固定尺度最小二乘支持向量机

针对最小二乘支持向量机(LS-SVM)在进行回归预测时存在的稀疏性缺陷问题,采用固定尺度最小二乘支持向量机,即固定支持向量数量进行改进。仿真结果表明:固定尺度最小二乘支持向量机在训练各种样本数据集时,有效地避开了LS-SVM中的稀疏性问题,且训练速度快,同时具有良好的预测精度。     

基于中心加权的局部核向量机算法

为了解决大规模非线性分类中局部学习的不平衡性问题,提出一种改进的局部支持向量机算法,在高维特征空间中聚类后,为每一个簇构造局部非线性支持向量机。为了克服簇内样本的分布不均衡问题,根据闭合超平面不规则边界的几何特点,经过梯度下降寻找稳定均衡向量,以此构造簇几何中心;再结合簇密度中心共同约束类心形成双重加权中心。然后通过求解加权最小闭球问题实现对大规模样本向量的分类。对照实验显示,除了个别数据集以外,改进的算法在训练时间、测试时间以及测试精度等方面都比另外两种分类算法表现更佳。     

高铁隧道断层破碎带围岩参数反演研究

针对隧道断层破碎段围岩力学参数缺失问题,基于遗传算法(GA)优化的支持向量机(SVM)算法,建立了高铁隧道围岩力学参数反演模型,以实际监测数据为理论依据,反演得到阳山隧道F26断层段围岩力学参数,结合有限差分软件FLAC 3D以阳山高铁隧道为工程实例进行正演分析,正演结果与实测数据对比完成误差分析。结果表明,样本数量影响算法的性能,具体表现为在设计样本数量区间范围内遗传算法参数寻优的结果精度及支持向量机模型的预测精度与设计样本数量呈正相关。模拟围岩变形值与实际监测数据的相对误差均低于10%,证明了反演方法及模型的可靠性。研究成果为解决高铁隧道断层破碎带围岩力学参数缺失问题提供参考。     

基于S-WLLE算法和SVR的植物叶片图像识别方法

针对加权局部线性嵌入（Weighted Locally Linear Embedding,WLLE）算法不能充分挖掘样本类别信息以及传统流形学习算法中利用已有训练样本流形邻域关系近似得到测试样本低维嵌入的低精确性,提出了基于监督加权局部线性嵌入（Supervised Weighted Locally Linear Embedding,S-WLLE）算法和支持向量机回归（Support Vector Regression,SVR）的植物叶片图像识别方法。首先利用叶片样本监督距离代替WLLE算法中的欧式距离,对训练样本进行降维;然后学习训练样本已有数据得到SVR模型,预测测试样本的低维嵌入;最后利用最近邻分类器分别实现正负类样本以及负负类样本之间的识别。实验表明,该算法不仅提高了正负类叶片的识别精度,而且能够有效实现负负类叶片的识别。     

支持向量机在人岗匹配度测算中的应用

在某市住房公积金管理中心的人力资源配置过程中,通过实例研究发现,采用支持向量机的人岗匹配度测算模型相对于BP人工神经网络等其他常规模型匹配精度更高,在样本数量较少的情况下其优越性更加突出。组织在采用支持向量机模型和模糊综合评价法进行人岗匹配度评价时,先应通过科学的工作分析,建立合适的测算指标体系,然后构建岗位匹配度矩阵和岗位候选人模糊矩阵,最后运用最小二乘支持向量机测算匹配度。     

福建省物流需求中的货物运输量预测研究

货物运输量是物流需求中的重要内容,其准确预测对物流发展规划具有重要意义.通过选取影响货物运输量的16个指标,基于核主成分分析与加权最小二乘支持向量机的预测方法,实证预测福建省物流需求中的货物运输量.结果表明,基于核主成分分析与加权最小二乘支持向量机的预测方法拟舍及预测(测试)都达到了很高的精度.     

