一种基于球状分布的SVM核选择方法

核选择是支撑向量机(Support Vector Machine,SVM)研究中的核心问题之一。提出了一种基于数据分布特征的SVM核函数选择的方法。分析了几种常用核函数的性能,提出了判断数据呈球状分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性。数值实验说明了该方法的可行性与有效性。     

半定规划支持向量机模型的研究

支持向量机(support vector machines,SVM)的分类精度和泛化能力会受到核函数及其工作参数的影响,传统的核函数参数选择方法缺乏理论支持,花费的时间较多,效果也不一定理想。针对此问题,提出一种基于半定规划的SVM模型,利用半定规划来判别一组给定的核函数工作参数是否有效,并能用有效的核函数工作参数组合计算出更优的核矩阵,提高SVM模型的分类精度。在UCI数据集上的实验结果表明,用此方法判别核函数工作参数是可行的,所组合出的半定规划SVM模型的泛化能力优于传统的SVM模型,并且异构核半定规划SVM模型的泛化能力优于同构核半定规划SVM模型。     

一种快速的SVM最优核参数选择方法

支持向量机是一种基于核的学习方法,核函数及核参数的选择直接影响到SVM的泛化能力。传统的参数选择方法如网格搜索法,由于其计算量大,训练过程十分耗时,提出了一种新的快速选择最优核参数方法,该方法通过计算各类别在特征空间的可分性度量值来决定最优核参数,不需训练相应SVM分类模型,从而大大缩减了训练时间,提高了训练速度,且分类精度与传统方法相比,具有相当的竞争力。实验证明,该算法是可行有效的。     

组合核函数SVM在特定领域文本分类中的应用

面向特定领域文本分类的实际应用,存在大量样本相互掺杂的现象,使其无法线性表述,在SVM中引入核函数可以有效地解决非线性分类的问题,而选择不同的核函数可以构造不同的SVM,其识别性能也不同,因此,选择合适的核函数及其参数优化成为SVM的关键.本文基于单核核函数的性质,对多项式核函数与径向基核函数进行线性加权,构建具有良好的泛化能力与良好的学习能力的组合核函数.仿真实验结果表明,在选择正确参数的情况下,组合核函数SVM的宏平均准确率、宏平均召回率及宏平均综合分类率都明显优于线性核、多项式核与径向基核,而且能够兼顾准确率与召回率.     

基于CPSO的混合核函数SVM参数优化及应用

支持向量机(SVM)建模的拟合精度和泛化能力取决于相关参数的选取,目前SVM中的参数的寻优一般只针对惩罚系数和核参数,而混合核函数的引入,使SVM增加了一个可调参数.针对混合核函数SVM的多参数选择问题,提出利用具有较强全局搜索能力的混沌粒子群(CPSO)优化算法对混合核函数SVM建模过程中的重要参数进行优化调整,每一...     

SVM分类核函数及参数选择比较

支持向量机（SVM）被证实在分类领域性能良好,但其分类性能受到核函数及参数影响。讨论核函数及参数对SVM分类性能的影响,并运用交叉验证与网格搜索法进行参数优化选择,为SVM分类核函数及参数选择提供借鉴。     

Q-高斯核支持向量机的财务危机预报

针对科学实践、经济生活等诸多领域数据分布相对复杂的分类问题,使用传统支持向量机(SVM)无法很好地刻画其变量间的相关性,从而影响分类性能。对于这一情况,提出使用经典高斯函数的参数推广形式--Q-高斯函数作为SVM的核函数构建财务危机预警模型。结合沪深股市A股制造业上市公司的财务数据分别建立T-2和T-3财务预警模型进行实证分析,采用显著性检验筛选出合适的财务指标并利用交叉验证方法确定模型参数。相比高斯核SVM财务危机预警模型,使用Q-高斯核SVM建立的T-2和T-3模型的预报准确率都提高了大约3%,而且成本较高的第Ⅰ类错误最多降低了14.29%。     

基于多个混合核函数的SVM决策树算法设计

不同的核函数具有不同的特性,SVM决策树中每个子SVM面对的分类对象不同,选取的核函数及其参数也应该不同。通过调节混合核函数的参数形成不同的核函数,给出了一个用多个混合核函数训练SVM决策树的多类分类算法。仿真试验表明,该算法与只用一个核函数训练SVM决策树的算法相比,具有较高的分类精度。     

基于变异函数的径向基核函数参数估计

研究了支持向量机(support vector machine,SVM)方法在一定假设条件下,核函数取 为样本协方差函数时解的具体形式,得出了在该假设情况下SVM方法等价于克立格方法的结 论,提出了用协方差函数作为SVM核函数的思想.考虑到在某些情况下协方差函数可能不存 在,因此考虑用变异函数来代替协方差函数估计径向基核函数的宽度参数.这样不仅解决了 SVM中径向基核函数宽度参数的确定问题,而且把这种情况下的SVM拟合与概率统计学中的 克立格方法联系了起来,赋予了SVM方法新的统计上的意义.     

