基于WGKMW-SVM的冲击倾向性评价模型

对煤的冲击倾向性进行评价是冲击地压灾害防治的前提。现有的冲击倾向性评价方法存在一定的不足之处,针对这一问题,收集了以动态破坏时间DT、弹性能量指数W_(ET)、冲击能量指数K_(E)和单轴抗压强度R_(C)为评价指标的数据库,建立冲击倾向性评价的WGKMW-SVM模型,评价准确率达92.6%。将WGKMW-SVM模型应用于万峰煤矿,评价结果与工作面煤层一致,得到一种高效准确、具有应用前景的冲击倾向性评价方法。

支持向量分类和多宽度高斯核

支持向量分类中,高斯核不区分样本中各个特征的重要性,显然各个特征对分类的贡献一般是不相同的.为了体现这种差别从而提高支持向量机的泛化性能,文中提出了多宽度高斯核的概念.多宽度高斯核增加了支持向量机的超级参数,进一步地,文中提出了多参数模型选择算法.算法利用误差界自动实现模型选择.通过实验验证了多宽度高斯核和多参数模型选择算法的有效性.

基于加权多宽度高斯核函数的聚类算法

针对在支持向量聚类,当样本分布不均匀时,单宽度的高斯核限制了支持向量机泛化性能,影响了聚类效果的问题,提出一种基于加权多宽度高斯核函数的支持向量聚类算法。加权多宽度高斯核函数比单宽度的高斯核有更多的可调参数,通过多参数调节,可提高泛化能力,改善聚类效果。仿真实验表明,与单宽度的高斯核相比,加权多宽度高斯核可以有效聚类,从而证明了该算法的有效性。

一种基于WGKMW的网络结构核函数框架

在提出一种加权多宽度高斯核函数(WGKMW)基础上,进一步提出一种基于WGKMW的径向基网络结构的核函数的框架,即网络核模式(NKP),该核函数的框架具有径向基网络的特点,其实质是一种多参数的权重系数相对确定的神经网络。通过对WGKMW和高斯核函数(GK)的支持向量分类对比实验可以看出WGKMW的优越性。

基于一种混合核函数的支持向量机聚类

在支持向量聚类中,采用单个核函数的支持向量机具有很大局限性,为了得到学习能力和泛化能力都很强的核函数,采用了一种新的混合核函数。将该混合核函数应用于支持向量聚类运算中,并且与普通核函数构造的支持向量机的实验结果进行了对比。结果表明了该方法的有效性。

基于多宽度高斯核的支持向量机特征选取算法研究

支持向量机(SVM)作为一种机器学习分类算法应用广泛,但在处理高维度数据集时往往会由于特征维数较多遇到算法分类速度慢且容易陷入局部最优等问题。为了提高支持向量机的性能,提出一种基于多宽度高斯核(GKMW)的支持向量机特征选取算法FSG。FSG算法将泛化能力更强的多宽度高斯核函数引入支持向量机中代替传统的高斯核函数,利用多宽度高斯核函数能体现各个特征对分类贡献程度不同且能区分样本中各个特征重要性的特点,以多宽度高斯核函数的参数优化结果为基础进行特征选取。利用特征选取后的特征子集在多组标准UCI数据集上分类实验,实验结果表明所提算法性能优于有代表性的特征选取法。