,PSO)优化最小二乘支持向量机参数的动态软测量模型进行对比验证。结果表明,相较于其他模型,该文建立SCSO-LSSVM动态软测量模型均方根误差、平均绝对误差、平均绝对误差最小,预测精度最高,而且在NOx浓度剧烈波动时也能够较好地预测NOx浓度,具有很好的动态特性。

基于KNN-SVM的网络安全态势评估模型

为了提高网络安全态势评估性能,提出一种K近邻和支持向量机相融合的网络安全态势评估模型(KNN-SVM)。将网络安全数据集输入到支持向量机学习,找到支持向量集,对于待评估网络安全态势样本,计算其与最优分类超平面间的距离,如果距离大于阈值,采用支持向量机进行网络安全态势评估,否则采用K近邻进行评估,以解决支持向量机对超平面附近样本易错分的缺陷,减少SVM的误判率。仿真结果表明,相对于单独SVM,KNN-SVM提高了网络安全态势评估正确率,而且性能更加稳定。

不平衡数据分类预测的阈值优化算法ε-KSVM

大数据时代,具有多维海量特征的电力、医疗等行业的分类数据往往是不平衡数据,少数类样本的分类往往伴随着很大的错分代价。对于不同的数据集,数据样本点分布特征也会影响分类器的分类精度。传统的KSVM分类器增加了分类超平面附近易错分点的有效分类信息,但与此同时引入了更多噪声。针对KSVM算法应用在不平衡数据时阈值固定的缺陷,提出一种动态调整阈值的ε-KSVM分类器,降低错分信息的引入。实验表明预测精度得到较大的提升。

基于SVM-KNN算法的情绪脑电识别

情绪识别与日常生活的诸多领域都有很大联系.然而,通过单一算法难以获得较高的情绪识别准确率,为此,提出一种基于支持向量机(support vector machine,SVM)和K近邻(K-nearest neighbors,KNN)融合算法(SVMKNN)的情绪脑电识别模型.在情绪分类时,首先计算待识别样本与最优分类超平面的空间距离,若两者距离大于提前设定的阈值,选用SVM分类器对情绪样本分类,否则选用KNN分类器.最后在SEED情感数据集上进行实验测试,通过对比实验,得出SVM-KNN算法提高了情绪三分类的准确率.运用该模型可有效地对情绪类型进行识别,对于医疗护理方面获取表达障碍患者的情绪状态有积极意义.

基于改进KNN-SVM的车辆图像光照检测模型

为了准确检测出车辆交通图像的光照类型,从而有针对性地矫正不同光照以减少其对车牌定位的影响,提出了一种基于改进K近邻和支持向量相融合(KNN-SVM)的车辆图像光照检测方法。首先融合了HSV空间亮度特征、灰度直方图特征和投影直方图特征作为车辆图像的光照特征,然后改进传统KNN-SVM中距离计算方法,定义为每类待检测样本到属于该类支持向量的距离,并在采集的全天候不同光照车辆图像上进行检测验证。实验表明,改进KNNSVM将阈值获取时间提前,避免了传统KNN-SVM对超平面附近样本先SVM检测再KNN检测的重复检测,不仅降低了算法复杂度和运行时间,且检测准确率高于传统KNN-SVM和单独使用KNN或SVM时的值,最高达到了99.67%。

