基于改进粒子群优化算法和CRNN的多类SVM分类

为了提高支持向量机(SVM)在多类分类中的分类效果,提出了一种基于改进粒子群优化(IMPSO)算法和协作式递归神经网络(CRNN)的多类SVM分类方法(IMPSO_CRNN_SVM算法).首先引入自适应惯性权重及自适应粒子变异,以此改进粒子群优化算法(PSO)在优化SVM参数过程中存在的容易陷入局部最优和早熟等问题; 然后基于多类SVM设计一个CRNN,并利用随机分配的训练集对该网络进行训练并构建最终决策函数,从而实现多类数据的“一次性”分类.最后利用3种数据集和实际应用对IMPSO_CRNN_SVM算法进行验证,结果表明IMPSO_CRNN_SVM算法的分类精度优于未进行参数优化的传统SVM算法、基本PSO 进行SVM参数优化的算法和未进行PSO参数优化的基于CRNN的多类支持向量机算法,因此IMPSO_CRNN_SVM算法具有一定的实用性.     

基于自适应卷积核的改进CNN数值型数据分类算法

针对卷积神经网络(Convolutional neural network,CNN)模型在对工业数值型数据分类方面存在特征使用不充分、模型分类性能不佳等问题,提出了一种基于自适应卷积核的改进CNN(Improved CNN based on adaptive convolution kernel, ACK-ICNN)算法。该算法为了增加特征的重复使用率,构建了一种多尺度卷积核的模型结构,通过融合处理卷积核提取的不同特征来实现,增强了模型的适应能力;为了进一步提升该算法的性能,利用网格搜索算法自适应选取CNN中最优的卷积核大小,使得模型能够提取出最优的特征。采用TE过程的故障数据对其进行测试,并与支持向量机、极限学习机、最近邻等典型的数据驱动方法进行对比,测试结果表明,该算法能有效提升各类故障的分类精度。     

基于CNN、SVM和迁移学习的轮胎花纹分类

轮胎花纹图像分类在交通事故及刑侦破案取证中具有重要的作用。为了准确地分类轮胎花纹图像,提出了一种基于卷积神经网络(convelutional neural network,CNN)、支持向量机(support vector machine,SVM)和迁移学习的轮胎花纹分类算法。首先对辅助数据库ImageNet进行CNN训练得到初始CNN模型;其次,基于迁移学习思想,利用轮胎花纹图像数据库对初始CNN模型的分类层进行微调训练,得到用于轮胎花纹图像分类的CNN模型;最后,从所得CNN模型的第二个全连接层提取输出的4 096维特征,用该特征对轮胎花纹图像进行基于SVM的图像分类。使用轮胎花纹图像数据库进行分类实验,结果表明,提出算法的分类精度达到93.1%。说明提出算法能够提高轮胎花纹图像的分类准确率。     

一种用于多分类问题的改进支持向量机

针对非均衡分布的多类分类问题,为提高支持向量机(SVM)算法的性能,提出了一种改进的SVM算法. 将遗传算法(GA)与传统SVM算法结合,构造出一种参数最优的进化SVM(GA-SVM), SVM模型采用径向基函数(RBF)作为核函数,利用格雷码编码方式对SVM算法的模型参数进行遗传编码和优化搜索,将搜索到的优化结果作为SVM的最终模型参数. 在两个不同特性的数据集上进行仿真测试,结果表明,与使用交叉验证策略的简单SVM相比,改进后的GA-SVM算法在多类非均衡问题上明显提高了分类正确率,学习速度也有提高.     

基于GA优化SVM的干制红枣品种分类方法

基于遗传算法(GA)优化支持向量机(SVM)分类模型能够显著改善传统SVM的分类精度。以山东大枣、新疆灰枣、新郑大枣以及稷山板枣4类品种的干制红枣为研究对象,首先采用简单线性迭代聚类算法(SLIC)对预处理后的红枣图像进行分割处理;接着针对每类红枣,提取了其6个颜色特征和20个不同角度的纹理特征等26个参数;最后将以上参数输入基于GA优化的SVM分类模型(GA-SVM)。实验结果表明:与传统SVM算法相比,GA-SVM算法对红枣的分类准确率提升了20. 00%。     

PSO-SVM模型的构建与应用

为了使支持向量机(SVM)获得更好的分类效果,针对人为选择参数的随机性,提出了利用粒子群算法(PSO)进行参数自动选取的优化方法,构建了PSO-SVM模型.在个人信用评估中,通过对粒子适应度函数的设置来控制造成较大损失的第二类误判,应用结果表明:模型在训练和测试样本中的分类精度可以达到95%,第二类误判率分别仅为0.78%和2.02%.利用PSO对SVM中的参数进行优化,可以避免人为选择的随机性,并且在解决分类问题中表现出较好的稳健性.     

