基于最佳样本标记的主动支持向量机学习策略

支持向量机通过随机选择标记的训练样本进行有监督学习,随着信息容量的增加和数据收集能力的提高,这需要耗费大量的标记工作量,给实际应用带来不少困难.本文提出了基于最佳样本标记的主动支持向量机学习策略:首先利用无监督聚类选择一个小规模的样本集进行标记,然后训练该标记样本集得到一个初始SVM分类器,然后利用该分类器主动选择最感兴趣的无标记样本进行标记,逐渐增加标记样本的数量,并在此基础上更新分类器,反复进行直到得到最佳性能的分类器.实验结果表明在基本不影响分类精度的情况下,主动学习选择的标记样本数量大大低于随机选择的标记样本数量,这大大降低了标记的工作量,而且训练速度同样有所提高.     

基于大数据技术的网络流量分析与异常检测

文中基于大数据技术，研究了基于支持向量机的网络流量分析与异常检测方法。首先，对网络流量数据进行预处理，如清洗、集成和转换等，以获取适合支持向量机分析的特征向量表示。然后，应用支持向量机分析技术对网络流量进行异常检测，通过构建超平面实现对正常样本和异常样本的分类。最后，利用NSL-KDD数据集进行实验验证，并评估该方法在网络流量异常检测中的性能。实验结果表明，基于支持向量机的网络流量异常检测方法在NSL-KDD数据集上取得了较好的准确率、召回率和精确率。     

基于模糊核聚类和主动学习的异常检测方法

针对日志数据的异常检测获取标记数据代价过高的问题,提出一种基于模糊核聚类与主动学习的算法,即KFCM-AL算法。首先将日志解析,之后利用模糊核聚类算法将待选样本在高维空间进行划分聚类,滤去样本冗余点,同时选取聚类中心进行标记构建初始分类器,最后结合主动学习利用较小的标记代价对异常检测模型进行优化。实验结果表明,所提方法能够利用较少的标记样本获取异常检测模型的性能提升。     

基于主动标记支持向量机和太赫兹光谱的转基因物质检测方法研究

为克服传统支持向量机需要事先对训练样本进行 人为标记的缺点,提出了一种主动训练 支持向量机模型。利用仿射传播聚类算法对未标记样本进行聚类分析,在迭代过程中 不断更新现 有支持向量机的训练数据,从而不仅可以减少人为标记样本所带来的误差,还能够最大限度 地提高模型的识 别准确率。本文以转基因棉花的太赫兹光谱数据为研究对象对该模型进行了验证,实验结果 表明,本文 提出的方法对总待测样品的种类的识别率为95.56%,较其他三种方法 有较少的误判和更高的识别率。 基于仿射传播聚类的支持向量机较传统支持向量机有更高的识别率和更低的误判率,为转基 因物质的检测提供了一种快速,无损的新方法。     

基于一类支持向量机的盲元检测方法

利用无监督学习的一类支持向量机（One Class Support Vector Machine,OCSVM）和随机场景图像序列,构造滚动更新的像元分类模型,实现红外焦平面盲元的在线检测。根据正常像元和异常像元数量和灰度特征的差异,以随机图像序列作为输入数据,使用OCSVM建立单一类别的像元分类模型,灰度变化的像元归为一类,其他像元不属于此类。由于随机图像序列的滚动更新,OCSVM模型及支持向量也随之更新。统计支持向量的频次,高频次支持向量对应的像元聚为一类,即为异常像元。以320256中波红外图像序列为例,说明了OCSVM模型进行盲元检测的过程,检测结果与黑体定标的结果一致。基于随机场景和OCSVM模型的盲元检测方法摆脱了定标黑体的约束,提高了盲元检测的灵活性。     

基于pinball损失的结构模糊孪生支持向量机

孪生支持向量机通过求解较小的二次规划问题,提高了分类器的性能,然而,该方法主要利用了类间可分的特性,并使用hinge损失函数构建相应的模型,它们并未充分考虑不同类中数据的结构信息以及不同样本对分类的影响,导致该方法对噪声具有较强的敏感性以及重取样的不稳定性.为了进一步提高孪生支持向量机的性能,基于pinball损失函数,将数据集中不同类的结构信息以及不同样本的作用引入到孪生支持向量机中,获得了基于pinball损失的结构模糊孪生支持向量机模型,从理论上导出了基于pinball损失的结构模糊孪生支持向量机算法pin-sftsvm,通过选取人工生成数据集与UCI标准数据集,对pin-sftsvm算法进行了实验,并与tbsvm、s-tsvm和pin-tsvm算法进行了性能比较,表明了提出算法的有效性.     

