基于协议分析和SVM多分类的入侵检测系统研究

入侵检测实质上可以被描述为对数据样本进行尽可能正确的分类,关键问题是特征选择和模式识别方法的选择.采用SVM分类器组合的方法对数据样本进行分类,结合协议分析技术,提出了基于协议分析和SVM多分类的入侵检测系统模型,并利用KDD CUP 99数据集对系统模型进行测试.测试结果表明,所提出的方法有效提高了入侵检测的效率,降低了漏报率和误报率.

基于SVM多分类模型的上市公司财务困境预测

目前的财务困境预测模型大多局限于二分类研究,而公司陷入财务困境往往会经历一个逐步衰败的过程,简单的二分类有时会掩盖某些上市公司财务状况逐渐变差的事实。为了更准确地判断上市公司的财务状况,将其按照盈利能力分为财务健康公司、财务亚健康公司和财务困境公司3类,并运用t-1年和t-2年的面板数据,采用基于平均影响值的变量筛选方法构建了SVM多分类模型。实证结果表明,模型的预测能力较好,能够以较少的特征变量实现较高的分类精度,是切实有效的。

基于形状特征和SVM多分类的铜仁地区茶叶病害识别研究

针对茶叶常见叶部病斑图像的形状特点,将机器学习应用于茶叶病害识别当中。以茶叶3种常见病害作为研究对象,运用支持向量机方法进行分类识别研究,对有病害的茶叶图像进行处理和特征提取,利用径向基核函数进行分类来提高茶叶病害识别率。运用分类识别方法对茶叶病害进行研究,使茶叶在发病初期就能得到更好的预防以及后期能保证茶叶的质量和产量,提高当地茶叶的销量,促进经济发展。

基于GA-PSO混合优化SVM的机载EHA故障诊断

针对机载电静液作动器(Electro-Hydrostatic Actuator,EHA)的典型故障,详细分析了故障原理并在MATLAB/Simulink中搭建了仿真模型。为了高效准确识别故障类型,提出一种用遗传算法(Genetic Algorithm,GA)和粒子群算法(Particle Swarm Optimization,PSO)混合优化支持向量机(Support Vector Machine,SVM)的故障诊断算法。GA鲁棒性好且全局搜索能力强但收敛速度慢,PSO对样本规模不敏感且具有记忆功能但易陷入局部最优,故融合两种算法寻找SVM的最优参数。另外,为了解决传统SVM多分类方法“一对多”和“一对一”易出现不可分的问题,建立一种偏二叉树结构的SVM多分类模型。对于采集的原始数据高度重合的情况,引入时域特征统计量进一步提升模型的分类性能。实验结果表明,提出的混合优化算法寻优速度更快、所寻参数更佳,同时用该算法优化的SVM分类模型相比于其他5类常用的机器学习模型分类效果更好,故障识别正确率可达97.7%。

基于SVM一对一多分类算法的二次细分法研究

在研究了支持向量机(SVM)多分类算法的基础之上,针对一对一多分类算法出现不可分区域问题,提出了基于SVM一对一多分类算法的二次细分方法,并将该方法应用于弹簧应力小样本数据的多分类仿真实验。通过与原始方法的仿真结果进行对比,改进方法在多花费了极短时间的前提下,显著提高了分类正确率。针对改进方法可能存在的问题,又通过10次仿真实验验证了该方法的可行性,同时也为SVM在小样本分类领域提供了新的思路。

河流阻力特征参量提取及SVM辅助河床形态判识

床面形态的变化影响着泥沙输移和水流阻力,是河床演变的重要方面。预测床面形态变化对河道整治和泥沙研究具有实际意义。本文基于水流阻力规律确定了判别床面形态的特征参数;通过对特征参数与床面形态关系的分析,发现特征参数与床面的形态的关系呈“S”型;利用决策向量机(SVM)多分类法对床面形态进行自动划分,根据划分结果对无量纲特征参数进行非线性和线性拟合,得到拟合函数;对特征参数与沙波形态的拟合函数进行求导分析,计算得出河床在各沙波形态下的特征参数取值范围,确定河床形态判别标准;结合试验数据和实测资料对河床形态判别标准进行验证,结果表明本文所述方法在河床形态识别方面具有可行性和准确性。

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。

基于二叉树的多类SVM在Web文本分类中的应用研究

针对现有多分类支持向量机算法所存在的训练时间长、判别速度慢等问题,提出了一种二叉树多类支持向量机算法,该算法能够有效减少支持向量的个数,从而减少训练时间.为了验证算法的有效性,将该算法分别同l-v-r算法和l-v-1算法进行了比较,实验结果表明,提出的算法是有效可行的.

