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。     

基于小波支持向量机的电力系统短期负荷预测

根据相空间延迟坐标重构理论，基于支持向量机强大的非线性映射能力和小波核函数的局部分析和特征提取能力，提出了一种基于小波支持向量机的电力系统短期负荷预测方法，并利用该方法对嵌入维数与预测性能的关系进行了探讨。仿真结果表明，该预测方法能精确地预测电力负荷，而且在电力负荷序列的最佳嵌入维数未知时也能取得比较好的预测效果，这一结论预示着小波支持向量机是一种预测电力系统短期负荷的有效方法。     

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。     

基于小波分析与支持向量机的人民币汇率预测

利用支持向量机方法对汇率进行预测是金融市场研究领域一个重要的研究课题.结合小波变换与支持向量回归,提出一个三阶段时间序列预测模型.先以离散小波框架将汇率序列分解成不同尺度的多个子序列,揭示蕴含在预测变量内的信息,并对各个子序列进行时间序列分析,再以支持向量回归为工具,以这些子序列为预测变量建构支持向量回归模型,最后将各个序列的预测结果进行重构,得到预测结果.实证结果显示,该模型的预测效果较之BP神经网络与单纯的AR-SVM模型更优,证明基于小波分析与支持向量机相结合的预测模型可以为人民币兑美元汇率提供比较准确的预测.     

支持向量机研究进展

支持向量机是由V.Vapnik等九十年代提出的一种学习技术,是借助于最优化方法解决机器学习问题的新工具。以统计学习理论为研究基础,研究内容分为分类和回归两个方面,并且在众多领域中得到应用。     

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。     

支持向量聚类算法的研究与改进

支持向量聚类是基于支持向量机和核方法的一种新颖的聚类方法.与其它传统聚类方法相比较,该方法具有能得到全局最优解,并能处理任意形状的聚类,无需指定聚类数目,参数少,容易处理高维数据等优点.在原算法的基础上,在聚类标识阶段提出了改进算法,用支持向量代替原来的全部样本数据来进行标识,进一步减少运算时间,提高运算速度.     

基于支持向量机的企业产品创新能力评价

创新能力研究一直是学者们关注的热点问题.支持向量机是以统计学习理论为依据,发展起来的一种新的机器学习方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势.通过建模和实证,尝试将支持向量机引入企业产品创新能力评价领域,并与BP神经网络评价方法相比较,从而发现其优越性.     

基于小波包分析与支持向量机的斜拉索损伤识别

斜拉索作为斜拉桥的主要受力构件,其损伤将直接威胁斜拉桥的运营安全。现提出一种基于小波包分析与支持向量机相结合的斜拉索损伤识别新方法。利用小波包理论对索梁锚固点的加速度时程响应进行小波包分解,构造小波包能量变化率指标,以该指标作为支持向量机的输入参数,定义斜拉索的刚度折减为损伤因子表示斜拉索损伤程度作为支持向量机的输出,通过支持向量机损伤识别模型对斜拉索损伤进行识别定位,并以实验室独塔斜拉桥模型进行了数值验证。结果表明:该方法能较好地识别斜拉索损伤,且受输入向量位置及个数影响较小,随着损伤程度的增加,平均预测误差逐渐减小。本方法对噪声污染具有一定的鲁棒性。     

多类支持向量机的DDoS攻击检测的方法

为了利用SVM准确的检测DDoS,需要找到区分正常流和攻击流的特征向量,根据DDoS攻击的特点,提出了独立于流量的相对值特征向量。为了在指示攻击存在的同时,也指示攻击强度,多类支持向量机(MCSVM)被引入到DDoS检测中。实验表明,RLT特征与MCSVM相结合,可以有效检测到不同类型的DDoS攻击,并且能准确地指示攻击强度,优于目前已有的检测方法。使用RLT特征进行DDoS检测,比使用单一攻击特征进行识别的方法,包含更多的攻击信息,可以得到较高的检测精度。     

PCA支持向量机回归集成股市预测应用

利用主成分分析(PCA)方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

基于支持向量机的短期负荷预测

讨论了现有的支持向量机回归参数选取方法.针对负荷预测建模,采用交叉验证的方法对参数进行选取,得到的最优参数对未来的峰荷进行预测,仿真结果表明了该方法的有效性.     

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。     

基于支持向量机算法的人脸识别技术研究

在讨论人脸识别算法的基础上,提出了基于支持向量机算法的人脸识别技术,进而分析了其原理,确定了多项式的核,并利用人脸数据对多项式核的SVM进行训练,根据训练结果进行识别实验,结果表明：SVM与传统方法比较,对人脸具有较高的识别率。     

基于支持向量机模型的北京市能源需求预测研究

北京市能源需求系统具有非线性、历史数据较少而影响因素众多等复杂特征, 而支持向量机模型在解决小样本、非线性及高维模式识别问题方面具有突出优势。为此, 引入支持向量机模型对北京市1978-2010年能源需求进行建模, 并据此对2012-2020年能源需求量进行预测。结果表明:支持向量机模型能有效拟合北京市能源需求系统的复杂变化趋势, 比其他传统方法有更高的预测精度。研究发现, 2012-2020年北京市能源需求量逐年增加, 年均增速2.75%;另外, 北京市能源需求的增速在“十三五”期间会比“十二五”期间略有趋缓。     

基于神经网络和模糊逻辑的信用评价模型

在对Z评分模型以及KMV模型、J.P.摩根的Credit-Metrics模型、瑞士信贷银行的Credit-Risk模型、麦肯锡的信用组合模型等信用风险模型进行分析的基础上,提出在多元综合回归分析的基础上建立企业财务状况指数测算公式,再使用模糊聚类方法进行信用等级评价、使用模糊神经网络进行风险预测的信用评价的新方案。     

基于支持向量机算法的癌症预测

将支持向量机SVM(Support Vector Machine)算法用于卵巢癌症质谱数据分类研究,通过与KNN、神经网络算法的预报结果做比较,SVM对癌症数据的预测正确率达到98%,推广能力明显强于KNN、神经网络等传统算法。     

基于支持向量机的企业现金流量评级

为了防范信贷风险,商业银行对企业的现金流量评级十分重视。这篇文章把企业现金流量分为三类:充足、一般和不足,然后把支持向量机(SVM)应用到企业现金流量评级研究中。通过实证研究表明,在现金流量评级问题中,SVM比BP神经网络更具有优越性。     

基于支持向量机的传感器非线性误差校正

提出了一种用支持向量机校正传感器非线性误差的原理和方法。该算法只依据样本就可以正确辩识传感器逆模型特征,而不需关于逆模型函数形式的任何先验知识,并将原问题转化为一个凸二次优化问题,能够保证找到的极值解就是全局最优解,具有较好的泛化能力。通过对电容式湿敏传感器误差校正的应用表明:该算法可取得较好的效果。