基于PSVM的乳腺X照片分类器设计

纹理是图像中反复出现的局部模式和它们的排列规则。一幅图像的灰度共生矩阵反映了图像灰度关于方向、相邻间隔变化幅度的综合信息 ,它是分析图像纹理的基础。文中提出了基于灰度共生矩阵的乳腺X照片纹理特征提取方法。同时 ,利用比BP神经网络精度更高 ,比传统的SVM算法效率更高。

基于PSO算法的模糊PSVM及其在旋转机械故障诊断中的应用

研究了粒子群优化改的进的模糊线性PSVM在旋转机械故障诊断的应用。常规的PSVM对噪声或野值敏感,模糊PSVM可以很好的解决这种问题;对于非平衡样本,PSVM分类面会偏重于数据点较多的一类,从而降低正确分类性能,通过为不同样本分别设计不同的惩罚因子,提高分类器性能;模糊线性PSVM分类器的惩罚因子采用经典粒子群优化算法进行优化,避免传统方法对初始点和样本的依赖。通过旋转机械故障分类应用实例进行了设计方法的验证,首先对振动信号进行滤波,然后以不同频率频谱的谱峰能量作为模糊线型PSVM分类器的输入特征参数,用于区分旋转机械的5种典型故障,试验结果表明了方法的有效性。

并行PSVM算法及其在入侵检测中的应用(英文)

基于并行PSVM(proximal support vector machine)分类法,利用ε-支持向量与原数据集等价的特点,将PSVM和cascade SVM模型高效结合,加速训练入侵数据集.提出一种新的PSVM增量学习方法,它能快捷更新分类器.通过大量基于著名的KDD CUP1999数据集实验,研究表明,该算法相对其他SVM方法,在保证较高检测率和较低误报率的同时,其训练时间降低80%,且能通过增量学习新数据集来有效更新分类器.

一种大数据集上的非线性PSVM训练方法

PSVM作为一种新型SVM方法,避免了求解二次规划问题,具有更快的计算速度,但对于大规模数据集,采用传统方法求解非线性PSVM面临大矩阵求逆的困难。文章基于共轭梯度法结合低秩估计提出了一个大数据集上的非线性PSVM训练方法NPSVM-LD,通过多次迭代的矩阵乘积运算避免了对大矩阵的求逆。在UCI数据集上的实验表明,该方法能够在应用非线性核函数条件下,使PSVM有效处理规模在10000以内的训练集的情况。

PSVM，LSVM和NLSVM三种SVM分类算法的比较

支持向量机(SVM)是数据分类的强大工具,本文对三个分类算法进行了比较。这三个算法是最近SVM(PSVM),Lagrangian SVM(LSVM)和有限牛顿LSVM(NLSVM),比较了三个算法给出线性分类器的过程以及算法的速度和精度,提供了用SVM方法分类问题时的导向。

不平衡文本的PSVM-2分类法

针对PSVM没有考虑不平衡数据的情况,提出一个基于改进PSVM的分类方法(PSVM-2)。首先用PSVM对输入集数据进行初次训练,并得到分类超平面的法向量,做输入集在法向量上的投影,利用投影样本点提供的数据改进PSVM,并对输入集数据进行再次分类。实验证明本方法在处理不平衡数据时性能表现良好。

应用于火电厂主蒸汽温度预测控制的PSVM算法研究

主蒸汽温度的干扰因素多,其非线性、大时滞的特点成为电站锅炉中最难控制的参数,许多文献对此也提出了相应的先进控制策略。本文通过对SVM建模原理的研究,提出一种基于Proximal-SVM算法的新型非线性预测控制方法,该算法在负荷大幅度波动的仿真结果,显示了良好的适应性。

基于PSVM的主动学习肿块检测方法

肿块区域通常形态各异、差异性较大,并且与正常组织相比没有明显的区别,严重影响了肿块自动检测系统的性能.为了能够有效地提高乳腺X线图像中肿块的检测灵敏度,通过引入包含了样本间相互制约关系的具有成对约束的SVM (PSVM)算法,提出了一种基于PSVM 的主动学习机制.其中,由系统根据样本的不确定性和相互之间的特征匹配距离,主动选择应该反馈给训练集的成对样本.实验结果表明,这种基于PSVM的主动学习方法,能够充分利用样本所包含的信息,使得检测方法具有更好的推广能力和检测性能.

改进的PSVM及其在非平衡数据分类中的应用

标准近似支持向量机(PSVM)没有考虑非平衡分布数据的分类问题,为此,在PSVM的基础上,将优化问题中的惩罚因子由数值变更为一个对角阵,提出了一种改进的PSVM算法。该方法利用引入的对角阵对正负样本分别分配不同的惩罚因子,由于其任意性,使得该算法可以解决由多种因素引起的分布不平衡的分类问题,稳健性较好。利用实值免疫克隆算法实现了模型参数的自动选择,进一步提高了算法的泛化性能。实验结果表明新算法对于处理分布不平衡数据的分类问题相当有效。

一种基于PSVM的多类分类方法

为克服传统支持向量机不能处理交叉数据分类问题,Mangasarian等人提出一种新的分类方法PSVM,该方法可有效解决交叉数据两分类问题,但用PSVM解决多分类问题还报道不多。为此,提出一种基于PSVM的多分类方法(M-PSVM),并探讨训练样本比例与分类精度之间关系。在UCI数据集上的测试结果表明,M-PSVM与传统SVM分类性能相当,且当训练样本比例小时,效果更优;此外,在入侵检测数据集上的初步实验表明,M-PSVM可有效改进少数类的分类精度,因而为求解数据不平衡下的分类问题提供了新的思路,进一步的实验验证正在进行。