基于多分类SVM的教学质量评价模型研究

组织专家对一定数量但不同授课水平教师的课堂教学进行评价,使用这些小样本数据对多分类sⅧ模型进行训练,使其具有专家的评价能力,并能结合学生评价数据智能地评定其他任课教师的教学质量。本方法可以克服学生评教的局限性,使评价结果更加符合实际,经过数据实证,该方法可靠方便。

基于多分类潜变量SVMs的肺CT中的结节检测

结合二分类的潜变量SVMs和一种基于编码的多分类SVMs,设计一种多分类潜变量SVMs,同时具有二者的优点,即考虑检测对象的多样性及位置信息。将多分类潜变量SVMs应用到计算机辅助肺部结节检测,对于来自吉林省肿瘤医院的65组临床病例进行试验,实验结果证明其特异性与灵敏性均优于其他四种当前国际热门的计算机辅助结节检测算法,可以有效辅助放疗师做出最终决策。

基于多分类SVM的T/R组件SRU级故障诊断

针对目前T/R组件外部测试点少,测量项目无法与内部模块一一对应,难以通过外部测量数据直接诊断到SRU级故障的问题,提出一种基于多分类SVM的SRU级故障诊断方法。首先介绍SVM的基本原理和多分类方法,结合T/R组件内部结构,介绍T/R组件SRU级模型,然后从理论层面分析接收通道当单个SRU发生故障时各个测试项目测量值的超标概率与程度,并以此为依据建立故障数据库,最后利用数据库中的数据对多分类SVM进行训练并预测,诊断准确率可达90%以上,表明该方法可准确有效地诊断出T/R组件SRU级故障。

多步态SVM分类且自适应阈值的行人定位方法

针对已有零速修正算法中固定阈值判定导致零速区间检测不准确,定位精度低的问题,提出了一种多步态SVM分类且自适应阈值的行人导航方法。选取行人在静止、行走、跑步、上楼、下楼运动步态下的零速判别最优阈值,利用多分类SVM对5种运动步态进行识别,根据气压计信息判断上下楼运动模式,并根据分类结果进行自适应阈值调节,确定零速区间,进而触发零速修正。实验结果表明,多步态SVM分类且自适应阈值方法提高了运动模式的分类精度,进而改善定位精度,定位误差0.44%。

一种基于多分类SVM的相关反馈图像检索方法

相关反馈技术是近年来图像检索中的重要研究方向,它有效地缩短了用户高层语义和图像底层视觉特征的差距,大大提高了系统的检索精度,SVM因其通用性和出色的分类能力逐渐被引入到图像检索系统中。为了进一步提高检索效率,采用三级反馈机制引入模糊相关,用户对检索结果标记为相关图像、模糊相关图像和不相关图像,并对经典的查询向量点移动算法进行修改,在此基础上运用多分类SVM提出一种新的相关反馈图像检索方法。试验表明这是一个有效的方法,提高了图像检索效率。

基于多分类SVM和Hd的目标跟踪算法

针对传统基于支持向量机的目标跟踪算法中计算复杂度高,目标由于严重遮挡或者出离场景导致的目标跟踪漂移,提出一种基于结构化多分类SVM和Hausdorff距离的目标跟踪算法。通过提取相邻帧之间的canny特征算子,计算目标轮廓特征点的Hausdorff距离,整合相邻帧的图像跟踪序列,对样本学习的采集进行预判,避免传统算法中不必要的样本在线学习;采用结构化多分类SVM目标输出预测函数增加目标变换种类,增强目标跟踪的鲁棒性和准确性。实验结果表明,该算法延续了支持向量机良好的泛化能力,可以有效跟踪目标的各种变换,较传统方法有更好的鲁棒性和计算效率。

