基于IUPLCD与DTBSVM的输气管道泄漏检测方法

为了提高输气管道泄漏的识别准确率,降低漏检率和误报率,提出了基于改进匀相窄波局部特征尺度分解方法(IUPLCD)与深度孪生有界支持向量机(DTBSVM)的管道泄漏检测方法。首先采用内禀尺度分量(ISC)的能量和幅值标准差对UPLCD的信号重构过程进行优化改进,筛选出信号主导的ISC分量进行信号重构,得到降噪后的信号;然后根据深度学习和孪生有界支持向量机(TBSVM)构建了用于管道泄漏识别的DTBSVM模型;最后将降噪后的信号输入到DTBSVM中对管道的状态进行识别。实验结果表明,该方法能够准确判断管道的泄漏,识别精度最高可达99.7%。

面向鲁棒性的孪生有界支持向量机分类算法

孪生有界支持向量机(Twin Bounded Support Vector Machine,TBSVM)是近期提出的一种优秀的距离度量学习二分类算法。在TBSVM的目标函数中,使用L2范数距离作为度量准则,因此当训练样本中出现异常值或噪声时,L2范数距离的平方很容易夸大它们的影响。为了缓和这一问题,本文提出了一种鲁棒的基于L1范数距离度量的TBSVM分类算法(L1-TBSVM)。由于L1-TBSVM的目标函数中包含了非平滑的L1范数项,很难直接对它进行求解,故我们通过迭代增广向量来更新对角矩阵,直到目标函数值收敛到一个固定值,以此来获得最优解。该迭代算法简单有效,且易于实施。最后,通过合理的理论分析,以及在UCI数据集和人工数据集上的大量实验,检验了L1-TBSVM算法的可行性和有效性。

基于改进SVM的城市道路短时交通状态预测

为提高短时交通状态预测的精度,使交通管理者更有效地进行交通规划和管理,本文把基于L 1范数距离度量的最小二乘孪生有界支持向量机(twin bounded support vector machine,TBSVM)扩展成多分类算法用于短时交通状态预测,简称MLSTBSVM L1.在实验数据上对MLSTBSVM L1算法的有效性进行验证,实验结果表明,相比于其他预测算法,提出的MLSTBSVM L1算法在预测精度上有较大提升.

基于L1-范数的v-双子限定支持向量机

【目的】针对二分类问题,构造了一种新的基于L1-范数的v-双子限定支持向量机(L1-vTBSVM)。【方法】类似于v-双子限定支持向量机(v-TBSVM),L1-vTBSVM确定两个非平行超平面,使得它们更接近于各自的类,并且与另一个类至少有ρ的距离。在L1-vTBSVM中,由于用L1-范数替代了L2-范数,则相较于v-TBSVM,所提模型产生了不同的对偶问题。【结果】在求解对偶问题时避免了昂贵的矩阵逆运算,更重要的是,L1-vTBSVM可以抑制离群值的负面影响,从而提高模型的鲁棒性。因此,改进的模型在处理大规模问题时更有效,且具有更好的泛化能力。【结论】在6个基准数据集上进行了数值实验,验证了该算法在线性、非线性和加入噪声情况下的有效性。