基于μσ-DWC特征和树结构M-SVM的多维时间序列分类

为了实现多维时间序列的分类,提出基于统计量-小波系数(μσ-DWC)的序列特征提取方法和新型树结构多分类支持向量机M-SVM模型.分类算法的实现过程如下:利用该特征提取方法将原始多维时间序列映射到特征空间,获得原始序列的压缩表示,即特征向量;得到训练集的特征向量表示之后,训练和构建树结构M-SVM模型;提取未知序列的特征向量并输入已训练完成的树结构M-SVM模型,得到未知序列的类标号,完成分类.实验结果表明:该算法比传统的分类方法具有更高的分类准确率和预测速度,同时可以保证较理想的训练速度.

基于特征选择的M-SVM中文文本分类

在文本分类领域,中文文本需要经过数据处理,将文档表达成计算机可以理解并处理的信息。本文采用TF-IDF作为文本表示方法,针对中文文章的多分类问题,对传统支持向量机进行改进,提出了一种基于特征选择的多类支持向量机分类方法。在中文文章数据集的对比实验结果表明,本文的方法在多分类性能上较优于其他模式识别方法。

基于PCA和M-SVMs的化学物质生态危害预测应用研究

为防止新化学物质投入市场时对生态环境造成危害,需对其生态危害程度进行评价。现有评价方法把各指标对生态危害的贡献看成是等效的,不能客观反映事实,且评价指标较多,指标之间具有较强的相关性,会降低预测精确度,为了解决该问题,文章将主成分分析和支持向量机相结合。首先运用主成分分析进行特征提取,降低数据维数,获取数据的主要信息;然后将二值分类支持向量机扩展到多类支持向量机,利用多类支持向量机建立化学物质生态危害预测模型,采用10折交叉验证法对模型进行检验,得到平均正确率达到89.24%。并与未进行主成分分析的支持向量机分类模型进行了比较,实验结果表明该方法具有更好的预测精度,值得推广。

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。

多类支持向量机分类技术及实证

文章创新性地应用多类支持向量机技术,以深圳证券交易所中小企业板块信息技术行业的上市公司为例,分类识别这些中小企业的信用水平差异,并针对综合评价问题,提出相关政策建议。

工控网络Modbus TCP协议异常报文检测方法

工业控制网络系统包含Modbus报文传输数据、TCP/IP主机通信行为数据、工控协议数据等大量复杂数据,容易造成数据冗余,降低异常报文检测精度,增加检测时间,从而增加工控网络被攻击几率。为此,提出一种基于支持向量机(SVM)的工控网络Modbus TCP协议异常报文检测方法。利用SVM建立工控网络分层数据模型,在应用层中定义Modbus协议报文,使用核函数对非平稳的随机Modbus协议报文进行离散处理,减少工控网络数据冗余。结合m阶马尔科夫序列,在TCP/IP数据链路层中对离散Modbus协议报文进行异常特征提取,完成Modbus报文异常检测。仿真测试结果表明:所提方法可以有效降低数据冗余,工控网络重复数据存储率为0.39%;Modbus TCP协议异常报文检测精度为95.73%;Modbus TCP协议异常报文检测时间为0.5 ms,以期为工控网络安全提供技术支持。

支持向量机在多类分类问题中的推广

支持向量机(SVMs)最初是用以解决两类分类问题,不能直接用于多类分类,如何有效地将其推广到多类分类问题是一个正在研究的问题。该文总结了现有主要的支持向量机多类分类算法,系统地比较了各算法的训练速度、分类速度和推广能力,并分析它们的不足和有待解决的问题。

多分类支持向量机分割彩色癌细胞图像

在细胞彩色图像处理中,为了有效地计算与分析细胞各特征值,对细胞图像的精确的三域分割是细胞自动分析与识别的一个关键环节。提出利用多分类支持向量机对细胞彩色图像进行背景、胞浆与核的一次性三域分割,并且通过聚类分析的方法实现了在线训练,实验表明,该方法在细胞彩色图像的多域分割上,能获得较高的分割精度和较好的鲁棒性。

