基于支持向量域数据描述的快速学习算法

支持向量域数据描述(SVDD)是一种单值分类算法,用于将目标样本与其他非目标样本区分开来.本文引入数学中曲率的概念,根据分类边界线附近支持向量曲率的大小来对训练集进行约减;提出了一种约减型的支持向量域数据描述快速训练算法FSVDD,该算法与传统SVDD相比减少了训练时所需的支持向量数目,因而训练时间极大减少,同时分类性能几乎不受大的影响,该算法在大规模训练样本学习中具有现实意义.     

基于快速可拒识-双层支持向量分类器的微钙化点的检测算法

为克服微钙化点检测中假阳性高的缺点，本文构造了一种带拒识能力的双层支持向量模型分类器用于钙化点检测。对于输入模式，首先利用基于最大间隔超平面的支持向量分类器（SVM）进行分类判决；然后对真实的钙化点样本特征空间求取最小包含球形的边界，得到钙化点样本的球形支持向量域表示（SVDD），对于输入模式即可利用钙化点的支持向量域表示进行拒识或接受处理；最后利用SVM与SVDD两个分类器的结果进行综合判决。无论是第一层的求取最优分类超平面，还是第二层的边界优化训练，都根据各个训练数据的类间最近邻距离进行排序操作，选择合适的训练样本子空间进行SVM和SVDD训练。仿真实验结果表明，本文提出的算法在不影响微钙化点检出率的情况下，可以部分解决钙化点检测中假阳性高的问题。     

基于LD-SVDD的数据分类方法研究

针对工业过程中数据维数高,导致SVDD算法在建立不同类别数据的超球面时会产生混叠区域的问题,提出了基于近邻密度-支持向量数据描述(LD-SVDD)的数据分类方法。结合局部密度信息在判别数据相似性和SVDD在数据分类的优势,使用SVDD算法对数据进行分类,对分布在混叠区域中的样本采用密度信息进一步判断其类别,通过随机产生的数据集进行仿真,并与SVDD分类结果进行比较,结果表明LD-SVDD的分类准确率提高到了93%。     

基于球面正则化的支持向量描述视觉异常检测

异常检测作为视觉领域中一项独特而关键的任务,在医疗、安保等领域具有广泛的前景。 异常检测目前受限于大规模 异常数据标注,因此现有方法集中在单类分类和弱监督学习,深度支持向量描述(Deep SVDD)是实现单类分类的常见方法。 然 而,传统 Deep SVDD 在开展异常检测时往往面临球体崩塌。 针对这一问题,提出了基于球面正则化的 SVDD 异常检测算法,通 过引入软间隔损失与支持向量的思想,优化模型学习流程。 进一步地,面向可标注样本,提出了基于 SVDD 的弱监督异常检测 方法。 在公开数据集 MNIST 和 CIFAR-10 上进行消融和对比实验,实验证明,相比于有监督算法,在 MNIST 数据集上,SR-WSVDD 的性能提高了 3. 7% ,而在 CIFAR-10 数据集上则提高了 16. 7% 。 此外,与其他弱监督算法相比,SR-WSVDD 在 CIFAR- 10 数据集上提升了 1. 8% 。 所提出的 SR-SVDD 异常检测算法,弥补 Deep SVDD 容易发生球体崩塌的缺陷,使模型异常检测结 果更加准确。     

基于PSO优化的LS-SVM的混沌时间序列预测

在非线性混沌动力学的发展中,混沌时间序列预测已成为一个非常重要的研究方向。最小二乘支持向量机（LS-SVM）是标准支持向量机的再形成形式,包含了分类、回归、预测等多种算法。微粒群优化（PSO）是当今智能寻优算法中较为简单快速的算法。运用PSO算法可以很好地解决LS—SVM的参数优化问题。针对以上问题。提出了基于PSO优化的LS—SVM预测方法。并对混沌时间序列预测进行了仿真。仿真结果证明了该算法的有效性。     

