鲸鱼算法优化的SVM区域高程异常拟合方法

针对采用支持向量机(Support Vector Machine,SVM)区域高程异常拟合法最佳参数难以确定问题,本文提出采用鲸鱼算法(Whale Optimization Algorithm,WOA)优化SVM区域高程异常拟合法。本方法利用WOA获取SVM中核函数与正则化参数,替代SVM算法中全局性搜索较差的交叉验证方法,构建高精度区域高程异常拟合模型。试验结果表明,采用WOA-SVM方法得到的高程异常拟合结果在精度、稳定性上均优于现有多项式拟合法和SVM拟合法,可为相关区域高程异常拟合提供一种有效方法。

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。

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。

基于修正核函数SVM的网络入侵检测

支持向量机分类方法在小样本、非线性情况下具有较好的泛化性能,在入侵检测系统中有着广泛的应用。针对入侵检测过程中可能出现的由两类样本不平衡造成的分离超平面偏移现象,以核函数所蕴含的黎曼几何为依据,引入一个伪一致性变换函数,对核函数进行修改,提高支持向量机的分类泛化能力,建立基于支持向量机的网络入侵检测系统,并对系统总体结构和运行机制进行了详细的描述。实验仿真表明,该系统可有效地提高入侵检测的准确率,改善由于数据集不平衡造成的支持向量机分类偏移的情况。

RBF核SVM及其应用研究

因其核函数的良好性态,RBF核SVM(RBF-SVM)在实际应用中表现出良好的学习性能,但是RBF核函数中的参数对SVM的性能起决定性作用。阐述了RBF-SVM的性能随着变化而变化的规律,并将RBF-SVM引入自动羽绒识别系统中。根据自动羽绒识别系统的实际需求和RBF-SVM的性能变化规律,论述了本系统中参数的选取依据和选取过程,并且给出了的相关曲线变化图。通过研究,最后得到适合本系统的识别模型,从而提高了系统的总体识别率。同时,也验证了RBF-SVM的良好特性和其受参数的约束规律。

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。

基于在线LS-SVM的网络预测控制系统

针对网络控制系统(NCS)的鲁棒性,提出基于在线最小二乘支持向量机(LS-SVM)的预测控制方法.在LS-SVM的基础上,利用训练数据窗及训练数据阈值,推导出适合控制系统的在线训练方法.当在线LS-SVM的核函数取线性函数时,结合预测控制方法得到在线LS-SVM预测控制量的方程解,并将其应用于存在时延、丢包及包序错乱的NCS进行验证.仿真显示了该方法的快速性、准确性、鲁棒性.

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。

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。

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。

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DAGSVM的高炉故障诊断研究

针对高炉故障诊断智能化程度低,对操作人员技术水平要求高等不足,提出了基于支持向量机的多类分类故障诊断方法.根据统计学原理,使用核函数将样本映射到高维空间进行训练.综合各种核函数的测试准确率,得到解决该问题的最佳核函数.通过比较不同的多类分类算法,提出了基于DAGSVM的诊断模型.实验结果表明该算法具有较高的识别准确率.*

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SVM的不同特征空间多分类方法研究

目前,在基于SVM的分解多分类方法中,各个子分类器都采用相同的核参数进行整体优化.如果采用不同的核函数参数分别优化各个子分类器,相当于在不同的特征空间进行分类,此时,能否直接采用求输出最大值(MaxWin)等判别策略,需要研究各分类器的输出是否可比.利用相对间隔对此问题进行深入的研究,说明在基于SVM的"一对多"等多分类方法中,采用不同的核参数分别优化各个子分类器,其决策函数的输出结果仍是可比的,且具有更好的泛化能力.

基于GFMG-SVM模型的应用型高校教师科研能力评价研究

提升学校科研水平关键在于全面评价教师科研能力。文章分析了应用型高校科研评价存在的问题,构建了基于专家评价应用型高校教师科研能力评价模型,采用支持向量机(SVM)来模拟同行专家评价;提出了一种广义混合高斯核函数(GFMG)用于提高SVM模型识别率。通过南京某应用型高校实证分析,混合高斯核函数能够提高正确识别率达95.79%,模型能够有效评价应用型教师科研能力。

基于几何判据的SVM参数快速选择方法

支持向量机中核函数及其参数的选择具有重要意义。提出一种基于高斯核函数的支持向量机参数对快速求取方法,根据支持向量之间的几何判据,结合线性搜索法完成参数寻优,具有简单、计算量小、易于实现的优点。实验结果表明,该方法较好地解决了高斯核函数参数在实际使用中不易确定的问题,且运算速度高于原有方法。

基于SVM的金属发射率预测模型研究

根据金属原子特征,提出了基于支持向量机(support vector machine,SVM)金属发射率预测模型。通过分析原子的原子量、原子半径、第一电离势和电负性等特征,选择合适的惩罚参数和多项式核函数,利用一定的训练样本,建立了基于SVM的金属发射率预测模型。通过实例验证了该方法的有效性。