组合核RVM在CPI预测中的应用研究

针对传统预测模型训练时间长、误差大的缺陷,提出高可靠的组合核相关向量机模型用于CPI预测。构建组合核相关向量机预测模型,根据我国1987年1月至2015年2月的CPI 月度数据,得到CPI的回归预测曲线,再与支持向量机和单核相关向量机进行对比。仿真模拟表明：组合核相关向量机预测模型预测CPI的平均误差可控制在1％以内,运行时间为1．35 s,预测结果良好。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机(SVM)模型进行预测.针对SVM模型中参数难以确定的问题,采用粒子群(PSO)算法进行参数寻优,保证预测的精确度.将PSO-SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO-SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律.     

基于遗传程序设计的指纹分类

本文提出了一个新的指纹分类算法．算法将指纹分成五类：拱,左环,右环,旋涡,尖拱．首先对指纹进行预处理以增强图像,然后在没有任何先验知识的情况下,采用基于遗传程序设计的方法从原始的数据集中产生新的特征,最后通过BP网络和SVM分类器对指纹进行分类．这种方法能够明显提高分类的计算效率和准确率．实验结果显示本算法用在FVC2004数据库中,在没有任何拒识的情况下对5种指纹的分类准确率达到了93．6％．     

基于SVR的股市预测与择时研究

本文首先阐述支持向量回归机原理,在此基础上建立了SVR预测模型,以HS300指数数据为测试样本,分析了SVR模型在时间序列预测问题中的优势,并在此基础上进行了交易实验.结果表明：支持向量回归机适用于预测股市大盘的短期走势,并能够得到比较好的预测效果.     

基于贝叶斯学习算法的网络流量分类

网络技术的快速发展，特别是P2P在网络应用的发展，互联网的内容得到了极大的丰富。但是它的服务大多采用端口跳变和协议加密等相关技术，使传统的基于端口和有效载荷的分类方法的效率大大降低。如何对网络流量进行有效分类，给广大的互联网使用者提供一个安全、可靠和高效的使用环境，是很多学者和网络管理人员正在研究的问题，采用机器学习的方法对网络流量自动分类是一种有效途径。文章探讨了基于贝叶斯学习算法的网络流量分类。     

SVM分类算法参数选择研究

对SVM分类模型参数选择问题进行了研究,将免疫网络算法与SVM相结合形成一个AIN-SVM算法。数值测试结果表明该方法能够更快速地在更大的空间内进行有效搜索,与传统的交叉验证方法相比,在搜索速度与稀疏性上具有较大的优势。     

一种高速网络流量测量系统开发包

针对网络流量测量系统的性能问题,分析了目前流行的Libpcap开发包的机制和性能,并在Libpcap 和RTFM流量测量架构的基础上,提出了一种通用内核模式开发包NADDK,该NADDK能够用于各种流量测量系统的设计和开发,功能灵活,性能明显优于基于Libpcap的流量测量系统．     

采用非线性核支持向量机并基于基因表达数据的基因选择和分类

在基于微阵列的癌症分类中,由于变量(基因表达)较多,而实验条件较少,因此特征选择和分类方法非常重要。对于疾病诊断,分类器的性能直接影响到最终结果的准确性。本文提出一种新的基因选择和分类方法,这种方法使用基于递归特征排除(RFE)的非线性核支持向量机(SVM)。实验表明本文方法比其它线性分类方法具有更好的整体表现,如线性核支持向量机和Fisher线性判别分析方法;同样本文方法也比一些非线性分类方法更好,如采用非线性核的最小二乘支持向量机(LS-SVM)。实验除了使用测试集,还使用留一校验算法(leave-one-out)用于测试分类器的泛化性能。实验采用可通过互联网获得的AML/ALL数据集和遗传性乳腺癌数据集。     

基于支持向量机的信息检索方法研究

随着数字技术的飞速发展,为了更好地利用和访问海量数据,本文研究了基于内容的检索方法,提出了在监督学习中使用支持向量机的方法,生成用于访问系统信息的分类器。     

基于AdaBoost的脑机接口分类算法研究

依据AdaBoost思想对BP神经网络、线性判别式以及支撑向量机三种传统分类器进行强化训练形成强分类器。在传统训练的基础上,根据分类器的映射特点选择相应的预处理方法和权值分布函数,降低分类器对数据特点的依赖性,提高AdaBoost的训练效果。对基于左右手运动想象的实际脑电数据进行模式分类,发现采用该思想训练的强分类器能不同程度地提高分类效果。该算法具有一定的推广意义,也证实了AdaBoost算法在脑机接口技术开发中的应用潜力。     

