基于PCA-SVM结合共聚焦拉曼光谱的特级初榨橄榄油掺伪压榨菜籽油定量分析

为了促进国内橄榄油市场的健康发展,对掺伪同样存在天然类胡萝卜素的低温压榨菜籽油的特级初榨橄榄油进行了定量鉴别研究。采用共聚焦拉曼光谱技术对不同掺伪浓度油样进行测试,基于密度泛函理论对油样的拉曼光谱峰的归属进行了理论分析,并对拉曼光谱数据进行主成分分析(PCA),然后利用支持向量机(SVM)构建PCA-SVM模型。另外,对PCA-SVM模型的检出限进行了研究。结果表明:特级初榨橄榄油与低温压榨菜籽油的拉曼光谱存在一定差异,最明显的光谱差异主要集中在谱峰1008、1161、1528 cm^(-1)和谱段2800~3000 cm^(-1)内,与密度泛函理论对不同油样拉曼光谱峰的分析一致;不考虑类胡萝卜素特征信号建立的PCA-SVM模型决定系数大于0.989,均方根误差小于2.990%,检出限为2%(低温压榨菜籽油体积分数);在特级初榨橄榄油掺伪定量分析中,考虑类胡萝卜素的特征信号有助于提高模型预测精度,但仅限于掺伪低价植物油中无类胡萝卜素存在的情况;PCA-SVM模型在不考虑类胡萝卜素特征信号的情况下依然具有良好的定量预测效果。综上,所建立的PCA-SVM模型可以用于掺伪2%以上低温压榨菜籽油的特级初榨橄榄油的定量鉴别。

基于小批量随机梯度下降法的SVM训练隐私保护方案

使用支持向量机(support vector machine,SVM)处理敏感数据时,隐私保护很重要,已有SVM隐私保护方案基于批量梯度下降法(batch gradient descent,BGD)进行训练,计算开销巨大.针对该问题,提出基于小批量随机梯度下降法(mini-batch stochastic gradient descent,Mini-batch SGD)的SVM隐私保护方案.首先,设计基于Mini-batch SGD的SVM训练算法;然后在此基础上,对模型权重进行乘法扰动,利用大整数分解问题困难假设确保模型的隐私性,使用同态密码体制对数据加密后再执行SVM训练,之后运用同态哈希函数进行验证;最终构建了SVM隐私保护方案.针对安全威胁,论证了数据隐私性、模型隐私性、模型正确性.对方案进行仿真实验和分析,结果表明,该方案在分类性能接近已有方案的情况下,其计算时间开销平均节约了92.4%.

基于深度置信网络的旋转机械在线故障诊断

针对现有旋转机械在线故障诊断算法所存在的数据遍历耗时长,检测准确率低,故障分类准确率低等不足,提出一种基于深度置信网络的故障诊断算法;先基于受限的玻尔兹曼机搭建深度置信网络框架,利用数据标签在输入层和后端的受限玻尔兹曼机之间建立联系;然后利用k-means算法压缩聚类处理数据集降低数据集的规模和复杂度;最后在不同故障特征的分类诊断方面,引入加入核函数的SVM分类算法,提升对不同机械故障类型的分类精度;实验结果显示,提出的旋转机械故障在线诊断方案的迭代效率高,数据遍历耗时少,训练集和测试集F1指标的分别为97.9%和97.4%,优于传统故障诊断算法。

基于PSO-SVM的Modbus TCP通讯的异常检测方法

如何有效检测和防御工业病毒对应用层协议数据的攻击是目前工业安全网关研究的难点问题.本文提出了将Modbus TCP通讯流量转换为异常检测模型所需数据形式的预处理方法,设计了一种利用粒子群PSO算法进行参数寻优的PSO-SVM算法.该方法根据Modbus功能码序列中的模式短序列出现的频率,识别出异常的Modbus TCP通讯流量.最后,通过实验数据分析,说明了提出方法可以有效实现对Modbus功能码序列的异常检测.