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用。探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能。

基于多特征融合及PSVM的车辆检测研究

针对传统单目视觉车辆检测系统准确度及实时性方面研究的不足,提出一种融合多特征的单目视觉车辆检测方法。在车辆假设阶段,结合车辆底部阴影、水平边缘、竖直边缘等多特征融合来产生车辆感兴趣区域,从而产生车辆假设目标;在车辆确认阶段,通过垂直梯度直方图来提取车辆竖直边缘特征,运用于最邻近支持向量机训练器的训练。最后,通过训练好的最邻近支持向量机训练器来对车辆假设进行进一步的确认,从而排除虚假目标。实验结果表明,上述车辆在车辆检测时准确度很高且实时性较好。

基于入侵检测的特征提取方法

利用核主成份分析对入侵检测的训练样本进行特征提取,有效地提取出样本的分类信息,降低了维数。在此基础上,进一步将简约支持向量机RSVM(Reduced SVM)方法应用到非线性的PSVM中,降低了核矩阵的计算量。两种方法相结合提高了训练速度和入侵检测的分类效果,并且一定程度上还改善了分类的正确率和误报率,数值试验证明算法的有效性。

一种基于拟牛顿法的大类别分类算法

支持向量机利用接近边界的少数向量来构造一个最优分类面.然而当两类中的样本数量差别悬殊时,PSVM算法则会过度拟合样本量大的那一类,而对样本量很小的那一类的错分率相当高.为解决此问题,本文提出了一种改进的支持向量机算法——DFP-PSVM算法.同时,这个问题也是大类别分类问题所采用的留一法面临的问题,在DFP-PSVM的基础上,提出了基于拟牛顿法的大类别分类算法.通过仿真实验证实了此算法在精度上优于PSVM算法.

改进的近似支持向量机在葡萄酒质量鉴定中的应用

在介绍标准支持向量机(SVM)的基础上,引出近似支持向量机(PSVM)方法的基本原理,并提出一个改进其分类精度的新算法(PSVM-2)。针对葡萄酒质量鉴定这一实际问题,比较了SVM与PSVM及PSVM-2的表现能力,分析了3种算法的复杂性及其分类性能。

关于支持向量分类机算法的研究

研究分析了标准的支持向量机(C-SVM)、v支持向量机(v-SVM)等五种算法,利用仿真实验从分类精度,计算效率,扩展性等五个方面对上述五种算法进行了分析比较。

近似支持向量机对个人住房贷款信用风险预测

为了降低银行的放贷风险,在构建商业银行个人住房贷款信用风险评价指标基础上,采用机器学习原理中的近似支持向量机(Proximal Support Vector Machines,PSVM)模型对某商业银行西安市场的个人住房贷款借款人数据进行实证分析,研究中个人住房贷款借款人的各项指标作为属性矩阵,借款人是否违约作为判别矩阵,利用260个样本的训练集获得最优超平面,再对40个样本的测试集进行预测,结果表明PSVM模型在预测商业银行个人住房贷款信用风险时的正确率达到了87.5%.

双亲性共聚物P(St/VBT-co-MA)自组装胶束的制备及其乳化性能

以1-(4-乙烯基苄基)胸腺嘧啶(VBT)、苯乙烯(St)、马来酸酐(MA)为共聚单体,采用自由基聚合法制备了双亲性共聚物P(St/VBT-co-MA)(PSVM)。PSVM在选择性溶剂N,N-二甲基甲酰胺(DMF)的水溶液中进行自组装可形成胶束。利用透射电镜(TEM)和动态激光光散射(DLS)表征了自组装胶束的形态和粒径分布。以该胶束作为颗粒乳化剂稳定白油-水体系形成乳液,研究了PSVM胶束浓度、pH、盐浓度等对其乳化性能的影响,并用光学显微镜(OM)表征了其乳液形态。结果表明:通过自由基聚合的方法成功合成了双亲共聚物PSVM,其自组装形成粒径分布均匀的球形胶束;该胶束具有优异的乳化效率,其乳液长期稳定且具有pH响应性及强耐盐性,静置四个月后,乳液仍具有良好的乳化效果且乳液层高度基本不变。

基于样本分布不平衡的近似支持向量机

针对标准的近似支持向量机(PSVM)没有考虑样本分布不平衡的问题,提出了一种新的PSVM算法—BPS-VM;根据训练样本数量的不平衡对正负样本集分别分配了不同的惩罚因子,并将原始优化问题中的惩罚因子由数值变更为一个对角阵,最后推导出了线性和非线性BPSVM的决策函数。实验结果表明,BPSVM的性能优于PSVM,与SVM方法相比效率更高。

用于处理不平衡样本的改进近似支持向量机新算法

近似支持向量机(PSVM)在处理不平衡样本时,会过拟合样本点数较多的一类,低估样本点数较少的类的错分误差,从而导致整体样本的分类准确率下降。针对该问题,提出一种用于处理不平衡样本的改进的PSVM新算法。新算法不仅给正、负类样本赋予不同的惩罚因子,而且在约束条件中新增参数,使得分类面更具灵活性。该算法先对训练集训练获得最优参数,然后再对测试集进行训练获得分类超平面,最后输出分类结果。UCI数据库中9组数据集的实验结果表明:新算法提高了样本的分类准确率,在线性的情况下平均提高了2.19个百分点,在非线性的情况下平均提高了3.14个百分点,有效地提高了模型的泛化能力。