一种基于遗传算法的SVM决策树多分类策略研究

提出了一种基于遗传算法(GA)的SVM最优决策树生成算法,并将其应用于解决SVM多分类问题.首先以最大分类间隔为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(或近优)决策二叉树;然后在各个决策节点,利用传统的SVM算法进行二值分类,最终实现SVM的多值分类.理论分析及实验结果表明,新方法比传统的DT-SVM、DAG-SVM方法有更高的分类精度,比经典的1-a-1、1-a-r有更高的训练和分类效率.

基于遗传算法和支持向量机的玉米品种识别

提出了一种基于遗传算法(GA)和支持向量机(SVM)的玉米种子的图像特征选择和分类识别的新方法。该方法首先用遗传算法对采集到的玉米种子图像的特征进行优化,而后采用决策二叉树的支持向量机分类算法对玉米品种进行识别。该分类算法将分类器分布在各个结点上,构成多类支持向量机,减少了分类器的数量和重复训练样本的数量。实验结果表明该方法能选出适合于识别的玉米种子特征并能对玉米种子进行正确地识别。

一种基于遗传算法的SVM决策树多分类方法

在当前的机器学习领域,如何利用支持向量机(SVM)对多类目标进行分类,同时提高分类器的分类效率已经成为研究的热点之一,有效地解决此问题对于提高目标的识别概率具有较大意义。本文针对SVM多分类问题提出了一种基于遗传算法的SVM最优决策树生成算法。算法以随机生成的决策树构建的SVM分类器对同一测试样本的分类正确率作为遗传算法的适应度函数,通过遗传算法寻找到最优决策树,再以最优决策树构建SVM分类器,最终实现SVM的多分类。将该算法应用于低空飞行声目标识别问题,实验结果表明,新方法比传统的1-a-1、1-a-r、SVM-DL和GADT-SVM方法有更高的分类精度和更短的分类时间。

一种改进的SVM决策树及在遥感分类中的应用

针对遥感图像分类问题提出了一种基于遗传算法和K近邻的SVM决策树方法。算法以基于类分布的类间分离性测度为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(较优)决策树。在分类阶段,对容易分的节点利用SVM进行分类,而对可分离性差的节点采用SVM和K近邻相结合的分类方法,最终实现多类别分类。实验结果表明,与传统的分类方法相比,该算法的实验效果较好,可有效地提高遥感图像的分类精度。

一种基于多类支持向量机的故障诊断算法

主要研究了多类支持向量机算法,及其在多类故障诊断问题中的运用。考虑到传统"一对一"算法和"一对多"算法的局限,提出了基于遗传算法的决策树支持向量机,利用遗传算法的全局随机搜索性能来构造决策树。根据样本数据的分布,遗传算法的适应度函数定义为两个子类集聚类中心之间的距离,使得在决策树的每一个节点最可分类别尽可能分开。通过对三个数据集进行仿真分析,表明该算法的性能优于两个传统算法,具有更高的推广能力,验证了算法的有效性。

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型.采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优.实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的.

用遗传算法构造二元决策树

决策树的方法是一种优化的过程，遗传算法是模拟自然进化的通用全局搜索算法，文中将遗传算法应用到构造优化决策树，提出了采用遗传算法求解二元决策树的非叶结点的权值矢量，进而构造二元决策树的方法．并讨论了遗传算法的评价函数构造和编码方法，重点说明了如何对遗传算法进行改进，提高算法效率，然后分析了影响二元决策树错误分类率的因素。

基于基因表达谱的肿瘤预测模型研究

本文从肿瘤基因表达谱分析入手,研究并选取胃癌相关标志基因集合,以此集合为基础抽取甄别肿瘤与正常组织的基因分类规则集,进而建立起肿瘤预测模型.首先,以支持向量机为分类器用特征基因集合的样本识别率为适应度函数,采用遗传算法对特征基因进行筛选.然后用决策树抽取特征基因的规则集,结合肿瘤分子生物学文献和生物实验建立肿瘤预测模型.最后通过对胃癌基因表达谱数据的分析,建立了胃癌预测模型,结果表明该模型对胃癌分子生物学实验和临床诊断具有一定的指导意义和参考价值.

基于GA参数寻优的决策树支持向量机生态环境质量评价方法

选取决策树作为支持向量机多类分类方法,选择径向基核函数建立了生态环境质量决策树支持向量机评价模型,基于遗传算法实现了惩罚因子、核函数参数的自适应优选,并运用建立的模型对我国主要省市生态环境质量进行了评价。研究结果表明,该方法可以较好地实现生态环境质量评价。

遗传算法在基于二元决策树的模型选择中的应用

模型选择是模型管理的重要部分．本文提出利用二元决策树实现模型选择，并采用遗传算法构造二元决策树．最后给出了在趋势预测模型选择中的应用实例。

基于遗传算法的二叉树支持向量机分类方法

针对传统的基于支持向量机的文本分类存在的问题进行了研究,采用二叉树结构与多个支持向量机子分类器组合进行Web文本信息分类,在二叉树支持向量机多类方法的基础上,进一步结合遗传算法,提出了一种新的支持向量机的多类分类方法,实验结果表明,采用该方法进行多类分类,分类精度明显提高,体现了将遗传算法与二叉树支持向量机结合的优越性。

基于加权二叉树的自适应遗传算法研究

为改进传统遗传算法局部搜索能力较差、收敛速度慢等缺点,提出一种基于加权二叉树的遗传算法。通过构建遗传基因二叉树,对种群染色体进行编码,根据子代基因的适应值挑选优秀基因替换弱势基因,采用蚁群信息素对不同的遗传基因进行加权操作,依权重择优进行交叉操作,利用自适应排序选择最优解,并通过对比实验对该算法和基本遗传算法进行了全方位的比较。试验结果表明该算法大大提高了遗传算法的局部搜索能力,加快了算法的收敛速度。