基于遗传算法的SVM参数组合优化

核函数类型、核函数参数及错误惩罚因子是影响SVM学习能力和泛化能力的关键因素。实际应用中选择上述SVM参数组合多依赖经验或人工尝试,通常很难选择到最优参数组合。提出一种基于遗传算法的SVM优化技术,针对优化对象设计二进制编码基因串和相应遗传算子,能够实现同时对上述三个参数组合的优化。在UCI标准数据库上的实验结果说明了提出方法的有效性。

基于SVM模型的单目红外图像深度估计

提出一种通过非线性学习模型来估计单目红外图像深度的算法。该算法首先通过逐步线性回归和独立成分分析(ICA)寻找对于红外图像深度相关性较强的特征,然后以具有核函数的非线性支持向量机(SVM)为模型基础,采用监督学习的方法对红外图像深度特征进行回归分析并训练,在训练过程中通过已知数据回归后的最小均方误差对模型参数进行修正,训练后的模型可对单目红外图像的深度分布进行估计。实验结果证明,利用该模型能较一致地估计单目红外图像的深度信息。

基于SVM和KNN的文本分类研究

本文在详细介绍文本自动分类流程的基础上,通过实验对SVM和KNN两种算法进行比较研究,实验结果表明:SVM算法使用多项式核函数的分类准确性高于使用径向基核函数的分类准确性,且多项式核函数的分类准确性随着参数q的增大而提高;SVM采用多项式核函数进行分类的准确性普遍高于采用KNN的分类准确性;采用多项式核函数的SVM和KNN两种算法对短文本的召回率高于对长文本的召回率。

基于模糊核聚类的图像SVM分类辨识

提出一种结合特征场和模糊核聚类支持向量机的图像分类辨识方法。首先,构造符合人类视觉特性的图像彩色和纹理特征数据场,一方面,引入新阈值,建立图像纹理特征;另一方面,在图像彩色特征上,对能够引起注意的像素区域的像素点进行加权处理,并使用彩色空间分布离散度来描述彩色的空间分布。其次,采用模糊核聚类支持向量机对图像进行分类研究。在使用特征空间时,不仅考虑了样本与类中心间的关系,还考虑了类中各个样本间的关系,以模糊连接度来度量类中各个样本间的关系,并以二叉树方式构造子分类器。实验结果表明,该方法可以获得较好的图像分类效果。

基于SVM+Sigmoid的汉语组块识别

本文提出用 SVM+Sigmoid 来进行汉语组块识别的方法。SVMs 具有不需要进行认真选取特征的优点,并且在具有高维特征空间的输入数据上也能够具有高的泛化性能,通过核函数的原则,SVMs 能够在独立于训练数据维数的小计算范围内进行训练。Sigmoid 函数使用一个参数模型来直接拟合后验概率,从而将 SVMs 的输出映射成一个后验概率,使一个分类器在做全局决策的一个局部决策时,考虑到全面分类,从而决策更具有合理性。实验结栗表明该方法较单纯的 SVMs 方法具有好的效果。

基于SVM分类问题的核函数选择仿真研究

首先讨论支持向量机(SVM)的基本思想和实现过程,随后着重对SVM核函数进行探讨,从理论上研究常用核函数的选择优化问题。采用UCI数据库中的玻璃识别数据、菖蒲植物数据以及汽车评估数据分别对选择不同的核函数情况进行实验仿真分类和比较。仿真结果表明,同类数据选择不同核函数会产生不同的分类效果,选取合适的核函数对分类效果有很大的影响。

基于小波包能量熵与SVM的模拟电路故障诊断

提出1种小波包能量熵与支持向量机结合的模拟电路故障诊断新方法。首先对待测电路的输出电压信号进行多层小波包分解,然后对分解信号进行单支重构,并对重构系数求取小波包能量熵,形成故障诊断的特征向量。将特征向量输入支持向量机,通过选取恰当的核函数与多分类方法,对支持向量机进行训练,建立故障模式分类器,并在不同故障模式下对样本数据进行测试。仿真结果表明该方法能达到较高的诊断正确率。

一种基于LS-SVM构造FLANN的热电偶非线性校正方法

提出一种基于最小二乘支持向量机(LS-SVM)构造函数链接型神经网络(FLANN)的方法,并根据正反馈原理将该FLANN应用於热电偶传感器非线性校正.讨论LS-SVM构造FLANN的基本原理和具体算法,给出了非线性补偿器的数学模型.与常规BP迭代算法构造的FLANN比较,该方法构造的FLANN补偿器具有如下优点:①利用LS-SVM将迭代逼近问题转化为直接求解多元线性方程,因此具有更快的速度;②整个训练过程中有且仅有一个全局极值点,确定了所构造FLANN补偿器的唯一性,提高了补偿精度.最后以Pt-Rh30-Pt-Rh6热电偶(B型)为例进行非线性校正实验,结果验证了上述结论.

