一种基于马氏距离的支持向量快速提取算法

针对用支持向量机解决分类问题，提出了一种采用样本到某一类的马氏距离来提取可能为支持向量的数据的方法，同时阐明了如何解决在输入空间和特征空问中求马氏距离所遇到的问题．利用特征值、特征矢量及伪逆运算的并行计算方法，建立了一种提取支持向量的快速算法．用该方法对训练数据进行预处理后，可以加快支持向量机的训练速度．实验结果也表明了该方法的有效性．     

一种基于多支持向量机分类器的并行学习算法

为了在并行计算系统中应用支持向量机,提出一种基于多支持向量机分类器的并行学习算法.分析了w-model算法的不足,并在训练过程中采用循环式反馈更新各支持向量机分类器以避免样本的分布状态对各分类器性能的影响,提高各分类器的训练精度.学习过程以平均分类精度为阈值,对部分分类器重新训练,实现对多分类器学习系统性能的全局优化.在UCI标准测试数据集上进行的实验结果表明,循环式反馈能有效地平衡多分类器学习性能相差过大的问题,算法较w-model具有更高的训练效率和分类效率.     

基于支持向量机的并行CT图像分割方法

提出了一种基于区域增长和支持向量机的自动并行CT图像分割方法.传统的种子生长方法速度较快,但难于自动获得种子点;而单纯的支持向量机分割准确,但速度较慢.为了解决上述问题,本文将两种方法相结合:首先,训练支持向量机用于分类;然后用支持向量机判断种子点并使用曲率流滤波器进行降噪以光滑图像边缘;最后使用阈值区域生长进行分割.在基于Torque的并行环境下进行的实验证明了本方法的分割效果和速度都优于传统方法.     

基于MTC结构的支持向量机并行训练算法 贾华丁1, 2,游志胜1,王磊2

摘要：为加快支持向量机的训练速度,提出一种新型的“多重三叉级联(MTC)”学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

基于MTC结构的支持向量机并行训练算法

为加快支持向量机的训练速度,提出一种新型的"多重三叉级联(MTC)"学习结构,具有反馈速度快、计算节点利用率高、反馈的支持向量多等优点。基于该结构设计了支持向量机的并行训练算法,并严格证明了新算法能够收敛到支持向量机的最优解。数值实验结果表明,新算法具有非常高的加速比和并行效率,需要的训练时间显著地少于Graf等提出的Cascade SVM算法。     

基于支持向量机的非特定人孤立数字语音识别

为了识别一组非特定人、不连续的数字语音信号,本文提出了一种基于支持向量机理论的语音信号识别算法．具体过程主要包括训练过程和识别过程．其中训练过程为：先使用预先建立起来的语音库对选定的支持向量机进行训练,得到一组与该语音信号相关的支持向量;在识别过程中,首先获取被测语音信号,并根据MFFC理论提取特征向量,然后使用训练后的支持向量机进行识别．此外,还提出使用短时区域能量谱的方法对语音信号进行端点检测．结果表明,与目前流行的隐马尔可夫算法比较,本文算法具有识别速度快、准确率高等优点．     

支持向量机分类器的快速样本选择法

当样本集很大时，训练支持向量机需要很大的内存空间和很长的CPU占用时间．为了减轻支持向量机训练过程中的计算负担，提出一种快速的改进算法，该算法只选择靠近最优超平面的样本．实验结果表明：当训练集很大时，训练时间及预处理的时间都得到了削减，同时，分类精度并没有损失．     

支持向量机大规模样本快速训练算法

普通的支持向量机算法在对大规模样本进行分类的时候有着较高的时间代价。随着训练样本数量的增多,支持向量机的训练速度问题将会越发明显,并且成为制约其实际应用的瓶颈。针对此问题提出了超椭球面方法,通过去掉噪声点、冗余点,并保留能明确体现样本在空间分布位置特征的样本点,以达到提高支持向量机对大规模样本训练速度的目的。实验表明,超椭球面法在最大限度保证识别正确率的前提下可以大幅加快支持向量机的训练速度。     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域．支持向量机是一种高效的分类识别方法，在解决高维模式识别问题中表现出许多特有的优势．但支持向量机本身是一个两类问题的判别方法。不能直接应用于多类问题．总结了当前常用的几种支持向量机多类分类算法。分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论，并给出了进一步的研究方向．     

边界偏转覆盖增量支持向量机

为了利用不断积累的网络样本提高故障诊断效能,针对标准支持向量机不直接支持增量学习的问题,提出一种边界偏转覆盖增量支持向量机. 根据违背Karush Kuhn Tucker条件的新增样本在特征空间中可引起原分类边界改变的情况,设计边界偏转覆盖算法预选支持向量再生区作为增量训练工作集,解决了难以确定的非支持向量向支持向量的转化问题. 理论分析和实验结果表明,该方法能有效简化训练工作集,在保证故障诊断精度的同时大幅度提高增量训练效率.     

