一种基于中心型支持向量机的多类别分类算法

文章主要探讨了支持向量机在数据挖掘中的应用问题。在对中心型支持向量机的研究改进过程中,结合增量型支持向量机算法,将问题域扩展到多类别分类问题领域,从而设计了一个基于支持向量机技术处理样本均衡型和增量型的分类算法(theMBI-SVM)。在UCI数据库上进行了实验,结果证实该算法具有较高的稳定性、可行性和实用性。     

支持向量机多分类算法的研究

支持向量机（support vector machine,SVM）是在统计学习理论基础上发展起来的一种新的数据挖掘方法,并已广泛应用于模式识别与回归分析等领域。本文重点阐述了一些典型的支持向量机多分类算法及支持向量机多标注算法。最后指出了进一步研究和亟待解决的一些问题。     

基于多分类支持向量机的模式识别研究

支持向量机是现代人工智能领域中的一个重要分支,它在统计学习理论的基础上,实现了结构风险最小化,提高了分类器的泛化能力,保证了分类的准确度。论文提出一种基于多分类支持向量机的模式识别方法,采用特征选择序列极小化算法对数据样本特征进行选择,并在此基础上,分析对比了“一对一”分类算法和“一对多”分类算法,实验结果表明,“一对一”分类算法的分类准确性较高,且具有较好的推广能力。     

多分类孪生支持向量机研究进展

孪生支持向量机因其简单的模型、快速的训练速度和优秀的性能而受到广泛关注.该算法最初是为解决二分类问题而提出的,不能直接用于解决现实生活中普遍存在的多分类问题.近来,学者们致力于将二分类孪生支持向量机扩展为多分类方法并提出了多种多分类孪生支持向量机.多分类孪生支持向量机的研究已经取得了一定的进展.本文主要工作是回顾多分类孪生支持向量机的发展,对多分类孪生支持向量机进行合理归类,分析各个类型的多分类孪生支持向量机的理论和几何意义.本文以多分类孪生支持向量机的子分类器组织结构为依据,将多分类孪生支持向量机分为：基于“一对多”策略的多分类孪生支持向量机、基于“一对一”策略的多分类孪生支持向量机、基于“一对一对余”策略的多分类孪生支持向量机、基于二叉树结构的多分类孪生支持向量机和基于“多对一”策略的多分类孪生支持向量机.基于有向无环图的多分类孪生支持向量机训练过程与基于“一对一”策略的多分类孪生支持向量机类似,但是其决策方式有其特殊的优缺点,因此本文将其也独立为一类.本文分析和总结了这六种类型的多分类孪生支持向量机的算法思想、理论基础.此外,还通过实验对比了分类性能.本文工作为各种多分类孪生支持向量机之间建立了联系比较,使得初学者能够快速理解不同多分类孪生支持向量机之间的本质区别,也对实际应用中选取合适的多分类孪生支持向量机起到一定的指导作用.     

支持向量机多类分类算法研究

提出一种新的基于二叉树结构的支持向量(SVM)多类分类算法.该算法解决了现有主要算法所存在的不可分区域问题.为了获得较高的推广能力,必须让样本分布广的类处于二叉树的上层节点,才能获得更大的划分空间.所以,该算法采用最小超立方体和最小超球体类包含作为二叉树的生成算法.实验结果表明,该算法具有一定的优越性.     

多类别模糊补偿支持向量机新模型研究

提出了一种更一般化描述的多类别模糊补偿支持向量机(M-FSVM)算法,用它来解决经典支持向量机对类别分类误差的不均衡性问题。并在开源代码LibSVM的基础上实现了新算法,并应用于网络入侵检测。实验结果表明训练样本数目少的类别的分类精度得到了提高。     

改进的二叉树支持向量机多类分类算法研究

为解决现有支持向量机多类分类算法的不可分区域问题及提高泛化能力,提出一种改进的基于二叉树结构的支持向量机多类分类算法。该算法基于帕累托原则,将类超球体半径分解成核心半径和最小半径,通过两者加权计算最终的类超球体决策半径,并以此半径大小为依据生成二叉树结构。该算法避免了测量所引入的误差,使得样本分布广散布小的类处于二叉树的上层节点,从而获得更大的划分空间。实验结果表明：该算法具有一定的适应能力,能更好地解决实际多类分类问题。     

