模糊邻域风险最小化算法

1引言 由Vapnik等[1]提出的支持向量机(SupportVector Machines,简记为SVM)是一种基于统计学习和结构风险最小化原理的新型学习机器.SVM作为一种新型神经网络,将待解决的问题转化为一个二次规划问题,从而克服了传统神经网络的隐层节点选择难和可能陷入的局部极小化问题.目前,SVM已被广泛地应用于模式识别[2]、回归估计[3]和各类金融时间序列预测问题[4]中.     

基于SVM的房贷信用评估的应用研究

信贷风险是金融机构风险主要来源.支持向量机(SVM)在解决两类问题上是一种较好的分类方法,其学习模型有较强的稳定性.对SVM在房贷信用评估应用中的问题进行了研究和解决,如核函数选取,参数选取,样本非均衡问题等.实验得出在实际应用中径向基模型较好,采用Grid-search方法调整参数,能达到更好的推广能力和预测结果,用分别惩罚支持向量机能有效解决样本非均衡问题.试验结果也证明了基于SVM的房贷信用评估方法优于原有的打分方法.     

一种改进的多类支持向量机超光谱图像分类方法

支持向量机(SVM)是建立在统计学理论基础上的一种机器学习方法,用于解决二类分类问题,如何有效地将其推广到多类分类问题是一个正在研究的课题.总结了现有的主要的支持向量机多类分类算法,并在1-a-1 SVM分类算法基础上提出一种二次分类的方法.改良了惩罚因子,提高了不易分的类别之间的可分程度.通过对超光谱图像进行分类实验,结果表明该方法具有较高的分类精度.     

基于双重预测模型的非线性时间序列预测

在支持向量机( SVM)预测问题中,为了减小错误参数选取对预测结果的影响,提出了1种基于双重预测模型的非线性时间序列预测算法.该算法在充分考虑支持向量机参数对推广能力影响的基础上,分别利用自回归预测模型(AR)、自回归滑动平均模型( ARMA)、线性回归和决策树模型对SVM参数进行预测,将预测参数运用到SVM预测模型中...     

Gaussian核SVM在抗噪语音识别中的应用

为提高机器学习的推广能力,解决语音识别系统在噪声环境中识别率变差等问题,采用改进的MFCC语音特征参数,用Gaussian核支持向量机(SVM)作为语音识别网络,对SVM多类分类问题采用"一对一"分类算法,实现了一个汉语孤立词非特定人中等词汇量的抗噪语音识别系统.通过实验,分析了Gaussian核参数y和误差惩罚参数C对SVM推广能力的影响.实验结果表明,当工作在不同信噪比情况下,使用最优参数的Gaussion核SVM的识别率比使用RBF神经网络有较大的提高,训练时间能大为缩减,鲁棒性也较好.     

RNA二级结构预测的支持向量机模型研究

RNA二级结构预测问题是生物信息学的一个研究重点,本文主要利用支持向量机(SVM)模型来研究RNA 二级结构预测问题.通过改进NSSEL标签[4],形成了能表示平面伪结结构的E-NSSEL标签,该标签作为SVM模型输出端的类别标识,因此,测试序列经过SVM模型预测后得到相应的E-NSSEL序列,该序列可以恢复为二级结构.此算法能有效地解决传统算法中存在的时间复杂性的问题和长链分子的预测问题.     

一种新的多类模式识别支撑向量机

两类支撑向量机(SVM)用于模式识别具有最优的推广能力.对于常见的多类识别问题,需要构造多类SVM.本文提出一种新的基于决策树的构造方法,由此构成的多类SVM(DTSVM),与现有的方法相比,具有更快的计算速度,适用于需处理样本数较多的识别问题.     

Where Does the Time Go in Software DSMs?—Experiences with JIAJIA

1IntroductionSoftwaredistributedsharedmemory(DSM)system,orsharedvirtualmemory(SVM)system,providesanabstractionofsinglesharedspaceontopofthephysicallydistributedmemoriespresentedonnetworkofworkstations.Ithasbeenextensivelystudiedinthepastdecadesinceitcombinestheprogrammabilityofsharedmemorysystemsandscalabilityofdistributedsystems[1].However,theperformancegapbetweensoftwareDSMsystemsandmessagepajssingplatformsremainsexisting,whichpreventstheprevalenceofthesoftwareDSMsystemsgreatly.Ingenera…     

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.     

提高超大规模SVM训练计算速度的研究

近年来用支持向量机(Support Vector Machine)解决大样本问题的尝试日渐增多.限制SVM在大样本问题中应用的一个关键因素是SVM训练所引出的超大规模二次规划问题无法由标准的二次规划方法所解决.SMO算法(Sequential Minimal Optimization)是一种有发展前途的大规模SVM训练算法,我们用块算法的思想对其进行了改进,并称改进后的算法为分块SMO算法(CSMO).新算法对于带有小支持向量集的超大样本问题在速度方面具有明显的优势.