基于动态支持向量数据描述的故障诊断研究

在传统的支持向量数据描述算法中所使用的训练样本往往比较有限,所形成的目标样本区域边界的精确度往往不够,同时SVDD算法在进行实时检测时要处理大量样本数据运算量较大。基于此提出动态支持向量数据描述的故障诊断方法。该方法是支持向量数据描述算法的改进型,将测得的目标样本与支持向量集一起形成新的训练样本重新训练分类器,随着被测样本数的增加而不断更新目标样本区域。这样可以减小优化规模,提高故障诊断的效率和准确度。     

基于改进FOA优化的SVM在故障诊断中的应用

针对支持向量机(SVM)的分类性能受本身参数选择影响较大的问题,提出了基于改进果蝇优化算法(LFOA)的SVM参数优化方法。给出了基于改进果蝇算法的SVM参数优化步骤,并用标准数据集进行了仿真实验,验证了算法在收敛速度和收敛精度上均好于其他几种方法。以滚动轴承为实验对象,应用LFOA-SVM进行了常见故障的诊断,与FOA、GA和PSO等方法相比,LFOA算法改善了SVM的分类性能,提高了故障诊断准确率,可有效应用于故障诊断。     

改进蝙蝠算法优化支持向量机的故障诊断方法

提出了一种基于变分模态分解（VMD）和时移多尺度散布熵（TSMDE）的故障特征提取结合改进的蝙蝠算法（IBA）来优化支持向量机（SVM）的滚动轴承故障诊断方法。通过变分模态分解,避免了模式混叠问题,提取各模态分量的散布熵构造故障特征向量,作为故障诊断模型的输入;提出了一种新的自适应速度权重因子用于构建改进的蝙蝠算法以优化支持向量机（IBA-SVM）,实现了对不同故障类型的轴承进行分类;利用实验数据对提出的诊断方法进行验证,并与用粒子群算法（PSO）优化支持向量机（PSO-SVM）的诊断方法进行对比。结果表明所提出的方法分类准确率更高,用时更少。     

基于支持向量机的计算机蠕虫病毒检测方法

为防止计算机蠕虫病毒造成的巨大破坏,以计算机性能参数作为原始数据训练集,利用支持向量机分类器进行数据挖掘,建立了网络蠕虫病毒检测模型,在蠕虫大规模侵染网络之前发起网络预警,减小了蠕虫爆发引起的损失.在模拟计算机的常用网络结构下,通过采样主机不同工作状态下的系统特征计数器形成训练数据集,在进行特征提取后,利用支持向量机分类器实现了判决规则的产生和分类决策,并在模拟搭建的局域网络上进行了验证测试.测试结果表明,检测模型对未知网络蠕虫有很高的判决准确率,说明了基于支持向量机(SVM)分类算法的检测方法适合小样本的分类判决,并有着很强的实用性.     

基于果蝇优化算法-小波支持向量数据描述的滚动轴承性能退化评估

针对支持向量数据描述(SVDD)算法对滚动轴承早期故障不敏感、参数选择困难的问题,提出了一种基于果蝇优化算法-小波支持向量数据描述(FOA-WSVDD)的滚动轴承性能退化评估方法。提取滚动轴承早期无故障振动信号的时域、时频域特征向量,并基于单调性进行特征选择;针对现有核函数对滚动轴承早期故障不敏感问题,将小波核函数引入到SVDD算法中;针对SVDD算法参数选择困难的问题,以支持向量个数与总样本数的比值作为适应度函数,采用改进的FOA算法对其核参数进行优化,建立FOA-WSVDD评估模型;最后,将轴承后期振动数据的特征向量输入到该WSVDD模型中,得到轴承的性能退化指标。试验结果表明,采用所提方法能准确地对轴承早期故障作出预警,与基于高斯核函数的SVDD算法相比,提前了17h。     