3种经典机器学习算法在火山岩测井岩性识别中的对比

岩性识别一直是火山岩油气勘探中的重要课题,基于测井数据的岩性识别也逐渐成为火山岩研究的需要,大数据背景下的机器学习算法为测井岩性识别提供了一个新方向。为提高某研究区火山岩岩性识别符合率,本文采用K近邻、支持向量机和自适应增强3种经典机器学习算法,对研究区内的粗面岩、非致密粗面岩、辉绿岩、辉长岩、玄武岩和非致密玄武岩等6类中基性火山岩进行岩性识别。从常规测井系列中优选对研究区岩性敏感的自然伽马、声波时差、补偿中子、深侧向电阻率和补偿密度等5种测井参数作为岩性识别模型的输入向量,从研究区内5口有岩心样品或薄片鉴定资料的目标层中选取测井数据点1 440个,其中960个作为训练样本,其余480个作为测试样本。以识别符合率和时间作为评价指标,对3种算法的识别结果进行对比分析,实验表明:自适应增强算法的分类准确率最高,6类岩性平均识别符合率达到82.10%;支持向量机算法表现良好,平均识别符合率为81.04%;K近邻算法平均识别符合率为76.04%。

基于遗传算法优化随机森林模型的机械钻速分类预测方法

为准确预测东部某油田机械钻速,在针对该油田某井机械钻速影响因素分析的基础上,根据现场经验对不同直径钻头聚晶金刚石复合片(polycrystalline diamond compact,PDC)的机械钻速进行分级,运用随机森林算法、K近邻算法、支持向量机算法建立机械钻速分类预测模型,并运用遗传算法优化模型参数,得到了满足施工设计及现场作业需要的机械钻速分类预测方法。结果表明,运用遗传算法优化后的随机森林模型预测机械钻速分类准确率为82.1%,明显高于K近邻算法和支持向量机算法,该方法可指导该区块钻井施工参数优化,以提高钻井施工效益。

SVM-KNN分类器在异常行为检测中的应用

提出了一种新的异常行为检测方法,将SVM算法和KNN算法结合,在对识别样本判别时,当其与最优分类面的距离大于给定阈值时,采用SVM分类算法,否则采用KNN算法,从而减少了SVM算法的错误率。实验结果表明,SVM-KNN算法对异常行为检测的准确率达到95.86%。

不均衡数据下基于SVM的故障检测新算法

针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。

几种常用文本分类算法性能比较与分析

分析了几种典型的文本分类算法的特点,并基于中文文本数据集和英文文本数据集对算法性能进行了综合评价.实验结果表明:对于英文文本数据,支持向量机具有最优的性能,但时间开销最大,贝叶斯算法速度较快;对于中文文本数据,由于分词的困难,使得算法性能普遍低于同等规模下在英文数据集上的性能.几种算法性能均随训练集规模的增大而有改善.

一种改进的图像场景识别算法

基于图像的场景识别是目前计算机视觉研究的热点之一,然而此前的场景识别算法存在分类结果准确率不高的问题。针对图像场景识别首先提出一种改进的高斯差分采样特征,在对图像进行高斯差分滤波的基础上,根据预先设定的模板进行采样并作为图像的基本特征,之后通过词袋模型和空间金字塔算法生成图像的特征直方图。其次,提出了一种基于K近邻修正的模糊支持向量机图像场景分类算法,算法对现有的支持向量机算法进行改进,引入K近邻算法对结果进行修正,实验结果证明提出的特征的分类准确率较高,而且改进分类算法的结果也优于现有的算法。

针对密码芯片数据搬移能量曲线的机器学习攻击

机器学习和传统侧信道攻击技术中的模板攻击有类似的处理过程,它们都由学习和测试两个阶段组成。模板攻击可以看作是有监督学习的分类技术,而机器学习领域也有很多这样的分类算法。为了探索机器学习算法在侧信道攻击中的应用,以实际密码芯片中的数据搬移操作为攻击对象,研究了一些机器学习算法利用已知搬移数据值的能量曲线,对新的能量曲线的搬移数据值的预测效果。结果表明,在采用一条能量曲线进行测试时,一些机器学习算法比模板攻击预测的正确率更高。

一种相似性学习算法及其在人脸识别中的应用

传统的支持向量机相似性学习算法在构造样本对时,会考虑所有的原始训练样本,致使样本对空间和原样本空间呈平方关系,而过多的训练样本对会降低训练速度。为此,提出一种改进的支持向量机相似性学习算法,并应用到人脸识别中。引入二元样本对方法构造样本对,采用K近邻算法减少不相似样本对的生成,从而加快支持向量机的训练速度,同时使用随机降维方法来降低人脸数据的维数。实验结果表明,与基于差空间样本对和差绝对值样本对的算法相比,该算法可获得更高的识别率。

