基于代价敏感思想和自适应增强集成的SVM多分类算法

针对数据识别分类在传统的支持向量机(SVM)个体分类器上正确识别率不理想的问题，提出一种基于代价敏感思想(cost-sensitive)和自适应增强(AdaBoost)的SVM集成数据分类算法(CAB-SVM)。在自适应增强算法每次迭代训练SVM弱分类器之前，根据样本总数设置初始样本权值，并抽取样本组成临时训练集训练SVM弱分类器。其中在权重迭代更新阶段，赋予被分错样本更高的误分代价，使得被分错样本权重增加更快，有效地减少了算法迭代次数。同时，算法迭代过程极大地优化了个体分类器的识别鲁棒性能，使得提出的CAB-SVM算法获得了更优越的数据分类性能。利用UCI数据样本集的实验结果表明CAB-SVM分类算法的正确识别率高于SVM和SVME算法。     

数据实时通信与可视化系统的设计与实现

为了将冗杂的工业数据用逻辑化的图形展现出来,该文提出了一种基于HTML5与WebSocket数据实时通信的可视化系统。首先提出的可视化系统是在C#控制台程序的基础上建立WebSocket全双工通信通道,继而借助此通道实现了SQL Server数据库与浏览器的实时数据交互,最后将实时数据发送给Echarts进行绘制和渲染。在漏水监测的项目中应用此可视化系统的结果分析可知,所采用的WebSocket实时通信技术相比于传统通信技术具有更高的稳定性、数据交互实时性,且能有效地减小带宽、节省服务器资源等;所设计数据可视化系统能直观地反映采集的工业数据特性,可视化效果好,实用性强。