支持向量机泛化能力估计若干方法

支持向量机性能很大程度上依赖于其参数,为了确定最优参数,往往需要估计所建模型的泛化能力。本文详细介绍了目前国外支持向量机的各种泛化能力估计方法,分析了各种泛化能力估计方法的特点及其关系,并指出了今后的发展方向。

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 .支持向量机 (SVM)是一种基于统计学习理论 (SL T)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径 .本文介绍了支持向量机分类算法 ,以滚动轴承的故障分类为例 ,探讨了该算法在故障诊断领域中的应用 ,并与 BP神经网络分类方法进行了对比研究 .结果表明 ,SVM方法在少样本情况下的分类效果优于 BP神经网络分类方法 .

基于支持向量机的导航星选取算法研究

在星敏感器导航星表的建立过程中由于恒星的数量太多,往往要进行筛选,通常这种选择是一种基于枚举的大量反复的提取过程,复杂费时而结果往往并不是最优的。而基于统计学习理论(SLT)的支持向量机(SVM)方法正好克服了这方面的不足。SLT理论和SVM方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法,构建了导航星分类器,并以导航星的选取为例进行了试验论证。试验表明:基于SVM的导航星分类器对简化导航星的筛选过程优化导航星表的性能具有很强的适应性。

一种改进的渐进直推式支持向量机分类学习算法

基于支持向量机的直推式学习是统计学习理论中一个较新的研究领域。较之传统的归纳式学习方法而言,直推式学习往往更具有普遍性和实际意义。针对渐进直推式支持向量机学习算法存在的缺陷,提出了一种改进算法。该算法利用区域标注法取代前者的成对标注法,在继承了其渐进赋值和动态调整的规则的同时,提高了算法的速度;根据每个无标签样本的标注可信度自适应地对其赋予不同的影响因子,从而控制训练误差的传递和积累,提高了算法的性能。雷达实测数据实验结果表明该算法是有效的。

基于支持向量机的旋转机械非线性故障诊断研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一 ,支持向量机(SVM)是一种基于统计学习理论 (SLT)的机器学习算法 ,它能在训练样本很少的情况下达到很好的分类效果 ,从而为故障诊断技术向智能化发展提供了新的途径。介绍了支持向量机分类算法 ,探讨了该算法在故障诊断领域中的应用 ,并利用不同的核函数与BP神经网络分类方法进行了对比研究。结果表明 ,SVM方法在小样本情况下的分类效果优于BP神经网络。

一种基于密度法的支持向量预选取算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。预先选取支持向量用于支持向量机的训练是解决这一难题的思路之一,但其的选择非常困难。本文提出了一种基于密度法的支持向量预选取方法。该方法不需要事先判定训练样本是否线性可分,具有较强的抗击孤立点干扰的能力,并且计算简单,易于实现。实验仿真证明这种方法是有效的。

基于支持向量机的入侵检测方法

在入侵检测系统中应用支持向量机算法,使得该系统在先验知识较少的条件下仍具有良好的推广能力.基于此,对支持向量机在网络入侵检测中的应用进行了分析,构造了以支持向量机分类算法为基础的入侵检测模型,并利用KDD99入侵检测数据进行了仿真实验,分析了该模型的工作过程.实验结果表明:该模型在先验知识较小的情况下,能够较好地检测出入侵行为.

一种基于支持向量机的入侵检测模型研究

入侵检测系统都存在误报、漏报及实时性差等缺点,需要大量或者完备的审计数据集才能达到比较理想的检测性能,并且训练学习时间较长,将支持向量机应用到入侵检测中,在先验知识不足的情况下,支持向量机分类器仍有较好的分类正确率,从而使得整个入侵检测系统具有较好的检测性能。

二乘向量机在图像插值技术中的应用研究

图像插值过程实际上是利用已有的像素点来估计与这些像素点相邻的未知像素的颜色。可将一幅图像视为由像素坐标映射而成的二维颜色曲面。这样插值问题就可以视为由已知的像素构成的颜色曲面函数的回归问题。而基于统计学习理论(SLT)的支持向量机(SVM)方法为解决这种高维非线性问题提供了一种新的途经。该文讨论了最小二乘向量机实现数字图像插值的应用方法,并进行了图像放大的试验验证。试验表明:基于RBF核的最小二乘向量机回归技术对数字图像的插值具有很强的适应性,其性能与已有的双立方插值技术相当。