基于EEMD和GA-SVM的精神分裂症MEG识别

为了研究脑磁图(MEG)信号在识别精神分裂症方面的应用,文中提出了一种基于总体经验模态分解(EEMD)和希尔伯特(Hilbert)变换的识别方法。在对正常人和精神分裂症患者的脑磁信号进行预处理的基础上,通过EEMD方法将信号分解为一系列的固有模态函数(IMFs),然后使用Hilbert变换求取固有模态函数的瞬时频率和振幅,由希尔伯特-黄幅度谱(HHS)和边际谱(MS)可以发现两类信号的差异;接着选取与原信号相关性较高的前9个IMF的瞬时频率和振幅归一化后计算Hilbert加权频率;最后,利用经遗传算法(GA)优化的支持向量机(SVM)分类器进行分类,并与k近邻(KNN)分类器的结果进行对比,得到的分类精确度分别为95%和78.33%,验证了所提识别方法的有效性。

基于Stacking集成学习的岩性识别研究

针对传统集成学习模型利用测井资料进行地层岩性识别效果不佳的问题,提出了一种改进的集成学习模型。该模型使用CART决策树、K近邻算法(KNN)、支持向量机(SVM)和多层感知机(MLP)为基模型,逻辑回归(LR)为元模型,使用PCA算法计算每个基模型的权重,并且将权重融入到第二层元模型的训练数据集中,从而给元模型提供了更多质量较高的训练数据,以此构建出一个精准的多层集成学习模型。并且通过准确率、F1-Score两个指标对该模型进行了评估。最后将改进后的集成分类模型应用在实际的井区数据中,实验表明改进后的模型相较于传统的Stacking集成模型准确率提升了1.85个百分点,F1-Score提升了2个百分点,与实际结果相比有较高的一致性,充分证明了改进后的集成分类模型的有效性。

文本自动分类算法的比较与研究

对于海量的网络信息而言,文本自动分类算法的合理应用决定了当今网络服务商所能提供服务的优良与否。因此,文章在对现今流行的分类算法,如简单向量距离分类法、KNN、Bayes等比较、研究的基础上提出了一种考虑词序,即利用词与词之间的有序关联与共现关系的扩展算法并进行了测试与分析,对于更好地利用文本分类算法提供了一定的依据。

常见机器学习方法在中医诊断领域的应用述评

对近年来数据挖掘技术中的常见机器学习方法应用于中医诊断的概况进行述评。近年来应用于中医诊断的常见机器学习方法有支持向量机、决策树、K近邻算法、人工神经网络、贝叶斯网络、AdaBoost算法等,这些方法各有其优势与不足。今后在促进机器学习运用于中医诊断研究领域时,需基于中医证的多维性、非线性和复杂性的特点,针对中医诊疗中的各项问题制定统一的标准并规范收集数据,选用合适的机器学习方法,寻找中医大数据下的隐藏知识和规律,以推动中医诊断客观化、规范化。

基于马氏抽样的SVM非平衡数据分类算法的泛化性能研究

本文将样本为独立同分布的情形减弱为一致遍历马氏链的情形去研究了非平衡数据分类算法的泛化性能,提出了基于马氏抽样的SVM非平衡数据分类算法、基于马氏抽样的EDSVM非平衡数据分类算法和基于马氏抽样的SVM-WKNN非平衡数据分类算法.并用UCI数据库中的10个实际不平衡数据集进行数值实验,实验结果表明基于马氏抽样的上述三种算法的错分率均比基于随机抽样的对应算法的错分率要低,且上述三种算法中,基于马氏抽样的SVM-WKNN非平衡数据分类算法的泛化性能最好.