基于多尺度CNN特征的国画图像分类算法

为了捕获国画图像的局部表现手法而实现风格分类,提出一种基于多尺度卷积神经网络(Convolutional Neural Network, CNN)特征的国画图像分类算法。该算法先对AlexNet网络模型进行改进,得到精简AlexNet网络模型以降低网络深度与参数规模。然后采用非对称空间分块方法对训练样本进行数据扩充,训练具有特征提取能力的CNN网络模型,以提取国画图像的多尺度CNN特征。最后,采用前向搜索选择方法对多尺度CNN特征进行选择降维,再结合支持向量机(Support Vector Machine, SVM)分类器实现国画图像自动分类。对比实验结果表明,多尺度CNN特征较之全局CNN特征分类精度提高了2.12%,且所提算法在分类精度方面均高于其他图像分类方法。     

基于卷积神经网络和PCA的低分辨率人脸识别

针对真实场景下采集的人脸图像受环境、设备影响导致分辨率低且图像识别率较低的问题,应用深度学习技术,提出一种基于卷积神经网络(CNN)和主成分分析(PCA)的低分辨率人脸识别算法.首先利用图像超分辨率重构将低分辨率图像重建为高分辨率图像;其次利用CNN提取重建后人脸图像特征,对损失函数进行优化;再利用PCA对特征进行降维,得到更优的分类特征;最后利用支持向量机(SVM)、向量间距离等算法筛选出最优人脸分类并计算准确率.实验表明,该算法在LFW和FERET上均取得更好的识别效果,当人脸图像分辨率下降到8×8时,准确率仍能到达94.5％,优于其他算法并且降低了运算时间.     

基于组合核函数的高校经济困难生分类

为进一步提高高校资助工作的精准度,构建基于组合核函数的支持向量机(SVM)高校经济困难生分类模型。根据在校生的消费数据、人员信息及历史资助信息抽取样本特征,利用径向基(RBF)核函数的局部拟合能力及多项式核函数的泛化能力,构建基于RBF核函数及多项式核函数的组合核函数SVM分类模型;采用多重网格搜索法训练模型获取最优核参数和组合核函数的权系数,并对高校经济困难生进行分类预测。实验结果表明:采用构建的模型可对高校经济困难生进行分类预测,与单核核函数SVM、逻辑回归模型、最近邻算法(KNN)相比,其分类准确率显著提升;使用融合特征可增加不同类别样本数据的差异性,有助于提高分类准确率。     

SVM算法的区间自适应PSO优化及其应用

核(Kernel)参数选取对支持向量机的推广能力和泛化能力有至关重要的作用,尤其是在对大量数据进行识别分类时,需要占用计算机大量内存,SVM参数优化速度明显缓慢,从而影响了整个系统性能.针对此问题,笔者提出一种区间自适应粒子群算法来优化SVM参数,粒子根据实际情况动态平衡其全局搜索与局部搜索能力,提高了参数优化速度.在入侵检测系统的应用中,与蚁群算法、遗传算法优化SVM参数的结果进行比较.实验证明:此方法分类精度提高约9.7%,响应时间缩短约40.6%～56.5%,具有较大的优势.     

LMD支持向量机电机轴承故障诊断研究

针对支持向量机(SVM)对处理大样本数据和多分类问题以及核函数选择的局限性,提出LMD支持向量机电机轴承故障诊断方法。首先应用局域均值分解(LMD)算法对信号进行自适应分解,得到一系列PF分量,并利用相关分析剔除虚假分量,提取真实PF分量能量组成特征向量;其次应用新的核函数对SVM进行改进,实现自适应的训练,并针对大样本数据和多分类问题采用‘一对多’的方法;最后以特征向量作为改进SVM的训练样本和测试样本,对电机轴承故障信息进行训练,预测。实验验证,该方法能有效的对电机轴承故障进行自适应的诊断。     

多电机多包传输分布式控制系统故障检测优化策略

为同时提升故障检测的故障灵敏度和噪声鲁棒性,针对具有双通道多包传输的短时变时延多电机分布式控制系统,提出了一种基于改进自适应混沌果蝇优化算法的传感器故障检测观测器优化设计方法。首先将双通道多包传输转化为切换系统,短时变时延视为一种系统不确定性。然后将观测器残差信号对噪声信号和故障信号的传递函数比值作为适应度函数,通过改进自适应混沌果蝇优化算法对适应度函数进行优化得到最优观测器增益矩阵。最后将方法在分布式控制系统半物理平台上进行仿真验证,结果显示相比于传统的鲁棒故障检测方法来说,提出的优化方法能够同时抑制噪声信号和放大故障信号,从而提高了故障诊断的正确率,降低了虚警率。     