改进最小二乘支持向量机算法及其在故障诊断中的应用

针对人为因素对故障诊断的干扰,提出了一种基于二叉树结构的遗传算法改进可变惩罚因子的最小二乘支持向量分类机(BTGAVPF-LSSVCM)故障诊断方法。首先为减少支持向量机惩罚因子选取受研究人员经验的影响,建立可变惩罚因子的支持向量分类机(VPF-SVCM),并证明了算法的对偶问题;其次,针对支持向量机不易求解的问题,利用最小二乘法求解VPF-SVM,提出VPF-LSSVCM算法,并推导其计算公式;然后,利用遗传算法搜索VPFLSSVCM核参数,提出GAVPF-LSSVCM算法;最后,根据故障诊断实际问题,构建二叉树结构的GAVPF-LSSVCM算法。通过数值仿真实验结果表明,相比支持向量机穷举法,所提出的BTGAVPF-LSSVCM算法诊断精度提高了近14.3%。

基于GA和KNN的SVM决策树分类方法研究

文章提出了一种基于遗传算法和K近邻的SVM决策树方法,并将其应用于解决SVM多分类问题。算法以基于类分布的类间分离性测度为准则,利用遗传算法对传统的SVM决策树进行优化,生成最优(较优)决策树。在分类阶段,对容易分的节点利用SVM进行分类,而对可分离性差的节点采用SVM和K近邻相结合的分类方法,最终实现多类别分类。实验结果表明,与传统的分类方法相比,该算法的实验效果较好,是一种有效的分类方法。

遗传算法支持向量机在故障诊断中的应用

提出了一种基于遗传算法的决策树支持向量机多分类算法,其中遗传算法的适应度函数定义为样本半径及样本距离之和,从而采用其全局随机搜索性能来构造支持向量机决策树结构,更精确地确定其在特征空间中的分类区域。该算法用于故障诊断的仿真分析,结果表明诊断速度快,并且故障识别率高。

基于优化SVM-DT的阀门故障诊断方法

针对过程控制系统中阀门故障种类多、类型相似、故障数据有很强的非线性等问题,提出一种基于支持向量机决策树(SVM-DT)的阀门故障分类算法,利用改进的遗传算法对识别率影响较大的支持向量机(SVM)参数C和σ进行优化。根据类间分离测度,找出分离测度值最小的两类样本,用优化后的支持向量机进行训练,将其合并为一个类簇与其它故障种类一起,找出最难分类的两类故障样本集,逐步将所有训练样本生成决策二叉树模型。通过动态执行器基准平台(DAMADICS)阀门模型对支持向量机决策树模型进行验证,实验结果表明,该算法能够有效提高对阀门故障的识别率,有效解决了传统的一对一(1-a-1)、一对多(1-a-r)算法中存在部分样本数据无法识别的缺陷,对工业控制系统中阀门的故障诊断有指导意义。

基于动态调整的GA-SVM多分类二叉树的方法

基于遗传算法的支持向量机决策树多分类方法仍然存在错误累积的问题,累积的错误往往使分类准确率下降,分类效果变差,存在全局优化缺陷的问题;并且在每个节点进行二分类常用的实数编码切分方法,效率低下。针对这两方面的问题,提出从根节点开始逐层构造二叉树,运用二进制编码的遗传算法进行每一阶段的二叉树构造。二进制编码对于每个节点的分类以及进行交叉、变异更高效,不用考虑从什么位置切分。针对越靠近根节点产生的误差对后续节点分类误差的累积影响,提出一种动态调整的方法,此方法对每个节点赋予权重再进行对权重的调整使得整体的分类误差减小,最终得到二叉树的全局最优,从而提高分类精度。通过实验并进行五折交叉验证表明,DABT-SVM比多种传统的支持向量机多分类算法在全局优化能力和分类精度上有很大的提升。验证了该算法的可行性和有效性。

采购决策支持系统中模型自动选择技术的研究

针对采购者往往不是计算机专业人员,不知道如何根据药品销售历史数据的特点在采购决策支持系统中选取适当的模型来进行预测的问题,本文采用一种基于遗传算法求解树结点的线性权值矢量,并根据树节点的错误率与分割后的错误率减少量构造二元决策树的方法,来实现采购决策支持系统中模型自动选择,最后仿真实验证明文中方法构造的二元决策树能正确的完成模型的自动选择。

基于支持向量机的星载SAR信号识别技术研究

针对星载合成孔径雷达(SAR)信号的电子对抗侦察识别问题,提出了一种基于支持向量机的星载SAR信号分类方法。该方法基于样本聚集性构建二叉树结构,解决了支持向量机的多分类问题;同时减小了二叉树结构的分类误差积累,选择高斯核函数解决样本的非线性问题,并采用遗传算法对模型参数进行优化,从而提高模型的分类性能。文中对加拿大的Radarsat-2星载SAR卫星的四种信号进行了分类仿真,并与传统的参数匹配法进行了比较,结果表明文中的方法具有较好的识别率,同时模型的泛化能力也比较强,有利于解决对星载SAR的侦察难点问题。

基于遗传算法的SVM多分类决策树优化算法研究

设计一种基于遗传算法(GA)的支持向量机(SVM)多分类决策树优化算法,以克服因传统SVM多分类决策树结构固定,单个SVM节点在树中位置随意而引起"误差积累"现象严重的缺陷.采用了SVM分类间隔作为GA适应度函数.利用GA在每一决策节点自动选择最优或近优的分类决策,最终自适应地实现了对决策树的优化.仿真实验表明,与传统方法相比,所提出的方法可使"误差积累"现象明显降低,分类质量大大提高.