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。     

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 .     

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。     

岩体分级的进化支持向量机方法研究

将进化支持向量机方法应用到岩体的工程分级中，提出了岩体工程分级的进化支持向量机方法．该方法将遗传算法和支持向量机有机结合，充分发挥二者各自的优点．结果表明这种方法具有很好的精度，达到了较好的分级效果．     

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。     

关于支持向量分类机算法的研究

研究分析了标准的支持向量机（C-SVM）、v支持向量机（v-SVM）等五种算法,利用仿真实验从分类精度,计算效率,扩展性等五个方面对上述五种算法进行了分析比较。     

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。     

支持向量机学习算法-序列最小优化(SMO)

支持向量机作为一种优秀的学习方法，有着严格的理论基础和很好的应用前景，但是由于支持向量机算法实现复杂、效率低，严重限制了支持向量机的应用．SMO方法的提出大大提高了支持向量机学习的效率，作对SMO算法的实现进行了详细的介绍．     

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.     

基于支持向量机的中长期电力负荷预测研究与应用

采用一种新的机器学习方法——支持向量机,建立了中长期电力负荷预测模型.阐述了支持向量机的基本内容,对影响电力负荷诸多因素的样本集进行了标准化处理和主因素分析(PCA).采用Libsvm训练了数据集,并与灰色预测GM(1,1)模型、多元线性回归模型、模糊ISODATA聚类模型和BP神经网络进行对比.结果表明,此算法有更高的准确性,可为电力负荷预测提供有效依据.     

基于物化特性编码和离散增量的支持向量机方法预测酶的亚类

从酶序列出发,提出了一种新的酶的亚类的预测方法。利用物化特性编码和离散增量得到特征向量来表示序列信息,并将这些特征向量输入支持向量机,对酶的6个家族类中各自的亚类进行分类。在Jacknife检验下,氧化还原酶,转移酶,水解酶,裂解酶,异构酶和连接酶中包含的亚类得到的预测精度分别为96.2%,99.2%,99.6%,95.3%,94.4%和97.7%。该方法得到的预测结果优于其它方法。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

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。     

城市生活用水量的支持向量回归预测

城市生活用水量预测在城市水资源利用和节约用水规划管理中起着非常重要的作用。建立了支持向量机(SUPPORT VESTORM ACH INE,SVM)理论的城市生活用水量预测模型,该模型以统计学习理论为基础,利用天津市历年来城市生活用水量数据进行实例验证,并与人工神经网络方法所取得的结果进行比较,证明支持向量机方法能取得更好的效果,为城市用水管理部门制定用水规划提供了有效和可信的理论支持。     

支持向量机在图像检索中的应用

运用颜色、形状、纹理等特征的基于内容图像检索技术,采用在分类方面具有全局优化、适应性强、理论完备、训练时间短、推广性能好等优点的支持向量机,进行图像分类,较好地实现图像检索的目的,并以舰船图像为例进行了验证,结果表明,支持向量机在图像检索中具有很好的应用效果。     

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.     

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。     

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。