一种改进的支持向量分类方法及其应用

提出了一种改进的支持向量分类方法——NN-SVM-KNN。用最近邻((NN)对训练集进行修剪,用支持向量机(SVM)进行分类,同时在分类过程中,判断待识样本是否落在间隔之外,若是直接用SVM分类,否则,用所有的支持向量作为训练集,进行K近邻分类。并把这种方法应用到个人信用评估中,和其它信用评估方法比较,得到了比较好的结果。     

基于支持向量机的水质评估模型研究

针对水质评估因子的模糊性和非线性特征,且水质样本小类(如高污染水质类)因样本量少而容易导致误分的问题,深入研究了支持向量机(SVM)这一善于解决非线性问题的智能模型,设计了一种多宽度复合高斯核的支持向量机模型。该模型通过多个复合高斯核扩大和控制核函数宽度,以此扩大样本间欧氏距离与差异,以解决小类的误分问题。运用MATLAB平台对2017年全国98个重点断面水质周报数据进行算法对比实验,结果证实多宽度核评估模型较好地提升了SVM的分类精度,对水质分类问题是可行有效的,对其他小样本分类问题也有一定的借鉴作用。     

基于蚁群算法的支持向量机参数选择方法研究

研究支持向量参数选择优化问题,常用的支持向量机参数优化算法和遗传算法分别存在耗时长和易陷入局部最优值的缺陷,导致支持向量机的分类精度低.为了解决支持向量机参数优化问题,提出了基于蚁群算法的SVM分类器泛化方法.蚁群算法是一种优化搜索方法,具有较强的鲁棒性、优良的分布式计算机制,SVM参数的选取看作参数的组合优化,建立组...     

基于支持向量机的船舶阻力近似模型

为检验支持向量机（Support Vector Machine,SVM）理论构建船舶阻力近似模型的可行性,以国际标准船舶模型KCS为研究对象,采用均匀试验设计方法在船型参数空间内选取样本点;用SHIPFLOW对样本点进行数值模拟,产生样本集;利用SVM理论建立船舶总阻力的近似模型,并与神经网络建立的近似模型进行对比.结果表明SVM近似模型具有较好的预测精度和可推广能力.     

基于SVM的苯酚浓度半监督软测量方法

基于SVM的监督学习方法一般是通过采用标记样本去训练SVM回归模型,从而得到支持向量,且只有这些支持向量对模型的估计才有贡献。然而在实际应用中,通过取样分析获得的标记样本一般数量较少,且难以覆盖整个样本空间,所以训练出来的SVM回归模型的支持向量也不够完整,影响模型的估计精度和泛化能力。针对该问题,本文利用未标记样本中信息较为丰富的可能支持向量,采用本文提出的判定准则和标记方法后用于SVM回归模型的学习,仿真结果表明,随着未标记样本中支持向量的增加,SVM回归模型的估计精度和泛化能力得到改善。     

基于支持向量机的冠心病辅助诊断研究

支持向量机(SVM)是在统计学习理论基础上发展而来的一种新的通用学习方法,较好地解决了有限样本的学习分类问题。用支持向量机的分类算法,选取不同的核函数,构造了支持向量机的不同分类器,并将其应用于冠心病的预测诊断。仿真结果表明,非线性的支持向量机取得了较高的准确率,支持向量机在早期冠心病的诊断中有很大的应用潜力。     

改进的支持向量机算法及其应用

支持向量机（SVM）算法应用于具有小样本特征的实际问题时是否能获得到良好的预测效果,取决于能否成功地设置该算法的关键参数,这一瓶颈问题一直阻碍着SVM在具有小样本特性的实际工程中的应用。在分析SVM回归估计方法参数性能的基础上,提出了以自适应粒子群算法（APSO）优化SVM关键参数的改进SVM算法,并以变电工程为背景给出了相应的工程造价预测模型。运用此模型,对某实际变电工程实例进行了造价预测仿真分析,并与传统的支持向量机算法进行比较,结果说明改进的支持向量机算法具有良好的变电工程造价预测精度,且速度较快。     

基于支持向量机的电容式压力传感器建模方法

将支持向量机(SVM)引入传感器建模研究中,这里,SVM作为校正误差的一个逆模型.SVM有效地解决了小样本学习问题,因此,该方法对试验数据无特殊要求.最后,电容式压力传感器(CPS)建模试验结果证明了该方法的可行性和高效性.     

计算机辅助诊断疾病的支持向量机方法研究

研究了人工智能辅助诊断的支持向量机模型,构造了支持向量机疾病确诊模型,设计了症状规范化、从识别域可信度知识规则到SVM分类器训练数值样本的转移方法、样本预处理、SVM模型构造、训练、确诊的过程及方法,以羊为例开展模型和专家的对比实验.实验数据表明,SVM方法能获得85%以上的诊断正确率,具备较好诊断效果.     

结合Tri-training半监督学习和凸壳向量的SVM主动学习算法*

为解决监督学习过程中难以获得大量带有类标记样本且样本数据标记代价较高的问题,结合主动学习和半监督学习方法,提出基于Tri-training半监督学习和凸壳向量的SVM主动学习算法.通过计算样本集的壳向量,选择最有可能成为支持向量的壳向量进行标记.为解决以往主动学习算法在选择最富有信息量的样本标记后,不再进一步利用未标记样本的问题,将Tri-training半监督学习方法引入SVM主动学习过程,选择类标记置信度高的未标记样本加入训练样本集,利用未标记样本集中有利于学习器的信息.在UCI数据集上的实验表明,文中算法在标记样本较少时获得分类准确率较高和泛化性能较好的SVM分类器,降低SVM训练学习的样本标记代价.     