基于混合CRFs&SVM应用于文本信息分类

为了对文本信息进行更加有效分类,研究文本信息的一种新型分类。在了解文本信息分类和讨论条件随机场（CRFs）和支持向量机（SVM）的基础上,结合CRFs对上下文依赖性的优点以及SVM对高维问题的特殊解决方法,分析了二者结合的方法,并将其中一种结合方法应用到文本信息分类中。通过实验对此方法进行了验证。实验结果表明:CRFs&SVM方法的查全率、查准率以及F1-测量的各平均值比SVM方法都有所提高,具有良好分类性能和更加准确的分类率。进一步证明CRFs&SVM方法适用于文本信息分类,具有良好的应用前景。     

基于MATLAB的一对一M-SVM算法实现

简述了多分类支持向量机（Multi-class Support Vector Machine，M-SVM）的原理及算法。在此基础上，利用MATLAB实现了一对一多分类支持向量机的多分类算法，利用MATLAB的矩阵处理方式解决了算法中投票机制。该算法避免了MATLAB中循环语句的使用，提高了算法效率，缩短了运行时间。     

采用FA和SVDFRM的SVM入侵检测分类模型

提出了一种新型网络入侵检测分类模型,设计了一个基于支持向量机(SVM)的分类器。采用因子分析法(FA)将行为样本的众多相关网络特征融合成精简的综合特征,实现了对网络监测数据的降维。利用支持向量决策函数排序法(SVDFRM),通过支持决策向量函数得到网络行为的特征贡献率并提取网络行为的重要特征。KDD99数据集测试实验结果表明,提出的分类模型降维效果显著,具有较好的实时性和较高的检测率。     

基于LS-SVM的个人信用评估

个人信用评估一直是金融业研究的重要内容,已取得一定的研究成果,但与现实的业务发展要求还有一段距离。本文在信用评估中应用了一种新的方法———最小二乘支持向量机方法(LS-SVM),该方法具有专门针对小样本、算法复杂度与样本维数无关、处理非线性等优点。使用真实的信用卡数据实证结果表明,本方法具有较好的预测能力,在与Logistic方法进行个人信用评估的对比研究中,该方法具有明显的优势。     

基于IGWO SVM的轴承故障分类预测

随着旋转机械设备的集成化程度不断提高,轴承发生故障的概率以及故障诊断的难度都在增加。为了解决常规故障诊断出现误报和漏报等问题,课题组在采集已清洗的轴承数据基础上提出了一种新型分类预测算法。课题组通过改进的灰狼算法来收敛支持向量机的参数,并对数据集进行训练优化,以精准地对轴承故障进行判断和预测。研究结果表明判断精度可高达99.4%;通过与其他现有主流分类预测模型进行比较,进一步验证了该优化方法的优异性。该优化方案可以很好地应用于SCADA等实时状态监测系统并进行精准故障分类预测。     

基于广义加权支持向量机的焊接缺陷分类方法

提出了一种广义加权支持向量机(GW SVM)的焊接缺陷分类算法。首先为克服由于样本数量不平衡性引起的小样本类别精度差的问题,引入由于样本差异的权重;然后为解决不同类别的重要性要求,根据经验人工确定不同类别重要性的权重。针对样本重要性的影响,采用有监督模糊聚类方法来确定样本重要性权重。测试结果表明:广义加权支持向量机在噪声影响较大及样本类别相差较大时,能够提高重要的、数量少的缺陷检测精度。     

基于视频图像的高校校园火灾探测研究与应用

阐述了高校消防的重要性,传统火灾探测方法的局限;研究了基于视频图像的火灾探测方案;提出了一种背景自动更新目标提取法和改进的支持向量机分类识别方法;最后将图像型火灾视频监控与计算机技术结合起来实现火灾监控系统的智能化。     

一种基于特征聚合理论和LSI的文本分类新方法

根据特征聚合理论和隐含语义索引理论(LSI)提出了一种文本分类新方法,该方法应用特征聚合理论和LSI理论来构造向量空间模型,大大削减了特征向量的维数,同时增强了稀有词的作用,并在特征向量中引入了语义成分,从而提高了分类的速度和精度。     

基于SVM的综合实力评估系统研究

简略介绍了支持向量机的基本思想 ,研究其在综合评价中的应用。分析了对大学进行实力评估的过程 ,建立基于SVM的评价系统。比较新评价系统和采用其他方法如PCA (PrincipalComponentAnalysis主元分析 ) ,Fisher等建立的评价系统所分别取得的拟合效果。结果表明 :采用支持向量机设计的评价系统思路清晰 ,操作简单并且能取得更为理想的评估结果。