Robustly stable model predictive control based on parallel support vector machines with linear kernel

Robustly stable multi-step-ahead model predictive control (MPC) based on parallel support vector machines (SVMs) with linear kernel was proposed. First, an analytical solution of optimal control laws of parallel SVMs based MPC was derived, and then the necessary and sufficient stability condition for MPC closed loop was given according to SVM model, and finally a method of judging the discrepancy between SVM model and the actual plant was presented, and consequently the constraint sets, which can guarantee that the stability condition is still robust for model/plant mismatch within some given bounds, were obtained by applying small-gain theorem. Simulation experiments show the proposed stability condition and robust constraint sets can provide a convenient way of adjusting controller parameters to ensure a closed-loop with larger stable margin.     

基于大规模数据的支撑矢量机的训练和分类

支撑矢量机是一种基于统计学习理论的、新颖且有强的泛化性能的学习方法，可看作是一种训练多项式神经网络或径向基函数分类器的新方法。支撑矢量机可用于模式识别、回归估计、求解线性算子方程等。介绍了支撑矢量机的分类机理，并针对大规模数据讨论其训练和分类中存在的问题及典型的解决方法。     

基于SVMs的大幅遥感影像目标快速检测方法

针对高分辨率遥感影像数据幅度大、内容复杂的现状，提出了基于分层分类器的检测方法。从简化分类器的结构和缩减检测区域探讨了提高系统效率的途径。实验表明，这种新的搜索策略提高了大幅遥感影像目标检测的效率。     

使用SVMs进行汉语浅层分析

提出了基于support vector machines（SVMs）的汉语浅层分析方法,并且为描述整个层次短语结构定义了10种汉语组块类型. 与其他机器学习方法相比,该方法能自动选择对浅层分析有用特征,并能选择出有效的特征组合,较以前的研究可反映识别方向、特征模板、核函数、多分类方法及其组合对基于SVMs的汉语浅层分析性能的影响. 在开放语料Chinese TreeBank 上, Precision、 Recall和 FB1平均达到了95.36％、97.30％和96.32％.     

基于支持向量机和遗传算法的水下目标特征选择算法

基于统计学习理论和遗传算法理论，提出了一种基于支持向量机和遗传算法相结合的水下目标特征选择算法。通过对实测数据的特征集的优化选择实验，证明了该算法的有效性和鲁棒性，它能较好地解决在复杂水下目标信号所提取的特征维数高，样本采样困难，数目偏少的实际情况下的分类识别问题。     

异常检测中支持向量机最优模型选择方法

为了构建一个具有良好的学习性能和推广能力的异常检测分类器,在结构风险最小(SRM)原则下讨论了基于支持向量机(SVM)的异常检测分类器的设计准则,提出了SVM分类器模型及其参数快速选择和评估方法,并给出了异常检测分类器训练步骤.针对KDD'99网络入侵检测数据集,实验结果表明,该方法能够有效地缩短入侵检测分类模型建立时...     

基于支持向量机的网页多类分类技术

基于支持向量机的网页分类技术是数据挖掘中一个研究热点领域.支持向量机是一种高效的分类识别方法,在解决高维模式识别问题中表现出许多特有的优势,但支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题.总结了当前常用的几种支持向量机多类分类算法,分别从训练速度、测试速度、分类精度三方面对这些分类方法进行了讨论,并给出了进一步的研究方向.     

基于GST和多级SVMs的PQDs分类方法研究

提出一种新方法--基于广义s变换(GST)和多级支持向量机(SVMs)分类器的电能质量扰动(PQDs)分类方法．首先,引入GST提取典型PQDs特征的向量集．然后,针对电压暂降、暂升、瞬态、振荡暂态、陷波‘、尖峰、谐波、间谐波及闪变九种典型扰动构造特征集合,用于训练多级SVMs分类器．最后,使用SVMs分类器对500个PQDs测试样本进行识别,在SVMs中电能质量的N种扰动是由～一1分类器分类的．结果袁明：该方法可以有效地对PQDs检测和分类尤其分类器在训练速度和正确率方面性能突出．     

回归型模糊最小二乘支持向量机

为了克服最小二乘支持向量机对于孤立点过分敏感的问题,将模糊隶属度概念引入最小二乘支持向量机中,提出了基于支持向量域描述的模糊最小二乘支持向量回归机.该方法先对样本进行数据域描述得到一个包含该组数据的最小半径的超球,再根据特征空间中样本与超球球心的距离确定它们的隶属度,减少了奇异点(噪声)的影响;把所要求解的约束凸二次优化问题转化为正定线性方程组,并采用快速Cholesky分解的方法求解该方程组.实验结果表明该方法在不牺牲训练速度的前提下,比支持向量机和最小二乘支持向量机具有更高的预测精度.     

基于支持向量机的伺服机构舵反馈电压异常诊断方法

提出了一种基于支持向量机（support vector machine,SVM）的伺服机构舵反馈电压异常诊断方法。通过对测量数据进行经验模态分解（empirical mode decomposition,EMD）,获得各固有模态分量（intrinsic mode functions,IMF）,并将其作为特征提取出来,然后构造多类支持向量分类机进行训练与故障模式识别。仿真分析证明,该方法能有效地应用于伺服机构舵反馈电压异常诊断。