基于RBF核的SVM学习算法的优化计算

在SVM学习中,对SVM的核函数及其参数的选择还没有形成一个统一的模式。论文对基于RBF核的SVM分类器中参数(C,")的选定做了深入研究。分别探讨了网格搜索法和双线性搜索法以RBF为核的搜索特征,并对它们进行了改进。通过结合双线性搜索法和网格搜索法,提出了一种双线性网格搜索法。实验表明,双线性网格搜索法能有效地结合双线性搜索法训练量小和网格搜索法学习精度高的优点,提高学习精度和学习性能。     

一种基于GA和支持向量机的车牌字符识别方法

以高斯核为其核函数的支持向量机在实际应用中表现出优良的学习性能,被广泛应用于模式分类中。支持向量机的识别性能对参数的选取是敏感的,惩罚因子C和核函数参数σ对支持向量机性能会产生重要的影响。针对高斯核支持向量机在车牌字符识别问题中的应用,提出了一种基于遗传算法的参数选择方法。首先确定合适的遗传算法适应度函数,然后利用遗传算法对支持向量机的参数进行优化,最后在各个识别子网中分别采用参数优化后的支持向量机对车牌字符进行识别。实验结果表明,该方法取得了令人满意的识别率。     

基于最小二乘支持向量机的自适应逆扰动消除控制系统

研究一种基于最小二乘支持向量机的自适应逆扰动消除控制器的设计问题,给出了基于最小二乘支持向量机的建模和逆建模方法,以及贝叶斯证据框架下高斯核支持向量机估计算法的参数选择方法.仿真结果验证了该方法的有效性.     

基于几何判据的SVM参数快速选择方法

支持向量机中核函数及其参数的选择具有重要意义。提出一种基于高斯核函数的支持向量机参数对快速求取方法,根据支持向量之间的几何判据,结合线性搜索法完成参数寻优,具有简单、计算量小、易于实现的优点。实验结果表明,该方法较好地解决了高斯核函数参数在实际使用中不易确定的问题,且运算速度高于原有方法。     

基于改进LS-SVM的来波方位估计

提取已知方位信号的协方差矩阵的上三角部分作为样本特征,构建方位估计模型。针对最小二乘支持向量机最优参数难以选定的问题,采用实值编码的启发式遗传算法,以模型的来波方位估计性能为目标,实现基于高斯核函数的SVM参数优化,提高了来波方位估计精度。实验结果表明,该方法估计精度较高、实时性好,在无线电测向领域具有广阔应用前景。     

一种基于数据的核参数优化方法

SVM是一种基于核的学习方法,核及相关参数的选择对其性能有非常重要的影响,提出了一种数据依赖的最优核参数估计方法,通过角度切割样本集求解训练样本的近似凸包,以确定最优的核参数。实验结果表明,无论数据是否稠密,分布是否均匀,算法都可适用,该方法有较高的可行性与有效性。     

高斯核支持向量机分类和模型参数选择研究

支持向量机(SupportVectorMachine,SVM)是近几年发展起来的机器学习新方法,以高斯核为核函数的支持向量机在实际应用中表现出良好的学习性能,被广泛应用于模式分类中。论文研究了高斯核支持向量机分类在IRIS分类问题上的应用,并结合结构风险最小化原则分析了误差惩罚参数C和高斯核宽度σ对SVM性能的影响,最后通过数值实验进一步分析了这种影响。     

基于粒子群优化的高斯核函数聚类算法

针对视频帧数据在时间轴上的高斯分布特征,提出基于样本和高斯核相似性度量的聚类算法,采用度量方法考虑概率分布密度因素,同时利用改进的粒子群优化算法加速聚类过程。实验结果表明,与基于C均值聚类算法相比,该算法具有较强的全局搜索能力和聚类精度,在视频数据聚类分析中具有更高的效率和更佳的聚类效果。     

基于凸包估计的核参数选择方法

核及相关参数的选择是支撑向量机（support vector machine,SVM）研究中的核心问题之一.基于统计学习理论,提出一种通过角度切割样本集求解训练样本的近似凸包来进行最优核参数选择的方法.该方法可以克服传统的基于求解优化问题的方法所具有的计算复杂度高的缺点,且无论数据是否稠密,分布是否均匀都可适用.数值实验说明了提出的方法可行性与有效性.