基于PAC-Bayes边界理论的SVM模型选择方法

PAC-Bayes边界理论融合了贝叶斯定理和随机分类器的结构风险最小化原理,它作为一个理论框架,能有效评价机器学习算法的泛化性能。针对支持向量机（SVM）模型选择问题,通过分析PAC-Bayes边界理论框架及其在SVM上的应用,将PAC-Bayes边界理论与基于交叉验证的网格搜索法相结合,提出一种基于PAC-Bayes边界的SVM模型选择方法（PBB-GS）,实现快速优选SVM的惩罚系数和核函数参数。UCI数据集的实验结果表明该方法优选出的参数能使SVM具有较高的泛化性能,并具有简便快速、参数选择准确的优点,能有效改善SVM模型选择问题。     

SVM在数据挖掘中的应用

随着数据库系统使用的普及，数据库的规模也越来越大，如何从海量数据库中挖掘出有用的信息以供企事业单位使用，已经越来越引起人们的兴趣。支持向量机（SVM）是在统计学习理论的基础上发展起来的一种新的机器学习方法，它基于结构风险最小化原则，能有效地解决过学习问题，具有良好的推广性能和较好的分类精确性。该文首先介绍统计学习理论和支持向量机的概念，然后进一步论述了SVM在数据挖掘中的应用。     

基于支持向量机的商业银行信用风险评估

支持向量机(SupportVectorMachine,简称SVM)是在经验风险最小化原理上发展出的一种新的机器学习技术,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势。论文首先详细介绍了支持向量机的线性和非线性分类算法,然后将支持向量机非线性分类器应用于银行信用风险的评估中,最后分析对比了选用不同核函数和参数的实验结果。     

基于GA的ε-支持向量机参数优化研究

ε-支持向量机（ε-Support Vector regression Machine,SVM）是一种非常有前景的学习机器,它的回归算法已经成功应用到解决非线性函数的逼近问题。但ε-SVM参数的选择大多数是依靠经验选取,这不仅依赖于计算者的水平,还不能获得最佳函数逼近效果,很大程度上限制了该算法的发展。提出了基于遗传算法的ε-SVM参数选择方法。将该方法应用于测试函数,表明预测精度高,具有一定的推广意义。     

基于粗集和SVM的客户抵押贷款违约评估

信贷风险是金融机构风险的主要来源。支持向量机是基于VC维和统计学习理论理念的一种新的机器学习方法。它在解决两类问题时是一种较好的分类方法,同时学习结果模型有较强的稳定性。在实际应用中,采用Grid-search方法调整支持向量机的惩罚参数,达到了更好的推广能力和预测结果。采用粗集对数据集进行预处理,属性约简,删除了多余的属性,然后再用支持向量机进行分类建立了住房抵押贷款信用风险评估模型,并与其他算法进行了比较,取得了良好的分类效果。     

基于遗传算法的SVM带权特征和模型参数优化

建立在统计学习理论和结构风险最小原则上的支持向量机(SVM)在理论上保证了模型的最大泛化能力,因此将支持向量机理论应用于入侵检测领域可以获得很好的效果.但是在应用中也存在如何对网络数据进行特征编码和选择适当的支持向量机模型参数的问题.在分析了特征编码和模型参数对分类器识别精度的影响基础上,提出用遗传算法建立支持向量机带权特征和分类器模型参数的自适应优化算法,并在网络入侵检测中成功的运用算法.最后,使用KDD CUP 1999数据进行的仿真实验表明了算法的正确有效性.     

支持向量机回归的参数选择方法

综合4种支持向量机回归的参数选择方法的优点,提出一种对训练样本进行分析并直接确定参数的方法。在标准测试数据集上的试验证明,该方法与传统网格搜索法相比,在时间和预测精度方面取得了更好的结果,可以较好地解决支持向量机在实际应用中参数难以选择、消耗时间长的问题。     

基于克隆选择的差分进化算法及其在SVM中的应用

支持向量机参数是影响其性能的重要因素,但对支持向量机核参数的选取仍没有形成一套成熟的理论,从而严重影响了其广泛的应用。将克隆选择算法引入差分进化算法,对基本克隆选择算法和差分进化算法中的策略进行改进。将两种改进的算法进行融合,提出了一种基于克隆选择的差分进化算法,并将其应用于SVM核参数的优化中。测试结果表明,该算法不仅可以有效避免差分进化算法易早熟收敛的问题,而且寻优能力得到显著提高;在UCI数据库wine数据中的应用表明,利用克隆选择差分进化算法优化SVM核参数加快了参数搜索的速度,提高了SVM预测精度和泛化能力,具有较高的分类准确率和较好的推广性能。     

支持向量机在丁二酸发酵过程建模中的应用

支持向量机是一种新的机器学习算法,它采用结构风险最小化准则,能有效提高模型的泛化能力.本文针对生物转化法生产丁二酸发酵过程机理复杂、高度非线性、生物参数难以实时在线测量等特点,介绍了支持向量机回归建模算法在Matlab软件中的实现过程,对产物丁二酸浓度建立了预测模型,研究了SVM的小样本学习、泛化能力.仿真结果表明,与神经网络相比,SVM算法具有更好的推广能力,使得在未来工业化丁二酸发酵生产过程中针对丁二酸浓度的在线预估与优化控制成为可能.