基于Huffman树的多类SVM方法

提出了一种基于Huffman树的支持向量机多类分类方法。二叉树方法是一种常用的多类分类方法,它的关键问题在于如何构造合理的结构以获得较高的推广能力。为解决该问题,按照Huffman树的构造过程自下向上地构造二叉树,使易于分割的类处于上层结点。实验结果表明,该方法与One-vs-One和DAGSVM方法的分类效果相当。

融合领域知识短语树核函数的中文领域实体关系抽取

针对在核函数方法中,传统短语树只包含通用领域信息难以训练出适应特定领域关系抽取模型的问题,本文提出一种融入领域知识短语树的中文领域实体关系抽取方法.基于Web上中文特定领域网站的信息结构特点,构建出能反映特定领域实体语义关系的领域知识树,并将其融合到实例句的句法树中,得到特定领域实体语义树.然后通过支持向量机训练,得到实体关系的分类模型,对特定领域实体关系进行抽取.在收集的600篇旅游领域语料上进行关系抽取实验,结果表明:本文所提出的方法优于不融入领域信息的方法,F值提高了3.4%.

一种非线性支持向量机决策树多值分类器

提出了一种非线性支持向量机决策树的分类算法.该算法通过核函数将支持向量机推广到非线性支持向量机,并在非线性映射后计算特征空间中类间相对分离度,得到类的易分程度.在支持向量机决策树分类中引入相对分离度,有效地降低累积误差,减少计算规模,从而提高分类精度与分类效率.实验结果表明,与一般的线性支持向量机决策树分类算法相比,该算法的分类精度有了明显提高,同时其分类时间也相应降低.

动态剪枝二叉树多类SVM在入侵检测中的研究

针对现有多分类支持向量机算法所存在的训练时间长、决策速度慢等问题,提出了一种动态剪枝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,该文使用KDD99数据集对应用该算法的入侵检测模型进行评测,并且将实验结果同1-v-r算法以及1-v-1算法进行了比较。实验结果表明,提出的算法是高效可行的。

支持向量机原理及其在医学分类中的应用

目的介绍一种具有较高精度的分类模型——支持向量机在解决分类问题时的应用。方法以胃癌流行病学调查资料为例分别建立支持向量机、决策树、logistic回归模型,比较三种模型性能优劣。结果对于测试集样本SVM预测精度为99.052%,C5.0决策树预测精度为93.365%,logistic回归预测精度为90.995%,SVM具有良好的泛化能力。结论当传统统计分析条件不能得到满足或效果不佳时支持向量机能够达到良好的预测结果,在医学领域具有较好的应用前景。

基于支持向量机的往复压缩机示功图识别研究

提出了一种基于支持向量机的往复压缩机示功图识别方法。根据不同故障在示功图上反映的不同特征,进行故障特征提取。针对实际故障发生情况,构造了基于决策树的多分类支持向量机故障识别模型。使用不同核函数对计算机模拟与往复压缩机试验台实测的故障示功图进行识别,结果表明,该方法能有效应用于往复压缩机示功图故障识别。

一种新的核化SVM多层分类方法

利用核化思想提出了一种新的SVM多层分类算法。该算法的基本思路是:先利用Mercer核,将输入空间非线性可分的训练样本映射到高维特征空间Hilbert中,使之线性可分,然后采用最小超球体类包含作为层次分类的依据来生成二叉决策树,从而实现在高维空间中的多类分类。实验表明,采用该算法进行多类分类,可以有效地解决输入空间非线性可分问题,并可在一定程度上提高分类器的分类精度。

基于模糊核聚类的多类支持向量机

传统的支持向量机是基于两类问题提出的,如何将其有效地推广至多类问题仍是一个值得研究的问题。本文在比较常用的几种多类支持向量机分类算法基础上,提出了一种基于模糊核聚类的多类支持向量机分类方法。支持向量机的分类精度和分类速度取决于树结构,新方法利用模糊核聚类生成模糊类,并结合基于二叉树的多类支持向量机分类算法实现多类分类。实验结果表明,该方法是一种效率更高、分类更准确的多类支持向量机分类算法。

基于最优二叉树的多故障分类器的设计

在分析常见多故障分类器的基础上,提出了基于故障优先级和核函数的聚合技术,利用这个方法生成一个基于最优二叉树的多故障分类器。该分类器是通过核函数具有将非线性问题线性化的特点生成聚类函数,然后通过各个故障的优先级生成最优二叉树。最后将此分类器应用在挖掘机故障诊断中。应用结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让后果较严重的故障得到优先诊断。