基于BERT-CNN的城轨列控车载设备故障分类

针对基于通信的城市轨道交通列车控制系统车载设备故障排查困难，故障维修日志由于信息零散、语义模糊及归类混乱等导致的传统文本分布式表示与浅层机器学习算法分类精度低等问题，提出一种基于焦点损失函数BERT-CNN(bidirectional encoder representations from transformers-convolutional neural network)的故障分类方法，建立故障处理及结论、故障现象的关系模型．利用预训练好的BERT模型微调获取故障现象的词向量，充分捕捉融合了上下文的双向语义并关注重点词汇；利用卷积神经网络（convolutional neural network, CNN）进行训练，改进损失函数以缓解数据类别不平衡引起的性能下降问题．通过对某车载信号工区数据进行实验，对比基于交叉熵损失函数的BERT-CNN、单一BERT模型与word2vec-CNN(word to vector-CNN)方法，基于焦点损失函数BERT-CNN方法在分类指标上最优，对某些样本数量少的类别能够更精准分类．研究结果有助于建立更完善的智能运维故障案例库．     

基于GWO-SVM的石化旋转机械轴承故障诊断

针对传统的无量纲指标在不同故障之间存在数据重叠，导致故障诊断准确率低的问题，提出了一种基于互无量纲指标和灰狼算法优化支持向量机(GWO-SVM)的故障识别模型。利用灰狼算法强大的全局搜索能力，对支持向量机关键参数惩罚因子和核函数参数进行寻优，并采用广东省石化装备故障诊断重点实验室多级离心风机轴承数据进行验证。实验证明:GWO-SVM能精确地对轴承故障类型进行分类，同时GWO-SVM相对于单纯的SVM模型和遗传算法优化SVM模型具有更短的算法运行时间和更高准确率，平均准确率高达90%。     

基于粒子群优化算法的高阶累积量滤波器

基于高阶累积量(HOC)的自适应滤波器能够滤除高斯噪声或其它具有对称概率分布函数的噪声，其解法一般采用的是梯度搜索法，但是梯度搜索过程难以避免局部收敛而且计算复杂.粒子群优化算法(PSO)具有算法简洁，易于实现，且不需要梯度信息等优势.使用粒子群优化算法求解高阶累积量自适应滤波器系数优化问题，为滤波器参数的优化提供了一种新的思路.仿真结果表明，使用PSO优化算法求解自适应滤波器系数能获得更高的精度.同时PSO算法受系统跃变的影响较小，因此它在求解非平稳过程模型系统时具有一定的优势.     

云计算环境下基于SVM的数据分类

为了提高数据的分类效率和准确度,利用云计算提供的弹性集群平台来解决计算力伸缩性瓶颈,并用MapReduce编程模型对SVM进行Map和Reduce并行化处理,并将基于优化理论的遗传算法（ GA）引入SVM分类算法中对分类器参数进行优化,以分类器的准确率作为GA算法适应度函数,找出全局最优的模型参数和核函数参数值。经开源云计算平台Hadoop实验验证,数据分类的准确度有了明显的提高,整个分类过程的加速度几近呈线性增加。     

一种基于SVM的快速特征选择方法

针对现有特征选择方法计算量大、速度慢的缺点,提出了一种基于SVM的快速特征选择算法。该算法使用SVM作为分类器,并利用粒子群优化算法进行搜索。通过利用SVM线性核与多项式核函数的特性,减少了在特征选择中训练分类器的次数,降低了计算复杂度。实验结果表明在不损失分类精度的情况下,能显著提高特征选择的速度。     

基于改进Adam优化器的CNN电镜医学图像分类

提出了一种基于改进自适应矩估计(adaptive moment estimation, Adam)算法优化器的卷积神经网络(convolutional neural networks, CNN)电子显微镜(电镜)医学图像分类方法。该方法根据卷积神经网络数据迭代的特点,采用具有下降趋势的幂指数学习率改进策略,通过添加修正因子,将上一阶段的梯度值与当前梯度值进行对比、调节,通过梯度值衰减来逐次更新学习率的大小,实现优化器学习率的自适应变化,改善CNN网络模型的收敛性能,实现医学电镜图像的分类。实验结果表明,相比经典的Adam优化器分类方法,改进方法能提高电镜医学图像分类算法的精度,最大分类精度可以到达92%,同时减小图像样本在分类时出现的迭代振荡、分类稳定性不足等现象。     

基于支持向量机(SVM)算法的加工机械故障分析

针对工业领域中加工机械故障数据集的复杂性和海量性,对经典支持向量机(SVM)算法进行深度优化,引入规范化超平面分割数据集,并求解最优解;选择高斯径向基函数作为算法模型核函数,改善算法的泛化性能;基于样本熵排列方式提取故障信号特征,在不可分空间内也可以实现对非线性数据集的精确分割.仿真结果与实例验证表明,优化SVM算法具有更强的数据集分类性能和故障分析与检测性能,实际应用效果良好.     

基于改进Pinball损失的支持向量机

支持向量机（SVM）能够利用少量的支持向量实现高精度分类,但模型受噪声数据影响大,为提高支持向量机模型的分类精度,在Pin-SVM的基础上,提出Epin-SVM。该模型利用指数型函数修改了Pinball损失函数,使用损失函数的思想构造支持向量机模型以提高模型分类精度。在UCI数据集上进行实验,实验结果表明改进后的模型分类精度相较于Pin-SVM提升2%左右,证明Epin-SVM能够有效地提高模型的分类精度。