支持向量机在锅炉汽包水位预测中的应用研究

汽包水位预测的准确性对于锅炉火力发电和供暖设备的安全运行,起着重要的作用。针对汽包水位时滞、非线性特性,在统计学习理论(SLT)和结构风险最小化(ERM)准则基础上,建立了基于支持向量机(SVM)理论的汽包水位预测模型。采用本单位供暖锅炉的实际汽包水位数据,按照不同的汽包水位日属性和历史汽包水位数据进行了样本选择,并将该预测结果同实际汽包水位进行了比较;根据供暖规模不同,分别建立了工作日和双休日预测模型。实验结果表明,所提出的预测方法具有较高的精度。     

基于支持向量机的产品编号识别

为了提高仓库管理系统的性能,将支持向量机用于产品编号的模式识别。采用基于投影法的图像处理算法提取编号数字;对倾斜的数字进行矫正,并对提取的数字进行归一化;构造支持向量机分类器对归一化的数字进行识别;通过对一组数字样本的测试,分析了支持向量机参数与分类器的识别率的关系。测试结果表明,支持向量机分类器可以在小样本的情况下获得较高的识别率。     

基于EMD和支持向量数据描述的故障智能诊断

针对数据维数过高导致的支持向量数据描述的分类结果不理想的问题,提出了一种基于经验模式分解特征提取和支持向量数据描述的故障智能诊断方法,将提取实测信号经经验模式分解后的各基本模式分量的能量作为信号特征,进行支持向量数据描述分类器的训练和分类。滚动轴承故障智能诊断实例表明,该方法可以有效提取信号的故障特征,降低数据维数,提高单值分类在故障智能诊断中的准确性。     

基于WSVM的软测量算法应用研究

为了克服污水处理过程中随机干扰严重影响软测量效果的不足,基于支持向量机(SVM)核方法和小波多分辨率理论,提出了一种多分辨率小波核支持向量机的机器学习方法,并应用于对污水处理过程水质参数的软测量中.利用支持向量回归机与参数特性混合建模,实现了对BOD浓度与COD浓度的在线软测量.仿真结果表明:应用该软测量技术能较好地克...     

基于小波支持向量机的陀螺随机漂移预测模型研究

通过小波变换抑制各种干扰噪声,预处理后的陀螺漂移数据采用支持向量机的方法建立陀螺漂移预测模型。试验得到的陀螺漂移数据对提出的模型进行验证。结果表明,相对于独立的支持向量机模型（SVM）和径向基神经网络模型（RBF）,提出模型得到的陀螺随机漂移预测精度更高。     

基于SVM的船舶动力定位系统预测控制

支持向量机(SVM)是基于统计学习理论的新一代机器学习技术。基于预测控制思想,利用支持向量机回归进行非线性系统辨识,并将支持向量机模型应用到船舶动力定位(DP)预测控制,提出一种基于支持向量机的非线性系统预测控制策略。仿真实验表明,支持向量机在小样本情况下具有良好的非线性建模能力和泛化能力,预测控制效果良好。     

基于人工蜂群支持向量机的电动汽车制动意图识别方法

在电动汽车再生制动系统中,根据驾驶员不同的制动意图制定对应的再生制动控制策略可以有效地提高汽车的制动安全性、舒适性和经济性,而准确并快速识别驾驶员制动意图是制定控制策略的基础。以准确并快速识别驾驶员的制动意图为主要目标,以搭载线控制动系统的电动汽车为研究对象,设计并实现了一种基于人工蜂群支持向量机（ABC-SVM）的驾驶员制动意图在线识别方法。首先对制动数据进行预处理,用近邻成分分析（NCA）特征选择算法选取有效特征,再用ABC-SVM算法建立制动意图识别模型,最后进行在线识别。离线验证和在线试验结果表明,NCA算法能有效筛选掉信号噪声导致的不相关特征;相比于模糊推理、反向传播（BP）算法、粒子群优化支持向量机（PSO-SVM）和遗传算法支持向量机（GA-SVM）识别算法,ABC-SVM算法能够更加准确、快速地识别驾驶员的制动意图。