多类支持向量机推广性能分析

为了分析多类支持向量机(Multi-category support vector machines,M-SVMs)的推广性能,对常用的M-SVMs算法加以概述,推导、总结了理论推广误差公式。对于给定的样本集,可以设计合理的编码来提高ECOCSVMs的推广性能,通过构造合理的层次结构来提高H-SVMs推广性能,其余M-SVMs算法的推广性能均取决于样本空间。研究结果为有效使用M-SVMs提供了依据,为改进M-SVMs指明了方向。

基于遗传算法和SVM的遥感图像检索

目前在基于内容的遥感图像检索中,存在图像内容描述不精确,图像查询精度低以及图像查询结果排序错误的问题.就此问题,提出了一种基于遗传算法优化和支持向量机(SVM)的遥感图像检索方法.该方法首先利用遗传算法优化遥感图像特征组合参数,得到对图像内容描述精确度较高的遥感图像检索模型,然后结合优化后的图像相似度计算模型对传统的SVM相关反馈算法进行改进,将遥感图像的视觉特征信息考虑到相关反馈的图像相似度计算中,并根据用户的反馈信息对图像的相似度计算模型进行修正,从而提高遥感图像查询的精度.实验结果表明,该方法优化了图像查询的排序结果,提高了遥感图像的检索精度,有效地减少了图像检索的反馈次数.

基于逆向P-M扩散的医用输液容器组合盖缺陷检测系统

针对医用输液容器组合盖在生产制造中出现的黑点、毛发、气泡等缺陷问题,设计了基于逆向P-M扩散的医用组合盖缺陷检测系统。首先设计了机械执行、电气控制、图像采集系统,然后采用逆向P-M扩散增强缺陷区域,通过差分后二值化提取缺陷区域,并进行图像滤波,接着利用SVM支持向量机对缺陷与非缺陷区域进行分类,通过交叉验证法自动选择最佳分类参数,解决了医用组合盖表面纹理对缺陷检测的干扰,实现了医用组合盖缺陷检测功能,有效提高了分类器的性能。实验结果表明,该方法要求训练样本少,适用于不同组合盖缺陷类型检测和检测环境,准确率95%以上。

基于Curvelet的彩色癌细胞分割新方法

针对彩色图像分割问题,将Curvelet变换与SVM理论相结合,形成了有效的彩色图像分割新方法。通过曲波变换将彩色图像分解到各通道,用Mean Shift找到各通道上特征图像的模式点,再用模式点周围的样本训练SVM,用训练好的SVM对各通道样本进行精确分类,把所有通道滤波后的图像进行重构,使癌细胞凸显并二值化。该方法可以快速,精确地定位到多目标物边界。通过MATLAB进行仿真实验,表明了该方法的有效性。

基于波段选择的MODIS全国土地覆盖分类

以MODIS多光谱和多时相数据为输入参数进行了全国土地覆盖分类研究。从试验区2007年MODIS 8 d数据的合成影像(MOD 09)中提取EVI、NDWI和NDSI 3个指数,并将其作为特征波段与原有的7波段(B1～B7)形成10波段影像。以统计分类J-M距离平均值和SVM分类总精度为标准评价不同波段对土地覆盖分类的贡献。在全国范围内,选择贡献最大的EVI、B7和B4这3个波段的月合成值,并分别对其作PCA变换,选取各PCA变换后的前3个波段进行分类运算。研究结果表明,在没有其他辅助信息的境况下,基于MODIS贡献最大的前3个波段结合多时相信息能够在中分辨率区域土地覆盖分类中取得较好的分类结果,其精度为78.04%。

基于支持向量机的码头节能减排预警

针对码头节能减排绩效考核和精细化管理要求,提出码头节能减排指数的概念,通过预警机制使码头生产企业及时掌握节能减排情况,提前做好应对准备。以多分类支持向量机(M-SVM)建立码头节能减排指数预警模型,综合考虑码头能耗和污染物排放情况,将专家经验融入到预警模型中,实现模型预警方法与专家经验的结合。对4个码头进行实证分析及精确度验证,结果表明建立的预警模型能有效进行预警分类。