新型支持向量机在风速预测模型中的应用研究

在短期风速预测方面支持向量机已被广泛应用并取得较好的效果。然而,随着应用的深入,其逐渐暴露出两大问题:一,对噪声较为敏感;二,未能充分利用样本已有信息。为进一步提高支持向量机的泛化能力,该文提出模糊流形支持向量机FMSVM。该方法引入模糊技术,保证不同样本区别对待,减少或消除噪声的影响;充分利用流形判别分析的性质,进一步改进支持向量机,在分类决策时同时考虑样本的边界信息、分布特征以及局部流形结构。通过某风场风速数据集上的比较实验验证该方法的有效性。     

模糊支持向量机的非直达波抑制算法

针对支持向量机中由于噪声和野值带来的过拟合问题,提出了基于模糊最小二乘支持向量机(fuzzy LS-SVM)的抑制非直达波的移动定位方法。利用一种基于支持向量数据域描述的模糊隶属度函数模型,根据样本到特征空间最小包含超球球心的距离来确定模糊隶属度。仿真结果表明了该方法的稳健性,提高了LS-SVM的抗噪声能力。     

供应链需求预测的非线性方法研究

文章总结了国内外关于供应链需求预测的研究工作，大致分为线性预测方法和非线性预测方法。非线性预测方法由于可以准确预测实际需求随机波动，已经成为供应链需求预测问题研究的热点。其中以局域法加权一阶预测、最大Lyapunov 指数预测和全域法支持向量机预测最为常用。通过实证比较研究，基于相空间重构理论的支持向量机预测方法可以准确预测实际需求的波动趋势，其预测精度和准确度很高。     

基于特征优选模拟电路故障诊断方法

传统基于最小二乘支持向量机模拟电路故障诊断方法都是使用单一的特征向量组合训练支持向量机所有二分类器,然而实际上每个二分类器对不同的特征向量组合有不同的分类精度。因此,提出了基于马氏距离的粒子群优化算法,为最小二乘支持向量机所有二分类器优选出近最优的特征向量组合。然后,将近最优特征向量组合用于训练和测试该支持向量机。最后把该方法应用于模拟电路早期故障诊断,实验结果表明,基于近最优特征向量组合的诊断精度要高于单一特征向量组合的诊断精度。     

一种新的支持向量机增量算法

分析了增量学习过程中支持向量和非支持向量的转化情况。在此基础上提出一种误分点回溯SVM增量算法,该算法先找出新增样本中被误分的样本,然后在原样本集寻找距误分点最近的样本作为训练集的一部分,重新构建分类器,这样能有效保留样本的分类信息。实验结果表明:该算法比传统的支持向量机增量算法有更高的分类精度。     

支持向量机理论与算法研究综述

统计学习理论(statistical learning theory,SLT)是一种小样本统计理论,着重研究在小样本情况下的统计规律及学习方法性质。支持向量机(support vector machinse,SVM)是一种基于SLT的新型的机器学习方法,由于其出色的学习性能,已经成为当前机器学习界的研究热点。该文系统介绍了支持向量机的理论基础,综述了传统支持向量机的主流训练算法以及一些新型的学习模型和算法,最后指出了支持向量机的研究方向与发展前景。     

基于支持向量机集成学习方法的高新技术上市公司绩效预测研究

本文以创业板高新技术企业为对象,采集样本企业2011-—2014年的年报数据,通过构建支持向量机预测模型和支持向量机集成学习方法预测模型,预测样本企业的绩效。研究结果显示:两种预测模型均能有效预测样本企业的绩效,支持向量机集成学习方法预测模型的准确度更高,样本数据越接近预测年度,预测的准确度越高。     

基于LDA/GSVD和支持向量机的人耳识别

针对人耳图像自身的特点并通过对现有方法的研究,提出了一种先利用LDA/GSVD算法对样本图像进行特征提取,然后运用SVM分类器对样本向量进行分类的人耳识别方法.此外,还对线性判别分析、广义奇异值分解和支持向量机的相关内容做了简要介绍.实验表明,LDA/GSVD很好地解决了在高维、小样本的情况下,使用Fisher线性鉴别分析的特征提取方法存在的病态奇异问题,把它与支持向量机有机地结合起来,构成了一种有效的人耳识别新方法.     