基于多分类SVM的车牌字符识别算法研究

车牌识别技术是智能交通系统中的一项核心技术,由车牌定位、字符分割与字符识别三个部分组成。字符识别算法是车牌识别技术中的关键环节。然而,传统的基于SVM车牌字符识别算法针对多分类问题所需的分类器数量太多,导致训练时间太长且误差很大。因此,文中对SVM车牌字符识别问题构造了基于优化纠错输出编码的多分类,分类器数量大幅减少,从而节约了训练时间。实验结果表明文中提出基于多分类SVM的车牌识别算法识别率高,满足实际要求,而且训练时间短,鲁棒性良好。

基于多分类支持向量机模型的长白山崩塌灾害危险性评价

长白山保护开发区崩塌灾害频发,对保护区的人民生命财产造成了破坏,阻碍了区域经济发展,为了降低崩塌灾害给区域内人民生命财产造成的损失程度并提高开发区人们防灾减灾能力,进行有效的地质灾害危险性评价是防灾减灾的重要组成部分。但常见的二元分类崩塌灾害危险评价模型存在分类速度慢、分类误差大及样本类型单一等问题,因此,按照地质灾害规模等级规范对灾害点进行分类,运用基于灾害规模等级的多分类支持向量机构建危险性评价模型对研究区进行危险性评价,避免了传统危险性评价受主观权重影响的局限性。结果表明,极高和高危险性区主要集中在研究区的中东部区域,运用实际灾害点对危险性评价结果进行验证,评价结果与实际情况吻合,验证了模型的有效性,其可以为区域内地质灾害的防治和开发灾害监测预警技术平台及开发旅游提供参考。

决策级融合轴承故障混合智能诊断

基于机器学习算法的智能诊断方法在轴承故障诊断中应用广泛,但是大多数诊断模型均基于某一种机器学习算法。不同的机器学习算法具有不同的特点和适用范围,基于单一算法的智能诊断模型提取故障信息的能力存在一定的局限性,容易导致误诊和漏报。针对该问题,提出一种轴承故障混合智能诊断模型。该模型的详细技术路线如下:首先,提取对轴承故障敏感的时域和频域特征来构造特征集;其次,利用MLP神经网络、多分类SVM和随机森林三种智能分类器对轴承故障进行初步诊断;最后,利用D-S证据理论进行决策级融合,以综合利用多种机器学习算法的优点和适应性,并输出最终的判决结果。实验表明该模型具有内部纠正机制,较之单分类器诊断模型准确率明显提升,更加适用于轴承的故障诊断。

模糊聚类算法对受众性格的分类分析

为了通过受众群体的相关行为了解其性格特征,先用问卷调查收集受众的个性特征、喜好的文学作品及影视作品等数据,再进行数据量化处理,在数据集的基础上建立关于人物个性的模糊聚类分析模型,对受众群体进行聚类.通过分析每类受众阅读作品的类型,将聚类结果作为监督学习的标注值,建立受众性格关于受众阅读作品喜好程度的多分类SVM模型,由此判别受众的性格类型.对20名受众测试发现,根据受众喜爱的文学作品类型判别其性格的准确度为60%,在全体数据集上的准确率达到85%.

基于骨架特征的人体动作分类研究

为了能够在丰富复杂的网络信息中快速找到所需图片,提出一种基于骨架特征的人体上半身动作分类方法,以提高相应图片的检索效率。对人体运动图片进行人体运动时上半身姿势识别,得到能够表示人体位置、方向以及大小的"火柴人模型"(即骨架特征),使用矩阵形式对提取到的骨架特征进行描述。为了校正因距离和位置变化造成的尺度差异,对特征矩阵进行归一化处理,然后使用多分类SVM方法对提取的骨架特征进行训练,得到可以对不同动作进行分类的分类器。以收集到的人体运动图片作为测试数据库进行实验,实验结果表明,该算法的分类准确率达到97.36%,能够很好地对人体动作进行分类。同时,在Buffy数据库上进行图片检索对比实验,实验结果表明,所提算法的分类准确率更高,更好地提高了图片检索效率。

基于支持向量机的文本分类器的实现与设计

支持向量机（Support Vector Machine，SVM）是根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中，以期获得最好的泛化能力，并且在解决文本分类中表现出很多特有的优势。本文以文本分类为主要任务，讨论了目前存在的几种二叉树多类SVM算法组合策略。并用中改进的多类SVM分类算法作为文本分类器核心算法，并在多类文本分类实验中进行验证。