支持向量机多类分类方法

支持向量机本身是一个两类问题的判别方法,不能直接应用于多类问题。当前针对多类问题的支持向量机分类方法主要有5种：一类对余类法（OVR）,一对一法（OVO）,二叉树法（BT）,纠错输出编码法和有向非循环图法。本文对这些方法进行了简单的介绍,通过对其原理和实现方法的分析,从速度和精度两方面对这些方法的优缺点进行了归纳和总结,给出了比较意见,并通过实验进行了验证,最后提出了一些改进建议。     

基于改进加权最小二乘支持向量机的UWSN定位

针对水下无线传感器网络锚节点较少、迭代误差大导致的节点定位精度低的问题,提出一种基于改进加权最小二乘支持向量机的水下三维节点定位算法;该算法将水下三维空间分为若干立方体,以锚节点与网格交点的距离向量作为训练集进行训练;并利用改进的多类别模式识别方法进行分类,以未知节点到锚节点的距离向量作为测试集确定节点坐标;通过引入加权的思想和多类别模式识别方法增大机器学习算法的鲁棒性、降低分类次数,从而实现水下三维节点预测定位;仿真结果表明,该算法在锚节点较少、网络区域较大的水下仍能保持较高的定位精度与较好的鲁棒性.     

基于模糊支持向量机的多分类算法研究

针对支持向量机理论中的多分类问题以及SVM对噪声数据的敏感性问题,提出了一种基于二叉树的模糊支持向量机多分类算法。该算法是在基于二叉树的支持向量机多分类算法的基础上引入模糊隶属度函数,根据每个样本数据对分类结果的不同影响,通过基于KNN的模糊隶属度的度量方法计算出相应的值,由此得到不同的惩罚值,这样在构造分类超平面时,就可以忽略对分类结果不重要的数据。通过实验证明,该算法有较好的抗干扰能力和分类效果。     

基于快速SVM的大规模网络流量分类方法

支持向量机方法具有良好的分类准确率、稳定性与泛化性,在网络流量分类领域已有初步应用,但在面对大规模网络流量分类问题时却存在计算复杂度高、分类器训练速度慢的缺陷。为此,提出一种基于比特压缩的快速SVM方法,利用比特压缩算法对初始训练样本集进行聚合与压缩,建立具有权重信息的新样本集,在损失尽量少原始样本信息的前提下缩减样本集规模,进一步利用基于权重的SVM算法训练流量分类器。通过大规模样本集流量分类实验对比,快速SVM方法能在损失较少分类准确率的情况下,较大程度地缩减流量分类器的训练时间以及未知样本的预测时间,同时,在无过度压缩前提下,其分类准确率优于同等压缩比例下的随机取样SVM方法。本方法在保留SVM方法较好分类稳定性与泛化性能的同时,有效提升了其应对大规模流量分类问题的能力。     

基于支持向量机的流量分类方法*

针对现有流量分类方法存在的准确率低、应用范围受限、计算复杂度高等问题,提出使用支持向量机方法来解决流量分类问题。使用公开的人工标注数据集作为训练集和测试集,通过有监督学习构建支持向量机流量分类器。此外,通过实验进一步分析了训练集大小、核函数、惩罚因子等因素对支持向量机分类性能的影响。实验结果表明支持向量机分类器可以达到98%以上的流分类准确率。     

基于SVM和模糊免疫网络的交通标志图像识别

提出了一种检测和识别交通标志的方法.该方法根据交通标志的颜色和形状,利用支持向量机的非线性分类能力将其图像区域从实景图像中检测和提取出来,然后利用具有多样性、较强容噪能力的模糊免疫网络来识别.使用不同环境下的实景图像进行实验,结果证明本方法具有平移、旋转、缩放、拉伸不变性和较强的容噪能力.     

