基于改进的蛙跳算法与支持向量机的实用语音情感识别

支持向量机是一种基于统计学习理论的新型机器学习算法,在高维特征空间中寻找最优分类超平面,具有很好的分类精度和泛化性能。支持向量机的训练需要求解一个带约束的二次规划问题,针对数据规模很大情况下经典训练方法变得很困难的缺点,提出一种基于改进混合蛙跳算法的支持向量机分类器参数优化方法,既提高了混合蛙跳算法的收敛速度和精度,又能借助混合蛙跳算法的全局随机搜索能力,为支持向量机参数的优化选择提供一条有效途径。本文提取情感语句的韵律特征、音质特征和混沌特征参数,提出一种基于改进蛙跳算法的数据融合方法,并利用基于改进蛙跳算法的支持向量机进行实用语音情感的识别研究。在实验中比较了PCA方法、BP神经网络和数据融合方法用于语音情感识别的识别率,研究结果表明本文所提的各项改进机制能有效提升情感识别率,为实用语音情感的识别提供一种新方法和新思路。      

基于遗传算法的支持向量机分类算法

针对现有部分支持向量机在多类分类过程中存在的数据不均衡性、对算法结构依赖性强的问题,提出一种新的基于遗传算法的支持向量机多类分类算法。以遗传算法中的交叉作为支持向量机中类的选择,以变异改善分类过程中的纠错能力,以适应度函数作为最优分类结果的确定。在不同特性的样本集上进行仿真测试,结果证明,该算法在类数较多的情况下,有更好的数据均衡性,在分类速度及准确度上均有一定的优越性。     

数字化变电站继电保护装置故障智能检测识别方法研究

为了提升变电站的数字化水平、提高故障的识别精度,文中对继电保护装置故障的智能检测算法进行了研究,并设计了一种基于灰色关联分析的堆栈编码器网络(GRA-SAE)。该网络以自动编码器为基本单元,可实现数据的自动化特征提取。通过支持向量机(SVM)对提取的特征进行分类识别,并引入灰色关联分析法优化了传统SAE算法中隐藏节点的结构,从而提升了算法的拟合能力。在自建数据集上进行的仿真结果表明,相较于SAE-SVM算法,该算法对异常数据与线路故障的识别精度分别提升了4%和10.27%,证明了GRA-SAE-SVM算法在复杂分类场景下具有更显著的优势。     

基于模糊聚类与改进遗传算法的异常电力工程数据识别技术

针对传统人工核查电力工程异常数据存在耗时费力及准确度较低的问题,文中提出了一种基于模糊聚类与改进遗传算法的数据识别技术。该技术采用模糊聚类算法对数据进行自动归类,并对异常数据加以识别。同时还设计了一种改进遗传算法增强了数据的全局搜索能力,进而提升整体算法的识别效率。基于Matlab进行的仿真验证结果表明,所提技术方案可有效地自动识别出电力工程中的异常数据。而在结合改进遗传算法后,该算法的识别准确率得到了显著提升,且识别时间也缩短了60%以上,实现了数据搜索能力与效率的平衡。     

基于多分类器集成的区块链网络层异常流量检测方法

为提升对区块链网络层混合型攻击流量的综合泛化特征感知能力,增强异常流量检测性能,提出一种具有支持异常数据综合判决机制和强泛化能力的基于多分类器集成的区块链网络层异常流量检测方法。首先,为扩大所用基分类器的输入特征子集差异度,提出基于区分度和冗余信息量特征子集选择算法,特征筛选过程中激励高区分度子集项输出,同时抑制冗余信息生成。其次,在Bagging集成算法中引入随机方差缩减梯度算法动态调整各基模型投票权重,提升对混合型攻击流量的检测泛化能力。最后,为了将集成算法输出的低维数值向量向高维空间映射,提出基于数据场概念的局部离群因子算法,并基于数据点间势差放大各样本数据点空间密度分布差异性,提升异常数据点检测召回率。实验结果表明,相较于单一分类检测器集成方法,所提方法的异常检测准确率、召回率分别平均提升1.57%、2.71%。     