非线性可分文本的SVM算法研究与改进

支持向量机(SVM)算法可用来确定非线性可分文本的待分类文本类别。支持向量机的原始问题可以归纳为一个二次规划问题。当规模较大时,标准的SVM算法训练效率较低。本文在分析SVM算法的二次规划问题及利用可行性方向法求解二次规划问题的基础上,将效率较高的可行性方向法应用于求解SVM算法中的二次规划问题,给出了非线性可分文本的SVM算法的改进算法,改进后的SVM算法在时间复杂度上有着明显的提高,从而有效提高了SVM算法的训练效率。     

截断误差的光滑型支持向量顺序回归

支持向量顺序回归算法已成功应用于解决顺序回归问题,但其易受训练样本中野点的干扰。为此,提出一种截断误差的光滑型支持向量顺序回归(TLS-SVOR)算法。学习顺序回归模型时,将错划样本形成的误差s限制在范围u内。TLS-SVOR首先用包含参数u的分段多项式近似s;再引入光滑型支持向量机分类算法的思路,将优化目标转变为二次连续可微的无约束问题,从而由牛顿法直接求得唯一的决策超平面。采用两阶段的均匀设计方法确定TLS-SVOR的最优参数。实验结果表明,相比其他顺序回归算法,TLS-SVOR在多个数据集能获得更高的精度。     

四川省天然气消费量变权重组合预测

在BP神经网络及最小二乘支持向量机预测模型的基础上,利用基于样本点优化的变权重组合模型对四川省天然气消费量进行了预测,结果表明该预测方法在样本数目有限的情况下,在性能上不但优于各单项预测方法,同时也在很大程度上好于固定权重的组合预测模型,对于四川省经济发展有着重要的意义。     

改进样本加权K近邻分类器用于垃圾网页检测

针对垃圾网页检测过程中的"维数灾难"和不平衡分类问题,提出一种融合最优Fisher特征选择的样本加权K近邻分类器用于垃圾网页检测。首先,针对训练数据集进行Fisher特征选择,按Fisher Score从大到小排序,依次选择Fisher Score更大的特征对训练数据集进行样本加权的K近邻分类,根据训练数据集分类结果的AUC值是否增加以确定是否保留某个特征,最后基于保留的最优特征子集对测试数据集进行样本加权的K近邻分类。在WEBSPAM UK-2006数据集上的实验表明:该方法明显优于决策树、支持向量机、朴素贝叶斯、K近邻等传统分类器。与其他相关方法相比,该方法在准确率、F1测度和AUC指标上接近最优结果。     

基于SVM学习方法的分析

介绍了增量学习算法、序列最小优化算法、加权支持向量机算法等几种应用于大型数据库,在加快训练速度、降低分类错误率等方面有改进的SVM流行算法.在分析各种算法优缺点的基础上,提出了在线性样本训练、超大规模样本下满足KKT条件的算法是SVM算法的发展方向的观点.     

基于遗传算法的进化支持向量机研究

支持向量机是最近发展起来的一种新的通用的机器学习方法 ,其理论基础是统计学习理论 ,支持向量机无论在模式识别还是在函数拟合方面均显示了其优越性 ,并越来越受到国内外研究者的广泛关注 .但是 ,对支持向量机的推广预测能力具有很大影响的核函数和参数C一直没有一个很好的确定方法 ,针对这一问题 ,将遗传算法和支持向量机结合 ,提出了一种自动选择支持向量机参数的方法 ,结果表明 ,这种方法是科学有效的 .