基于模糊sigmoid核的支持向量机回归建模

支持向量机中对核函数的要求为对称的半正定矩阵.来自于神经网络的sigm o id核函数在其参数满足一定条件时才成为半正定矩阵,但是这种核函数在SVM中却有很多成功的应用.本文将sigm o id核函数与模糊逻辑相结合并使其模糊化,从而简化了SVM的计算并便于用硬件实现.通过对混沌时间序列预测以及图像去噪滤波器两个实例的实验研究发现,使用模糊sigm o id核函数可以使SVM回归建模在损失较小精度的代价下,较大地降低平均CPU执行时间。

基于修正Sigmoid核的成分数据缺失值填补法

大多数统计分析方法基于完整的数据集,这些方法不能直接用于包括缺失值的数据集.此外,由于成分数据的特殊属性,传统的缺失值插补方法直接用于这种类型的数据可能得到不良的结果.因此,对成分数据而言,缺失值的填补具有十分重要的意义.为了解决这个问题,根据核函数的性质,提出了一种基于修正Sigmoid核的成分数据缺失值非参数插补方法.该方法使用模拟和真实的数据集与k近邻插补法和最小二乘迭代回归插补法进行比较.实验结果表明,新的插补方法可以得到更准确的估计.

基于Sigmoid核函数的纺织品色差分类检测研究

颜色的自动检测分级是纺织、印染行业质量检测中的关键一环。为达到纺织品颜色的快速分级,根据人类视觉特性,提出了一种基于Sigmoid核函数的纺织品色差分类检测方法。该方法首先将采集的待测纺织品图像进行预处理操作,并将图像数据由RGB色彩空间转换至HSV色彩空间;其次对图像区域进行均匀分块,提取H、S、V分量值并采用加权和的方式计算待测纺织品与标准样品间的色差值ΔE;最后以ΔE作为特征向量,采用基于Sigmoid核函数的SVM分类器来实现纺织品颜色分级。通过色差检测系统分类实验验证该方法分类准确率较高,可以实现纺织品的色差检测分类。研究结果可为陶瓷、木材等其他行业的色差检测分类提供参考。

一种新的混合核函数支持向量机

针对单核函数支持向量机性能的局限性问题,提出将sigmoid核函数与高斯核函数组成一种新的混合核函数支持向量机。高斯核是典型的局部核;sigmoid核在神经网络中被证明具有良好的全局分类性能。新混合核函数结合二者的优点,其支持向量机的分类性能优于由单核函数构成的支持向量机,实验结果表明该方法的有效性。

带有云化核函数的SVM文本分类方法

为了简化计算,提高分类速度,在支持向量机分类基础上,将sigmoid核函数与云模型相结合,提出了一种简单的核函数的实现方法。这种方法不仅提高了SVM文本分类能力,而且明显地减少了平均的CPU执行时间。

多核模糊聚类

针对单核聚类的性能局限性问题,提出将高斯核、Sigmoid核以及多项式核等多种核组成一种新的多核函数,并利用于模糊核进行聚类。高斯核在聚类中有广泛应用,同时Sigmoid核在神经网络中被证明具有很好的全局分类性能。将不同的核函数组合起来的多核函数将结合各种核函数的优点,其聚类性能优于利用单核的模糊核聚类(KFCM),实验结果表明了该方法的有效性。

木屑气化过程LS-SVM模型改进及优化

用Sigmoid核函数替换了文献[1]模型中的高斯径向基(RBF)核函数,对文献[1]中的木屑气化过程LS-SVM模型做了改进。在建模基础上,分别用遗传算法(GA)和粒子群算法(PSO)对木屑气化过程进行优化计算。优化结果表明,以Sigmoid核函数建立的模型对分别采用K2CO3和Na2CO3催化剂时木屑气化过程拟合的平均相对误差(1.099 7%和1.094 3%)小于文献[1]模型拟合的平均相对误差(1.788 3%和1.38%);当木屑气化温度和催化剂添加量取优化值时,气体产率、气体热值、气化效率均达到最大值。