基于人工鱼群算法和LS_SVM的变压器故障诊断

针对变压器故障数据的特征信息不确定性以及传统诊断方法准确率较低的问题,文中采用人工鱼群算法和最小二乘支持向量机相结合的方法来进行变压器故障诊断。将IECTC10数据库中的DGA特征气体比值作为输入,建立基于最小二乘支持向量机的变压器故障诊断模型,并运用人工鱼群算法对最小二乘支持向量机的参数进行优化选取。然后根据诊断结果,选出分类效果最佳的多比值特征参量组合。实验验证结果显示,文中所提出的诊断方法准确率可达96.67%,拥有更高的故障诊断正确率。     

基于RFE+CatBoost模型的异常用电检测方法研究

针对传统电力检测领域中异常用电检测模型需要调节大量超参数导致异常用电检测效率低下,以及模型选取特征不能充分反映实际用电情况导致分类精度不高的问题,提出一种基于RFE+CatBoost模型的异常用电检测方法.较传统的异常用电检测方法而言,CatBoost算法降低了模型检测对于超参数的依赖.以用户用电数据作为研究对象,结合RFE算法分析用户在用电表现上的不同特征,采用分类预测算法对异常用电行为进行进一步研究,最后通过云南某地用户用电数据集进行验证,与其他用电异常检测模型进行对比,实验证明所提模型具有很好的检测能力,对于提升企业用电异常检测效率、指导用户更好地用电具有重要意义.     

使用粒子群算法进行特征选择及对支持向量机参数的优化

特征选取和参数设置是提升支持向量机分类器的效果的两个主要手段.为了将两者结合起来,实现同步优化,以达到更好的分类效果,设计了一种基于粒子群算法的分类器优化算法.新算法对粒子采用2进制编码的,设计适合的目标函数,同步进行特征选择和支持向量机参数的优化.经过对比验证,新方法能够更加准确的得到待分类数据的特征子集跟支持向量机参数,最终得到更优的处理结果.     

Boosting算法在入侵检测中的应用

将一种基于支持向量机的Boosting算法应用于入侵检测,并通过KDD’99数据的仿真实验将它与单一的支持向量机分类器进行比较,结果表明Boosting算法比单一的支持向量机分类器具有更好的检测效果。     

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。     

一种快速的在线SVM多用户检测算法

基于传统支持向量机的多用户检测算法运算量大、耗时久,无法满足实时性要求。该文提出了一种快速的在线支持向量机多用户检测算法。该算法利用KKT条件判别实时增加的训练序列并构造当前训练样本集,从而能够有效地减少训练样本大小,加快训练速度。仿真实验表明,该算法在不影响分类效果的情况下大大加快了训练速度,且用于分类的支持向量较少,同时性能与传统支持向量机算法相当且明显优于MMSE(RLS)多用户检测器。     

蚁群优化算法优化支持向量机的视频分类

针对当前支持向量机支持优化的参数无法获得高精度的体育视频分类结果的难题,为了提高体育视频分类正确率,提出基于蚁群优化算法优化支持向量机的体育视频分类方法。首先采集体育视频,并提取体育视频分类的多个特征;然后采用主成分分析算法对体育视频分类特征进行处理,作为支持向量机的输入,体育视频类别作为支持向量机的输出,建立体育视频分类模型,并采用蚁群优化算法对支持向量机进行优化;最后采用多个体育视频数据进行分类仿真实验,结果表明,蚁群优化算法优化支持向量机的体育视频分类正确率高于90%,降低了体育视频分类错误,体育视频分类效果明显优于当前其他类型的体育视频分类方法,而且体育视频分类效率得到有效的改善。     

基于单分类支持向量机和主动学习的网络异常检测研究

对基于支持向量机和主动学习的异常检测方法进行了研究,首先利用原始数据采用无监督方式建立单分类支持向量机模型,然后结合主动学习找出对提高异常检测性能最有价值的样本进行人工标记,利用标记数据和无标记数据以半监督方式对基于单分类支持向量机的异常检测模型进行扩展。实验结果表明,所提方法能够利用少量标记数据获取性能提升,并能够通过主动学习减小人工标记代价,更适用于实际网络环境。     

