一种支持向量机的动态自适应加权算法

针对现有回归型加权支持向量机直接选择加权系数法存在的不足,提出了一种对加权系数进行寻优的新方法——动态自适应加权算法.通过对权系数进行的自适应迭代调整,以确定其最优值,并进行了实验仿真.仿真结果表明：采用该方法确定的最优加权系数,可以对预测样本数据进行更准确的回归估计.     

基于边界支持向量的自适应增量支持向量机

该文提出一种基于边界支持向量的自适应增量支持向量机,对每轮训练的样本集提取其边界支持向量,从而减少训练向量数目,提高训练效率.通过自适应调整参数,可以更好地适应新增样本.采用UCI(University of California Irvine)机器学习数据库和Statlog数据库对本文方法进行验证,实验结果表明本文方法的训练时间优于标准支持向量机和一般增量支持向量机.其分类精度也明显优于一般增量支持向量机,在训练数据较少时,其分类精度与标准支持向量机相差不大,但随着训练数据的增加,分类精度逐渐超越标准支持向量机.该文的方法更适合大规模数据集的增量学习.     

多输出支持向量回归算法

支持向量机是一种基于统计学习理论的新颖的机器学习方法,由于其出色的学习性能。该技术已成为当前国际机器学习界的研究热点．这种方法已广泛用于解决分类和回归问题．在回归中。目前的研究和应用都限于单输出的情况,而实际中有很多属于多输出回归问题．针对这一点,将支持向量回归算法推广到多输出情况．仿真实例说明了该算法的可行性．     

多类支持向量机算法的研究

支持向量机(SVM)是建立在统计学习理论的基础上的一种小样本机器学习方法,它是针对二分类问题而提出的,如何将二分类问题有效地推广至多分类问题是支持向量机研究的重要内容之一.介绍了现有提出的一些支持向量机多分类的方法,并比较其优缺点,在模糊支持向量机的基础上提出具有去噪声的模糊支持向量机的多分类的方法.     

支持向量机的SMO算法及其自适应改进研究

提出在SMO算法上应用自适应学习的思想,并利用求解凸二次规划寻优问题的基础上进行改进的研究.研究表明,基于自适应学习的思想对SMO算法进行改进,可使SVM算法更能适应实际应用快速、高效的需求.     

一种新的支持向量机增量学习算法

提出一种新的支持向量机增量学习算法。分析了新样本加入训练集后，支持向量集的变化情况。基于分析结论提出新的学习算法。算法舍弃对最终结论无用的样本，使得学习对象的知识到了积累。实验结果表明本算法在保证分类准确度的同时，在增量学习问题上比传统的支持向量机有效。     

一种新型支持向量机

讨论了现有的用于分类的支持向量机(SVM)所确定的边界在抗干扰方面的局限性.在此基础之上提出了一种新型支持向量机,即基于边界调节的支持向量机,并利用K-T条件得到了这种支持向量机的对偶目标函数.通过对人工数据集和真实数据集的仿真实验表明,相对于L1-SVM而言,基于边界调节的支持向量机具有更少的支持向量和更好的推广性能.     

一种基于支持向量机的自适应虹膜定位算法

由于参数的限制和虹膜外边界两边低的对比度,使得Canny算子只能检测到位于某些频率段中的边缘,有时会漏掉一些比较模糊或者一些干扰较大的外边界.为了解决Canny算子进行虹膜定位过程中的鲁棒性问题,提出使用支持向量机(SVM)的自适应以改变Canny算子参数的方法.该算法通过傅立叶变换判断眼睛图像的质量,再使用SVM对眼睛图像分类,然后对于不同质量的眼睛图像采用不同参数的Canny算子检测边缘.实验结果表明该算法可以更加准确地检测到虹膜外边界,并有效地解决了虹膜定位中Canny算子的参数依赖问题.     

