我国银行危机非线性系统SVM集成预警研究

银行系统的内在脆弱性是形成和聚集银行危机的主要因素,并可能导致严重的金融危机,因此对银行危机预警研究非常重要。银行危机是一个非线性系统,通过应用支持向量机集成原理,建立银行危机评价的SVM集成模型,依据评价等级对银行危机预警评价指标进行分类,利用随机技术模拟生成样本,运用Bagging算法进行集成学习,通过对1991—2010年我国银行业经营数据进行实证分析,最终得到我国银行危机程度区间,可以对未来银行系统经营发展情况进行预测。

基于SVM的多类分类集成

为了解决单个SVM可能产生的泛化能力恶化问题以及当SVM采用一对多组合策略解决多类分类时可能产生的误差无界情况,本文采用Bagging方法构造了一个基于SVM的多类分类集成模型,利用MIT KDD 99数据集进行仿真实验,通过实验探讨了其中的两个参数——训练样本数和单分类器个数对集成学习效果的影响,并将其与采用全部样本进行训练及部分样本进行训练的单分类器检测进行了比较。结果表明:集成学习算法能够有效降低采用全部样本进行训练所带来的计算复杂性,提高检测精度,而且也能够避免基于采样学习带来检测的不稳定性和低精度。

基于SVM动态集成的高光谱遥感图像分类

在Bagging支持向量机(SVM)的基础上,将动态分类器集选择技术用于SVM的集成学习,研究了SVM动态集成在高光谱遥感图像分类中的应用。结合高光谱数据特性,通过随机选取特征子空间和反馈学习改进了BaggingSVM方法;通过引进加性复合距离改善了K近邻局部空间的计算方法;通过将错分的训练样本添加到验证集增强了验证集样本的代表性。实验结果表明,与单个优化的SVM和其他常见的SVM集成方法相比,改进后的SVM动态集成分类精度最高,能有效地提高高光谱遥感图像的分类精度。

基于改进离散二进制粒子群的SVM选择集成算法

针对基于离散二进制粒子群(BPSO)的SVM选择集成算法的分类精度不高,以及所选分类器个数过多等问题,利用改进的离散二进制粒子群算法(IBPSO)和SVM选择集成算法相结合,提出基于IBPSO的SVM选择集成算法。通过选用合适的适应度函数以及调节因子k,进行多次仿真,实验表明,对由boostrap方式生成的SVM集合,基于IBPSO的SVM选择集成在精度和分类器个数方面均优于基于BPSO的SVM选择集成,证明了IBPSO算法的优越性。

基于支持向量机集成的蛋白质与维生素绑定位点预测

在蛋白质与维生素绑定位点预测问题中,小类样本和大类样本之间存在显著的不平衡性,传统的机器学习方法将不再适用。针对此问题,在多重随机下采样的基础上结合支持向量机(SVM)集成来预测蛋白质与维生素的绑定位点,采用了一种改进的Ada Boost集成方法,称为MAda Boost集成。通过实验比较了不同的集成策略,其中MAda Boost集成效果最优。实验结果表明,采用随机下采样结合SVM集成将有效提高蛋白质维生素绑定位点预测的精度。

基于简单帧选择的显著性检测方法

提出了一种新颖的视频显著性检测方法。为了提取视频序列中具有高置信度的特征,根据输入帧和输入帧的初始显著图提出一种简单帧选择标准,并使用该简单选择标准挑选出视频序列中比较容易且准确提取前景对象的帧,从简单帧中获得鲁棒的前景背景标签;将图像进行超像素分割,提取时空特征与前景标签输入集成学习模型,经过多核SVM集成学习,最终生成像素级别的显著图,并且由运动特征扩散到整个视频集。各种视频序列的实验结果表明,该算法在定性和定量上优于传统的显着性检测算法。