提升小波支持向量机在交通流量预测中的应用*

采用提升小波方法构造出一种满足双正交的小波函数,并将这种小波函数作为支持向量机的核函数;此外,用线性规划问题来代替二次规划问题及稀疏正则化,本质上确保了解的稀疏性.基于提升小波构造出提升小波支持向量机模型,并将其用于交通流量的预测中.仿真实验表明该模型具有良好的预测能力和泛化能力.     

基于粗集理论和支持向量机的道路网短时交通流量预测*

为了解决城市交通流量预测问题,研究道路网中多断面同时作用的情况,先将各断面交通流时间序列在相空间中重构,以充分提取交通流中的相关信息,然后应用粗集理论的强定性分析能力对输入信息进行约简,消除了样本中的噪声和冗余。在此基础上,再利用支持向量机对约简信息进行预测。为了获得最优的预测精度,该方法还利用遗传算法对预测进行了优化。实例研究表明,该方法的预测效果令人满意,在交通控制领域具有较大的应用潜力。     

基于支持向量机识别嗜热和常温蛋白的研究

采用支持向量机对嗜热和常温蛋白进行模式识别并和偏最小二乘回归比较。结果表明,当惩罚因子C为1,核函数选取线性函数,不敏感常数epsilon取0．01时,经320组数据训练,支持向量机预测的平均正确率为84．9％,后者为86．8％。经1720组数据训练,支持向量机对嗜热蛋白预测正确率达97．4％,对常温蛋白预测的正确率为84．2％,平均90．8％。建立了一种基于序列的识别嗜热和常温蛋白的新方法。     

基于SVM的并行网络流量分类方法

针对SVM (support vector machine)算法应用到大规模网络流量分类中存在计算复杂度高、训练速度慢等问题,提出一种基于云计算平台进行并行网络流量分类的SVM方法,以提高对大数据集的分类训练速度.该方法是一种采用云计算平台构建多级SVM和映射规约(MapReduce)模型的方法.它将训练数据集划分为多个子训练数据集,通过对所有子训练数据集进行并行训练,得到支持向量集,进而训练出流量分类模型.实验结果表明,与传统的SVM方法相比,并行SVM网络流量分类方法在保持较高分类精度的前提下,有效地减少了训练时间,提高了大规模网络流量分类的速度.     

一种处理多类分类问题的强化支持向量机方法

提出了一种强化支持向量机方法,将支持向量机与强化学习结合,逐步对未知类别标记样本进行访问,根据对该样本分类结果正确与否的评价标记访问点的类别,并对当前的分类器进行更新,给出了更新分类器的规则。对模拟数据和真实数据分别进行了实验,表明该方法在保证分类精度的同时,大大降低了对已知类别标记的训练样本的数量要求,是处理已知类别标记样本获取困难的多类分类问题的一种有效的方法。     

支持向量机模型分类能力指标的统计分析

在支持向量机（support vector machines, SVM）中,如何衡量SVM的分类能力,最小化风险泛函是一个重要的指标。根据支持向量机小样本特点,给出了支持向量机分类能力的一个量化标准：最优超平面的可靠度β。详细讨论了β的下界和置信区间,并给出了在实际应用中,如何根据样本数据估计β的下界和置信区间。实验也证明了β的下界估计和置信区间的合理性、有效性。     

基于支持向量机的枪弹外观缺陷识别与分类

为解决枪弹外观缺陷自动分类问题,提出了一种基于支持向量机的枪弹外观缺陷自动识别与分类模型。首先针对枪弹表面缺陷的图像特点,从几何、灰度、纹理三方面进行了特征提取,在此基础上建立了基于支持向量机的枪弹外观缺陷分类模型,并对特征参数进行了优选;研究了支持向量机中惩罚系数和核函数参数对分类器性能的影响;通过实验与基于BP神经网络的枪弹外观缺陷分类器进行了比较,结果表明,在小样本下,基于支持向量机的枪弹外观缺陷分类器性能更好。