一种信息系统安全的自适应监测与评估方法

针对网络入侵的特征,提出一种基于SVM支持向量机的入侵危险识别模型。利用支持向量机SVM模型,混合人工蜂群HABC优化的方式,克服算法中存在早熟收敛和局部极小的问题。通过该模型实现对网络入侵信息系统自适应识别出攻击效果,有效得到网络入侵的信息系统风险评估。验证结果表明,HABC优化的SVM模型比传统危险入侵识别模型的准确度更高,收敛速度快,泛化能力增强,说明了该方法的可行性、有效性。     

基于改进支持向量机的推荐系统托攻击检测方法

使用具有较好泛化能力的支持向量机算法建立推荐系统托攻击检测模型,由于在传统支持向量机算法中,用来控制错误识别样本惩罚度的惩罚因子的具体参数以及不敏感损失参数的具体参数由使用者决策,并在较大程度上决定支持向量机的性能。标准PSO算法的收敛性能基本取决于学习算子和惯性系数等重要参数的选取。标准PSO算法前期收敛速度很快,后期则比较缓慢,粒子群趋同性造成算法后期容易陷入局部最小值,即进入早熟。因此,使用混沌优化算法与PSO算法共同完成对传统支持向量机算法的优化。最后使用Movie Lense100K数据集进行实例分析,从检测结果对比可以看出,填充率越高,检测准确率越高,研究的改进支持向量机具有最优的检测性能,能够帮助推荐系统防范托攻击,以得到较精准的用户评分数据。     

基于SVM算法的分类器设计

介绍了支持向量机算法的基本思想、数据分类的概念,分析了传统支持向量机算法的一般特性。用Libsvm工具箱实现了基于SVM算法的分类器设计,并用公共数据库中的数据集对设计的分类器进行了测试,重点针对训练样本的选择、参数的影响选择与优化问题进行了研究。实验结果表明,在应用支持向量机算法做数据分类时,选择合适的训练样本和参数有利于提高分类器的准确度。     

基于粒子群优化的SVM供水管道泄漏诊断方法

供水管道泄漏会造成水资源浪费和经济损失,传统支持向量机泄漏诊断模型中存在参数选择不确定的问题,导致其分类结果不稳定。提出将粒子群进化算法应用于泄漏诊断支持向量机模型中的参数优化选择,利用粒子群群体智能优化搜索从全局迅速地迭代出合理的支持向量机的惩罚参数以及核参数,使建立的PSO-SVM管道泄漏诊断模型达到最优。实验测试表明,通过结合粒子群算法全局搜索收敛速度快的优点,有效地解决了支持向量机模型中两个重要参数优化选择的问题,提升了支持向量机分类的准确率和效率。     

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MPSO-SVM的硫化橡胶及助剂的太赫兹光谱分类识别

为了加强硫化橡胶及其助剂的检测分析,对外表、气味或者特性相似的橡胶及其助剂准确分类,将改进的粒子群优化支持向量机的建模方法引入到太赫兹光谱的定性分析中。结果表明,针对不同的数据集,本研究算法最低的综合分类正确率为81.25%;相较于传统粒子群优化的支持向量机算法,本算法在识别时间上也有所提高,时间耗费整体小于9.40s。该方法针对不同数据集可以稳定、准确地分类,为硫化橡胶及其助剂的定性分析提供了新的研究思路。     

基于蚁群支持向量机的模拟电路故障诊断

针对人为选择支持向量机参数的随机性和盲目性,将蚁群算法的全局收敛和并行计算的特点引入到支持向量机参数的优化中,建立了基于蚁群算法优化支持向量机参数的模型,使两种算法的优点有机结合,通过对支持向量机的惩罚因子和核函数参数进行优化,使支持向量机分类效果达到最好,并与遗传支持向量机模型比较,结果表明:蚁群算法优化支持向量机参...