基于不完全BT-SVMs分类的模拟电路故障诊断方法

针对几种常用的支持向量机多类分类方法,分析了各自存在的问题和缺点,并在此基础上提出了一种基于核的自组织映射聚类的不完全二叉树SVMs多类分类方法,该方法首先用SOM神经网络对所有训练样本进行聚类,分裂成两个子类,然后分别对两个子类进行类似的操作,直到每个类别都被单独分开为止。根据聚类的结果构造二叉树结构,从而产生相对应的SVMs网络。实验结果表明,采用该方法进行多类分类具有很高的分类精度和分类速度。

基于二叉树的多分类SVM算法在电子邮件过滤中的应用

目前性能较好的多分类算法有1-v-r支持向量机(SVM)、1-1-1SVM、DDAG SVM等,但存在大量不可分区域且训练时间较长的问题。提出一种基于二叉树的多分类SVM算法用于电子邮件的分类与过滤,通过构建二叉树将多分类转化为二值分类,算法采用先聚类再分类的思想,计算测试样本与子类中心的最大相似度和子类间的分离度,以构造决策节点的最优分类超平面。对于C类分类只需C-1个决策函数,从而可节省训练时间。实验表明,该算法得到了较高的查全率、查准率。

基于多层聚类的多分类SVM快速学习方法

针对SVM大规模多类样本学习效率较低的问题,提出一种基于多层聚类的多分类SVM快速学习方法。采用自下而上的方式构建二叉树层次结构,根据所得层次结构,对每个节点对应的样本进行学习。学习时对训练样本进行首次聚类得到若干类簇,对其中只有一类样本的类簇提取中心点;对有两类样本的类簇,根据其混合度,对其正负类样本设定不同的聚类数,进行二次聚类,提取所得类簇中心点。整合上述步骤中提取的中心点作为约简后的样本,学习并得到子分类器。仿真结果表明,基于多层聚类的多分类SVM快速学习方法能够在保证较高分类准确率的前提下,大幅约简训练样本,有效提高学习效率。

结合无监督聚类的SVM二叉树在SAR自动目标识别系统中的应用

结合向量机二叉树是近年发展起来的一种新的多分类识别器,该方法现已证明能有效提高分类精度以及训练速度[1].提出了结合无监督聚类的SVM二叉树的SAR目标自动识别,并对MSTAR的T-72 Variant数据库进行实验,取得了良好的识别效果,为SAR自动目标识别的多类别问题提供了一种新方法和新思路.

复杂工况下油田机械设备运行状态监测方法

提出一种复杂工况下的油田机械设备运行状态监测方法,采用EMD方法对油田机械设备的振动信号进行去噪处理,结合ITD算法提取油田机械设备振动信号幅频特征,输入Teager能量算子获得振动信号幅频特征,运用SOFM网络分析该信号的幅频特性,得到特征聚类结果,在此基础上建立二叉树支持向量机,将特征聚类结果输入进去,完成油田机械设备运行状态的监测识别。实验结果表明,所提方法的监测性能良好,具有较高的监测效率。

基于模糊支持向量机的多级二叉树分类器的水轮机调速系统故障诊断

在传统支持向量机(C-SVM)的基础上,通过集成模糊聚类技术和支持向量机算法,构造了一种适合于故障诊断的多级二叉树分类器,并首次应用于水轮机调速系统故障诊断,取得了良好效果。该方法首先利用模糊聚类技术求取每类样本聚类中心,再对各聚类中心逐次二分,从而确定了一棵二叉树,然后在二叉树的每个节点处,根据样本聚类中心把相应样本分成两类,构造出SVM 子分类器。实验结果表明,对于k 类别故障诊断问题,只需构造k-1 个SVM 子分类器,简化了分类器结构,避免了不可区分区域的出现,且节省了内存开销,故障诊断正确率高。

基于特征空间中类间可分性的层次型多类支撑向量机

针对支撑向量机的特点提出了一种特征空间中的类间可分性度量 ,并基于该度量通过聚类算法构造了二叉树和单层聚类两种层次型多类支撑向量机。通过多光谱遥感影像的分类实验证明了该可分性度量的有效性。

一种融合无监督聚类的层次向量机多类分类方法

层次支持向量机(SVM)是多类分类方法应用中的研究热点。针对SVM的分类面仅由支持向量决定的理论,提出一种基于无监督聚类方法来预抽取支持向量,训练向量机;并分析现有多类分类方法所存在的弊端,基于综合考虑节点的类集合可分性,设计一种基于树分类器整体性能最优的SVM二叉树层次分类方法。实验表明,该方法对比传统一类对余类法和成对分类法在整体分类精度和训练时间上都有明显提高。

模糊C均值与支持向量机相结合的增强聚类算法

针对传统重复聚类算法精度不高、消耗资源较大的缺点,提出了一种模糊C均值(FCM)与支持向量机(SVM)相结合的增强聚类算法。该算法思路是先将实例数据集利用FCM粗分为C类,然后使用SVM再对每一类进行细化分类,实现中提出了基于完全二叉树的决策级联式SVM模型,以便达到增强聚类的目的。针对使用FCM迭代聚类的过程中有可能会出现新的特征使原有的聚类失去平衡性的问题,提出了使用划分的思想对数据集进行预处理来消除这种不利影响。利用鸢尾属植物真实数据集对相关算法进行实验对比分析,结果表明该算法能够克服精度低的缺点,并节约了系统资源,可以提高聚类的质量。