一种适用于信息检索的支持向量机

针对基于内容的信息检索中负样本抽样效率低的问题，设计了1．5类支持向量分类器．在训练过程中利用正样本对分类线建立初始模型，在保证总体泛化能力的基础上，用所能获得的负样本修正分类线，以提高其检测精度；通过对比标准序列最小优化方法，得到快速训练算法．在美国邮政数据库(USPS数据库)与麻省理工大学人脸数据库(CBCL数据库)上的实验结果表明，与传统的支持向量分类器相比，这种方法能取得更高的检测精度．     

一种支持向量集合的精简算法

由支持向量机算法得到的支持向量集合通常不是分类所必需的最小集合,冗余支持向量的存在降低了支持向量机的分类速度和实用化能力．为此,提出一种精简支持向量集合的新方法,给出了从原支持向量集合中识别和剔除冗余向量、生成新支持向量集合并确定其元素权值的算法．新方法尤其适用于样本规模大、支持向量数目多的分类问题．实验表明它能够在基本不降低支持向量机分类精度的前提下,大幅度地减少支持向量的数目,提高支持向量机的分类速度．     

Training Robust Support Vector Machine Based on a New Loss Function

To reduce the influences of outliers on support vector machine(SVM) classification problem,a new tangent loss function was constructed.Since the tangent loss function was not smooth in some interval,a smoothing function was used to approximate it in this interval.According to this loss function,the corresponding tangent SVM(TSVM) was got.The experimental results show that TSVM is less sensitive to outliers than SVM.So the proposed new loss function and TSVM are both effective.     

基于密度法的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点，提出了一种基于密度法的模糊支持向量机，在支持向量机中引入样本密度模糊参数，从而减弱了噪音以及孤立点对支持向量机分类的影响．实验结果证明，在抗击孤立点和噪音点的干扰方面，上述方法优于类中心向量方法以及类中心点距离方法，取得了很好的效果．这一方法大大提高了支持向量机分类的泛化能力，从而大大提高了支持向量机的应用范围．     

基于SVM的函数模拟

支持向量机在高维空间中表示复杂函数是一种有效的通用方法, 提出了采用基于支持向量机的非线性回归法求解函数模拟问题.     

蒸发蒸腾量支持向量机预测

分析了遥感月蒸发蒸腾量数据的动态变化趋势,把一维遥感月蒸发蒸腾量输入空间映射到高维输入空间,将蒸发蒸腾量时间序列重构为12维相空间,建立了基于支持向量机的蒸发蒸腾量预测模型。根据预测精度,确定了损失系数ε、惩罚因子C及径向基核函数的宽度σ。通过对48个训练样本的学习,得到拟合样本平均相对误差为3.51%;将模型应用于12个样本的预测,预测平均相对误差为12.30%,预测值与实测值的确定性系数达0.97。结果表明,支持向量机(SVM)模型泛化能力强,具有较满意的预测效果。研究结论较好地解决了小样本、过学习、高维数、局部最小等问题。     

基于支持向量机的故障诊断方法

提出了基于支持向量机的故障诊断方法和步骤。诊断实例表明,与神经网络故障诊断方法相比,诊断小样本分析的支持向量机故障诊断方法具有分类能力强、推广能力好的特点。     

线性规划支持向量机

通过对统计学习理论中的支持向量回归问题,特别是结构风险问题和ε-不敏感函数的分析,得到了一种新的支持向量回归算法.新算法将传统的支持向量回归问题中的二次优化问题改进为线性规划问题,这一改进大大降低了求解的复杂度,其训练时间快了至少一个数量级以上.最后对人工和实际的样本进行了试验,结果说明了线性规划支持向量回归能较好地逼近被估计函数,且计算复杂度明显降低.     

基于支持向量机的图像识别

支持向量机是统计学习方法,正成为当今研究的热点．支持向量机在模式识别和文本分类等方面获得了极大的成功,分类的准确率很高,用支持向量机的方法处理一些二值图像和灰度图像,能获得较好的统计结果．从中摸索出了一种特征向量集的选取方法,讨论了判断结果优劣的标准,比较了支持向量机方法与其他方法得到的结果,得出了重要结论：用支持向量机识别图像的边缘具有非常优异的统计性能．     

基于支持向量机的特征选择

主要研究了基于支持向量机的特征选择方法——特征权法,通过对两组数据进行试验,说明了特征权法在分类效果上优于F-得分法和支持向量机．