管道缺陷漏磁信号分类与识别方法的研究

为了提高管道漏磁检测缺陷识别的准确性和识别效率,引入支持向量机作为缺陷分类与识别的平台.利用ANSYS软件对具有不同长度、宽度和深度的多组缺陷模型进行缺陷漏磁场仿真,将仿真得到的漏磁场磁通密度数据保存在文本文件中,封装成符合LIBSVM支持向量机工具格式的训练数据,对支持向量机训练.使用训练后得到的支持向量机模型进行缺陷分类.实验结果表明,支持向量机分类性能良好,应用在漏磁检测缺陷分类中具有可行性.     

基于RSVM的异常入侵检测系统

首先介绍了支持向量机及Robust支持向量机的分类算法，提出了Robust支持向量机的入侵检测的模型；并利用研究入侵检测系统的MIT’s Lincoln实验室1998年收集DARPA BSM的数据集，对Robust支持向量机和普通的支持向量机的性能进行了比较。     

基于SVM能量模型的改进主动轮廓图像分割算法研究

为克服经典主动轮廓模型曲线内外区域能量定义在复杂目标与背景分布情况下的不足,本文将高效的支持向量机有监督学习分类器引入基于Mumford-shah模型的主动轮廓图像分割算法中,提出了基于SVM能量模型的改进主动轮廓图像分割方法.该方法首先利用支持向量机的分类结果对于封闭曲线的内外区域分别构造了一种新的图像能量表示方法,因为分割过程充分利用了有监督学习策略,使得本文提出的算法具有更高的稳定性和更加广泛的适用范围,特别是对目标灰度分布不均或存在多纹理的目标也可以得到较好的分割结果.分割时,首先利用SVM实现粗分割得到目标初始轮廓,然后利用改进的Mumford-shah主动轮廓模型进行精确分割,采用粗分割策略一方面可以大大提高分割速度,另一方面也可以提高了算法的自动化程度.对比实验结果表明本文提出的算法具有更大灵活性和更好的分割性能.     

基于自编码网络特征降维的轻量级入侵检测模型

基于支持向量机(SVM)的入侵检测方法受时间和空间复杂度约束,在高维特征空间计算时面临“维数灾害”的问题.为此,本文提出一种基于自编码网络的支持向量机入侵检测模型(AN-SVM).首先,该模型采用多层无监督的限制玻尔兹曼机(RBM)将高维、非线性的原始数据映射至低维空间,建立高维空间和低维空间的双向映射自编码网络结构,进而运用基于反向传播网络的自编码网络权值微调算法重构低维空间数据的最优高维表示,从而获得原始数据的相应最优低维表示;最后,采用SVM分类算法对所学习到的最优低维表示进行入侵识别.实验结果表明,AN-SVM模型降低了入侵检测模型中分类的训练时间和测试时间,并且分类效果优于传统算法,是一种可行且高效的轻量级入侵检测模型.     

基于随机下采样和SMOTE的不均衡SVM分类算法

传统的支持向量机（SVM）算法在数据不均衡的情况下,分类效果很不理想。为了提高SVM算法在不均衡数据集下的分类性能,提出随机下采样与SMOTE算法结合的不均衡分类方法。该方法首先利用随机下采样对多数类样本进行采样,去除样本中大量重叠的冗余样本,使得在减少数据的同时保留更多有用信息;而对少数类样本则是利用SMOTE算法进行过采样。实验部分将其应用在UCI数据集中并同其他采样算法比较,结果表明文中算法不但能有效提高SVM算法在不均衡数据中少数类的分类性能,而且总体分类性能也有所提高。     