改进二叉树支持向量机及其TE过程故障诊断

针对层次结构对二叉树支持向量机分类性能影响较大的问题,提出了一种改进的完全二叉树支持向量机构建方法。基于帕累托原则以核心圈样本最近类间距离和类内计算半径圈样本平均密度建立了类间差异性估计策略,将类间距离大且类内样本分布紧密的类别最先分离出来,并提出了构建完全二叉树的算法步骤。通过在UCI标准数据集上与其他SVM多类分类算法作比较,验证了改进算法的优越性。以TE过程故障诊断为研究对象,基于核主成分分析提取故障特征,应用改进的二叉树支持向量机实现了故障的准确识别。

基于支持向量机的数字调制识别算法

在非协作通信中,需要对接收的信号进行调制方式的自动识别。在高阶累积量域内构造信号识别的特征向量,采用基于二叉树的支持向量机将识别特征向量映射到高维空间并构造最优分类超平面,实现对数字调制信号的自动识别。该算法不仅结构简单、计算量小,而且解决了样本在低维空间中的不可分问题,具有良好的泛化推广能力。理论分析和仿真结果证明了该算法的正确性和有效性。

基于安全的多故障分类器设计

为解决常用多故障分类器未考虑到各个故障造成的后果严重性问题,提出了基于故障优先级和核函数的聚合技术,采用这个方法生成1个基于最优二叉树的多故障分类器。该分类器利用核函数具有将非线性问题线性化的特点,生成了聚类函数,再通过各个故障的安全优先级生成最优二叉树,最后将此分类器应用于挖掘机的故障诊断中。应用及实测结果表明,此分类器不但能够保证故障诊断的正确率,而且可以让可能产生较严重后果的故障得到优先诊断。

基于向量机的计算机视觉在钢材分类缺陷检测中的应用

随着各领域对钢材工艺水平要求的不断提高,提高视觉检测设备的效率和精度已成为智能制造业的发展趋势和应用方向。基于支持向量机提出一种视觉检测算法,应用于钢材缺陷分类检测中,钢材样本数据集通过最小生成树分类模型处理后,使用最优半径算法选取半径,对稠密及稀疏下的边和点间所存在的关联性加以区分,将获得的分类数据用作支持向量机输入参数。支持向量机模型中选取高斯径向基作为核函数,选取“一对一”分类训练方法,识别钢材流水生产中的各种缺陷。仿真实验证明,支持向量机模型在有新类别出现的情况下,对缺陷类型的分类达到了理想程度,能够满足现有工业领域需求。

基于多尺度LBP和复合核的高光谱图像分类方法

为了更好地利用高光谱图像的纹理特征信息,提出了一个基于多尺度LBP和复合核的高光谱图像分类方法.利用LBP的两个最佳尺度来提取高光谱图像的纹理特征,将得到的空间纹理信息输入高斯核函数中,得到两个空间核,与直接提取光谱信息得到的光谱核结合在一起组成一个复合核,将这个复合核输入支持向量机(Support Vector Machine,SVM)进行分类得到分类结果.结果表明,在Indian Pines和Pavia University这两个真实的数据集上分类精度分别达到0.9948和0.9918,明显优于其他同类杰出的高光谱图像分类方法.

基于二叉树的半监督三分类光滑支持向量机研究

文章对半监督三分类光滑支持向量机进行研究。首先,针对二叉树结构的分类顺序对分类精度影响的问题,提出采用基于类间相似方向数生成偏二叉树支持向量机的方法判别分类顺序。其次,将此判别方法应用于半监督三分类中,提出了基于类间相似方向数的半监督三分类光滑支持向量机算法。最后,进行五组数值试验。结果表明,与全监督三分类算法相比,本文算法得到的准确率相对要高,且能在已标记样本比例较少的情况下得到较高的准确率,从而表明了本文的半监督二叉树三分类光滑支持向量机具有优越性。

SVM决策树在沉积微相识别中的应用

支持向量机(SVM)作为统计学理论最年轻的分支,其应用日益广泛。针对油层沉积微相的多类识别问题,可采用支持向量机和决策树相结合的方法。对传统的SVM决策树进行改进的基础上,在SVM核函数选取过程中,构造了与实际问题有关的核函数。此方法有效的降低了支持向量机的设计难度,同时提高了识别精度和泛化能力。最后用实例对比神经网络验证了该方法的优越性。