基于SVM的中文查询分类

在问答系统中用户的查询是以自然语言问句的形式出现的,查询分类对生成合适的答案有着重要的指导性作用。现有文献大多基于SVM统计学习模型实现查询分类。文章详细分析了中文查询分类的典型特征及其编码过程,并给出了LibSVM分类器的参数优化及核函数选取方法。比较了词袋特征（bag-of-word）和词性与词袋绑定特征（bag-of-word/pos）在LibSVM（RBF）、LibSVM（Linear）和Liblinear三个分类器上的分类精度。实验结果表明,在问题训练集规模较大、特征维数较高的情况下,Liblinear分类器具有更好的性能。同时,得出一个结论：bagof-word/pos特征对英文查询分类有一定的贡献;对于中文查询分类,虽然理论上增加特征有利于提高SVM分类器的精度,但由于绑定词性特征后可能会引入噪声,进而降低查询分类的精度。

SVM分类核函数及参数选择比较

支持向量机(SVM)被证实在分类领域性能良好,但其分类性能受到核函数及参数影响。讨论核函数及参数对SVM分类性能的影响,并运用交叉验证与网格搜索法进行参数优化选择,为SVM分类核函数及参数选择提供借鉴。

一种基于免疫算子的SVM算法

SVM是一种基于核函数的机器学习算法,因为它具有良好的推广性和较好的性能,所以成为近些年来大家所关注的热点,但是该算法存在两个问题:一、如何提高SVM的计算精度;二、如何减少计算时间。本文提出一种使用免疫算子的SVM算法,该算法不但能够提高SVM的性能使其更加接近于实际问题,还能避免因问题太复杂使得结果不是最优解的情况。文中最后对样本进行了实验,结果说明了使用免疫算子的方法比经典方法在分类效果上有明显提高。

基于多个混合核函数的SVM决策树算法设计

不同的核函数具有不同的特性,SVM决策树中每个子SVM面对的分类对象不同,选取的核函数及其参数也应该不同。通过调节混合核函数的参数形成不同的核函数,给出了一个用多个混合核函数训练SVM决策树的多类分类算法。仿真试验表明,该算法与只用一个核函数训练SVM决策树的算法相比,具有较高的分类精度。

基于PCA和混合核函数QPSO_SVM频谱感知算法

频谱感知是认知无线电系统的关键技术之一,针对基于支持向量机的频谱感知方法中核函数选取的单一性和核函数参数的不确定性,提出一种基于混合核函数支持向量机的频谱感知算法,将两种核函数混合构造新的核函数,采用量子粒子群算法对其中的参数进行优化,并引入主成分分析方法对样本进行降维并提取其全局特征。实验结果表明,该模型较传统方法在低信噪比下无线环境中的分类精度上有了明显提高,在信噪比为-10dB的无线环境中能完全识别出主用户,为频谱感知提供了一种可靠性高的设计方案。

基于支持向量机(SVM)的民用飞机重着陆智能诊断研究

针对国内航空公司对于重着陆的判断方法存在的不足,提出采用支持向量机(SVM)建立重着陆的智能诊断模型;分析对重着陆产生影响的相关因素,在力学基础上揭示了重着陆的产生原理;利用快速存取记录器中记录的多个飞行参数的信息,采用B737机型的实际样本数据进行训练和验证。结果表明:该方法能有效判断出是否发生重着陆,其准确率高达92.86%,证明该重着陆智能诊断方法具有较强实际应用价值,为后续研究奠定了基础。

小波SVM核函数法在滚动轴承故障诊断中的应用

针对现有SVM核函数中参数选择存在盲目性的问题,提出了一种基于样本输入选择核参数的方法,并将新核函数与小波分析相结合,对滚动轴承进行故障诊断。首先,用小波降噪和分解提取出相应的小波尺度-能量谱,选取具有代表性的尺度谱作为输入样本,建立故障特征向量集;然后,应用新核函数进行训练,并利用交叉验证方法对参数进行优化,得到分类器的最佳模型;最后,利用该模型对未知故障轴承特征进行识别训练,进行故障诊断。与经过径向基核函数训练得到的模型比较发现,新模型具有更高的准确率,而且新核函数的参数仅依赖于输入样本,可以实现自适应调整。

基于视觉注意和改进隶属度的FSVM彩色图像分割

针对SVM进行图像分割时存在对噪声和孤立点较敏感导致分割结果不佳和抗造性能低下等问题,提出一种基于视觉注意和改进隶属度的FSVM(Modified fuzzy SVM,MFSVM)彩色图像分割方法.该方法在考虑人类视觉显著性检测机制因素的同时,对标准的模糊SVM算法进行改进,新的隶属度函数综合考虑了样本点距离类中心的远近以及样本点的疏密程度,从而有效惩罚噪声点并增强了支持向量的作用.通过彩色图像分割进行验证,结果显示与标准的SVM及基于样本疏密程度隶属度的FSVM分割方法相比,本文方法能够对复杂场景下的彩色进行有效分割,同时呈现出良好的抗噪能力.