基于最佳波段组合的高光谱遥感影像分类

针对高光谱数据维数高、数据量大、信息冗余多、波段相关性强等特点,在综合各种数据降维方法的基础上,提出一种基于最佳波段组合的高光谱遥感影像分类方法。以美国印第安纳州地区的AVIRIS数据为例,分析各波段信息量和相邻波段的相关性,利用子空间划分、分段波段指数选择法,进行特征波段的选择;并针对难区分地物类别,应用J-M距离模型对其可分性进行判别,获得最佳波段组合。最后采用支持向量机分类器进行分类。实验结果表明,采用最佳波段组合方法,可以有效地提高高光谱的分类精度。

多类支撑向量机算法比较研究

统计学理论第一次系统地研究了在样本有限的情况下的机器学习问题。提出了一种能够根据样本数量合理地控制分类器的推广能力的一种模型选取原则,即结构风险最小化原则。支撑向量机(SVM s)是在该理论框架下产生的一种通用学习方法。通过对现有多类支撑向量机的系统分析,发现层次型支撑向量机BT-SVM s可以实现相对高效的多类分类,并对算法的改进提出了建议。

用纠错编码改进的M-ary支持向量机多类分类算法

针对M-ary支持向量机(SVM)多类分类算法结构简单,但泛化能力较弱的特点,提出了与纠错编码理论相结合的改进的M-ary SVM算法。首先,将原始类别信息编码作为信息码;然后结合纠错编码理论及期望的纠错能力,产生一定程度上性能最佳的编码,作为分类器训练的依据;最后,对于识别阶段输出编码中的错误分类利用检错纠错原理进行校正。实验结果表明,改进的算法通过引入尽可能少的冗余子分类器增强了标准M-ary SVM多类分类算法的性能。

基于多类SVM和小波变换的ECG检测、分类算法

提出了一种基于多类SVM和小波变换的ECG检测、分类算法,利用小波变换的时频特性,最大限度地避免了原始ECG信号的各种噪声干扰,有效提取ECG的特征量作为多类SVM的输入训练样本。实验结果表明,将小波变换和SVM相结合,可以有效地将不同病患的ECG信号识别出来。

回归函数的小波支持向量机鲁棒估计法

小波网络具有小波的多尺度特性和神经网络的自学习功能,在回归估计中得到广泛的应用,但其性能受到样本中粗差的严重影响.虽然以M-估计作为目标函数可以解决这个问题,但由于其对应的影响函数由残差绝对值决定,因此如何选择初始参数值成为一个关键问题.为此,提出回归函数的小波支持向量机鲁棒估计方法(小波支持向量回归,WSVR,Wavelet Support Vector Regression).该方法中首先提出并证明了一种新的小波支持向量机(WSVM,Wavelet Support Vector Machine),用于确定初始参数值方法,这种方法能够确定合理的网络结构和合适的初始参数值,保证含有粗差的样本点的残差绝对值较大;然后使用一种构造的M-估计作为目标函数,并提出了自适应确定阈值方法.仿真结果表明,使用这种方法得到的回归模型不仅具有良好的多尺度逼近特性,而且有较好的鲁棒性和较高的推广性能,具有较高的理论和应用价值.

基于多类支持向量机的化学物质生态危害分类研究

应用多类支持向量机(M-SVMs)方法研究了化学物质生态危害程度的分类,以提高分类的准确性和效率。对采集到的61种环境优先污染物的环境行为和生物毒性方面的7项指标进行相关性分析,建立了M-SVMs分类模型并对数据集进行10折交叉验证以评价模型的分类能力,运用所建模型对7种化学物质的生态危害进行预测。结果表明,去除与鱼毒有信息重叠的溞毒指标,选取鱼毒、藻毒、降解性、蓄积性、分配系数和吸附系数6项指标用于构建M-SVMs分类模型;M-SVMs模型识别率较高,交叉验证平均分类正确率达86.89%;对7种化学物质生态危害的预测结果与实际情况基本相符。