基于L1范数稀疏距离测度学习的单类分类算法

 已有单类分类算法通常采用欧氏测度描述样本间相似关系,然而欧氏测度有时难以较好地反映一些数据集样本的内在分布结构,为此提出一种用于改善单类分类器描述性能的高维空间单类数据距离测度学习算法,与已有距离测度学习算法相比,该算法只需提供目标类数据,通过引入样本先验分布正则化项和L1范数惩罚的距离测度稀疏性约束,能有效解决高维空间小样本情况下的单类数据距离测度学习问题,并通过采用分块协调下降算法高效的解决距离测度学习的优化问题.学习得到的距离测度能容易地嵌入到单类分类器中,仿真实验结果表明采用学习得到的距离测度能有效改善单类分类器的描述性能,特别能够改善覆盖分类的描述能力,从而使得单类分类器具有更强的推广能力.     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

基于主动学习的支持向量机算法

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。     

基于D-S证据理论的网络表示融合方法

随着网络表示学习技术的发展,在网络结构信息的基础上,越来越多的研究者考虑融入额外辅助信息来提升网络表示效果.针对现有网络表示学习方法中对于多属性特征融合缺乏冲突判别与评价指标的问题,本文在已有研究基础上,提出一种基于D-S证据理论的网络表示融合方法.本方法首先通过SVM算法给出不同属性信息对融合表示结果的支持度,然后利用证据组合规则计算网络表示学习中的融合评价指标,并依据混淆矩阵考虑各类别在节点分类中的局部可信度.在3类数据集上的仿真实验表明：本方法对于检测网络表示融合中的冲突,提高表示融合效果具有一定的指导意义.     

基于混合核的PSO-SVM的L形天线谐振频率建模

人工神经网络进行建模时通常需要准备大量的数据样本,同时,网络结构一般都比较复杂;而采用支持向量机（SVM）进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,文中提出了一种基于粒子群优化（PSO）算法的新的SVM混合核函数,这种混合核函数是将局部核函数中的柯西核函数和全局核函数中的多项式核函数进行线性组合,且组合系数和各个核函数中的参数采用PSO算法来优化选取。采用UCI数据库中的wine-red数据集对该混合核函数进行了验证,仿真结果表明,该混合核函数可以提高模型的学习能力和泛化能力。最后,将基于混合核函数的PSO SVM方法用于L形微带天线谐振频率建模,进一步证明了这种方法是可行的和有效的。     

基于词向量的SVM集成学习社交网络抑郁倾向检测方法

目前抑郁症的诊断手段单一、诊断率低,为此,文章提出一种基于词向量的SVM集成学习社交网络抑郁倾向检测方法。人工标注和专家校验获得训练数据,使用词向量进行文本向量化。以SVM为基分类器进行Boosting集成学习。实验结果表明,文章提出的模型可以用于抑郁倾向的检测。     

基于集成支持向量机的故障诊断方法研究

为了提高支持向量机的泛化能力,研究了Bagging集成学习方法对于支持向量机的提升作用,试验结果表明提升作用不明显。通过模拟数据扰动的方法,在标准数据集上通过试验定量比较了支持向量机和神经网络的稳定性,结果表明支持向量机相对于神经网络来说是一种稳定的分类器。在此基础上,提出了双重扰动法,即通过子空间法扰动数据特征,通过Bagging算法扰动数据分布,来达到提高基分类器之间差异性的目的,在标准数据集和故障诊断数据上进行了试验,试验结果表明,双重扰动法较好地提升了支持向量机的正确识别率。     

Asymmetric Semi‐Supervised Boosting Scheme for Interactive Image Retrieval

Support vector machine (SVM) active learning plays a key role in the interactive content‐based image retrieval (CBIR) community. However, the regular SVM active learning is challenged by what we call “the small example problem” and “the asymmetric distribution problem.” This paper attempts to integrate the merits of semi‐supervised learning, ensemble learning, and active learning into the interactive CBIR. Concretely, unlabeled images are exploited to facilitate boosting by helping augment the diversity among base SVM classifiers, and then the learned ensemble model is used to identify the most informative images for active learning. In particular, a bias‐weighting mechanism is developed to guide the ensemble model to pay more attention on positive images than negative images. Experiments on 5000 Corel images show that the proposed method yields better retrieval performance by an amount of 0.16 in mean average precision compared to regular SVM active learning, which is more effective than some existing improved variants of SVM active learning.