共查询到18条相似文献,搜索用时 125 毫秒
1.
针对传统支持向量机(SVM)在解决多类分类问题时需要训练多个分类器、存在不可分区域等问题,研究了基于支持向量回归机的多类分类算法。利用回归思想求解多类分类问题,将分类样本作为回归输入,样本的类别标识作为回归输出,通过支持向量回归机训练拟合出各样本与其类别标识之间的函数关系。将待分类样本代入回归函数,对其输出取整后即可得到样本类别。该算法仅使用1个分类器,明显简化了分类过程。另外,引入复合核函数来提高支持向量回归机的性能。采用加州大学欧文分校(UCI)例题库中的多类分类问题进行仿真验证,并将改进算法与传统算法作对比,结果表明改进算法在分类速度和准确率上都有显著提高。 相似文献
2.
3.
基于Vague-Sigmoid核函数的PSVM故障诊断算法研究 总被引:1,自引:0,他引:1
支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机(Proximal Support Vec-tor Machines,PSVM)算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。 相似文献
4.
提出了一种简化的基于遗忘因子矩形窗算法的最小二乘支持向量机回归算法。其针对标准支持向量机存在的缺陷,引入最小二乘、矩形窗以及遗忘因子等思想对其进行改进,最后通过仿真验证了该方法的有效性。 相似文献
5.
提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间,并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明,该方法对实际采集的信号具有很好的分类性能。 相似文献
6.
7.
8.
针对传统的光纤光栅电压传感器非线性校正算法具 有运行速度慢,拟合精度不高的缺陷。在研究了大量国内外文献过后,本文为了解决一些传 统非线性校正方法在光栅光纤传感器校正中的不足,在此提出了一种基于蚁群算法优化的分 段支持向量机回归的 校正算法。由于传统的蚁群算法在信号处理中搜索速度不理想,最小二乘支持向量机回归算 法精度不高,所以此算法是结合了蚁群 算法搜索最小二乘支持向量机回归最佳参数原理的基础上将样本空间按照数据分布情况进行 分段回归,以此减少算法运行时间。首 先通过蚁群算法优化各个支持向量机参数,然后通过分段回归得到传感器完整的特性,曲线 拟合精度为99.97%。此算法克服了传统 支持向量机回归算法中局部最优解的问题,具有较好的全局收敛效果。 相似文献
9.
一种提高支持向量机针对低维向量分类精度的新方法 总被引:1,自引:0,他引:1
本文提出一种支持向量机的全局优化训练算法,形成一种新的分类器,以解决传统的支持向量机在对低维样本点分类时产生的精度下降问题。首先对支持向量机原理,以及以SVM—light为代表的经黄SVM训练算法进行分析,发现支持向量机的训练在本质上都归结为具有不等式约束条件的二次规划问题。本文直接根据支持向量机的最优分类超平面,将其化为无约束条件的求解函数极值问题。然后采用全局优化算法-禁忌搜索算法得到函数的极值点。通过两类高斯样本点分类实验和人脸图像识别的多类分类试验,证明使用支持向量机的全局优化训练算法,在样本点特征向量维数较低的情况下,比使用传统的支持向量机训练算法分类具有更高的分类准确率。 相似文献
10.
11.
针对支持向量机(svM)模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机(AL_SVM)方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。 相似文献
12.
Combined with contexts and SVM,a service recommendation method based on context-embedded support vector machine (SRM-CESVM) was proposed.Firstly,according to the different contexts,the user rating matrix was modified to make it with embedded contexts.Secondly,the rating vectors with embedded contexts were used as service feature vectors to construct training set,meanwhile the dimension of service feature vector were not increased by the introduction of contexts.Thirdly,a separation hyperplane for active user was acquired based on training set using SVM,and then the SVM prediction model was built.Finally,the distances between the feature vector points representing the active users' unused services and the hyperplane were calculated.Considering the distances and the recommendation of similar users,the service list was recommended.The experimental results further demonstrate that the proposed method has better recommendation accuracy under different rating matrix densities and can reduce recommendation time. 相似文献
13.
14.
Danny Roobaert 《The Journal of VLSI Signal Processing》2002,32(1-2):147-156
We propose a very simple learning algorithm, DirectSVM, for constructing support vector machine classifiers. This new algorithm is based on the proposition that the two closest training points of opposite class in a training set are support vectors, on condition that the training points in the set are linearly independent. The latter condition is always satisfied for soft-margin support vector machines with quadratic penalties. Other support vectors are found using the following conjecture: the training point that maximally violate the current hyperplane is also a support vector. We show that DirectSVM converges to a maximal margin hyperplane in M – 2 iterations, if the number of support vectors is M. DirectSVM is evaluated empirically on a number of standard databases. Performance-wise, the algorithm generalizes similarly as other implementations. Speed-wise, the proposed method is faster than a standard quadratic programming approach, while it has the potential to be competitive with current state-of-the-art SVM implementations. 相似文献
15.
一种基于类融合向量的支持向量机及其在语音识别系统中的应用 总被引:1,自引:0,他引:1
支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果. 相似文献
16.
17.
针对标准支持向量机(SVM)识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能. 相似文献
18.
基于最小二乘支持向量机的短期负荷预测模型 总被引:2,自引:0,他引:2
支持向量机(SVM)是近年来发展起来的机器学习的新方法,它较好地解决了小样本、非线性、高维数、局部极小点等实际问题。研究了支持向量机的拓展算法——最小二乘支持向量机(LSSVM),并将其应用于电力系统短期负荷时间序列预测。通过实例并与神经网络模型预测结果相比较表明,LSSVM模型的预测精度要明显高于神经网络模型,验证了LSS-VM模型可以很好地应用于短期负荷时间序列预测,并且具有较高的准确性与有效性,这为短期负荷预测提供了一个新的解决思路。 相似文献