改进的K均值聚类算法在支持矢量机中的应用

将一种改进的K均值聚类算法应用于支持矢量机（SVM）的训练。基于这一改进的聚类算法,设计了SVM的增量式训练步骤,并给出了在训练过程中删除无用样本的的方法。模式分类的实验结果表明,这种改进的K均值聚类算法在SVM中的应用不仅大幅度地缩短了SVM的训练时间,而且进一步提高了它的分类能力。     

基于支持向量机的变压器故障诊断方法

为了提高变压器故障诊断的准确率,提出了一种支持向量机（SVM）和改进布谷鸟算法（WCS）及最速下降法相结合的电力变压器故障诊断方法.引入一种新的惯性权重,解决布谷鸟算法在迭代后期收敛速度下降的问题.利用最速下降法与改进的布谷鸟算法相结合的算法进行SVM参数的寻优,克服了基本的SVM模型容易陷入局部最优的缺陷,从而得到具有最佳参数的支持向量机分类模型,利用LIBSVM工具箱在MATLAB软件平台上训练支持向量机,用训练良好的支持向量机诊断110kV甘棠变电所#1主变压器故障情况.通过实例验证分析表明,采用该算法可以准确、有效地对变压器进行故障诊断;相较于粒子群算法（PSO）、遗传算法（GA）、网格搜索算法（GS）等算法,该方法具有更高的诊断准确率.     

基于QPSO训练的SVM核函数集成学习研究

针对训练子集随机性强、规模大、算法时空复杂度高等问题,提出了基于量子微粒群的支持向量机（QPSO-SVM）核函数集成学习算法。该方法首先采用K-Means算法对训练样本进行聚类分析,然后根据其聚类分布选择少量具有代表性的样本,并通过基于量子行为的粒子群算法来训练单个支持向量机（SVM）,最后通过贝叶斯投票方法得到集成的SVM分类学习器。实验表明该方法在非线性高复杂度的数据分类中对分类精度有较大提高。     

SVM-KNN分类算法研究

SVM-KNN分类算法是一种将支持向量机（SVM）分类和最近邻（NN）分类相结合的新分类方法。针对传统SVM分类器中存在的问题,该算法通过支持向量机的序列最小优化（SMO）训练算法对数据集进行训练,将距离差小于给定阈值的样本代入以每类所有的支持向量作为代表点的K近邻分类器中进行分类。在UCI数据集上的实验结果表明,该分类器的分类准确率比单纯使用SVM分类器要高,它在一定程度上不受核函数参数选择的影响,具有较好的稳健性。     

基于KNN算法的改进的一对多SVM多分类器

针对传统支持向量机（SVM）多分类一对多算法存在的运算量大、耗时长、数据偏斜以及对最优超平面附近点分类易出错问题,提出了一种改进方法。将数据空间分为密集区和稀疏区,各类中密集点归于密集区,其余归于稀疏区。将每类中密集点连同它附近的点用于训练得到相应的SVM分类器。在测试阶段,对密集区的待测样本用传统的一对多判别准则来做类别预测;对稀疏区的待测样本则采用K近邻（KNN）算法。数值实验结果表明,改进的算法在耗时和分类精度上都优于原算法,对解决一对多算法存在的问题有较好的成效。     

基于神经网络的支持向量机学习方法研究

针对支持向量机（Support Vector Machine,SVM）对大规模样本分类效率低下的问题,提出了基于自适应共振理论（Adaptive Resonance Theory,ART）神经网络与自组织特征映射（Self-Organizing feature Map,SOM）神经网络的SVM训练算法,分别称为ART-SVM算法与SOM-SVM算法。这两种算法通过聚类压缩数据集,使SVM训练的速度大大提高,同时可获得令人满意的泛化能力。     

用于模式分类的支持向量机的研究

SVM在解决小样本、非线性及高维模式识别问题中表现出诸多特有的优势,结合模式分类,研究SVM的基本思想、训练算法及其应用,讨论海量样本数据的改进训练算法以及多类别分类方法等方面.     

OAO-SVMs的训练时间性能分析及算法改进

支持向量机（SVM）算法是统计学习理论中最年轻的分支。结构风险最小化原则使其具有良好的学习推广性。但在实际应用中，训练速度慢一直是支持向量机理论几个亟待解决的问题之一，这一点在SVM向多类问题领域推广时表现的尤为明显。文中将从样本分布与类别数量两方面人手，对传统的SVM多分类OAO算法进行训练时间性能上的分析，并引入分层的思想，提出传统OAO—SVMs算法的改进模型H—OAO—SVMs。通过与其他常见多分类SVMs训练时间的比较表明：改进后的H—OAO—SVMs模型具有更优的训练时间性能。     

基于密度和粒子群的SVM算法研究

针对SVM算法在训练过程中,对于训练样本集过大,导致训练过程中的冗余样本和噪声会使划分超平面受到影响,于是提出使用基于密度的裁剪方法对训练样本进行裁剪,去除样本集的噪声和冗余样本,优化分类超平面的划分,提高分类准确率。而在SVM算法中的惩罚因子C和核函数g对于分类性能影响较大。提出基于粒子群算法对SVM算法进行改进,通过粒子群算法优化惩罚因子C和核参数g。使用样本集对改进算法进行实验论证,该方法确实有效地提升了SVM分类性能。     

间隔值辅助的SMO算法改进研究

顺序最小优化（SMO）算法是现今求解支持向量机（SVM）的最优秀算法之一,其效率直接影响到SVM的训练效率。为提高SVM的训练效率,提出了一种间隔值辅助的SMO改进算法。通过一定量的经验性实验,统计总结出了间隔值随迭代次数变化的规律,即该变化呈铰链函数形态,起始阶段下降很快,经过一小段缓慢变化期后进入间隔值几乎无变化的水平区域。由此,提出并实现了SMO改进算法,通过跟踪间隔值随迭代次数的变化率,待越过拐点一小段时间后终止算法以缩短SVM训练时间。对比实验以及k分类的交叉验证（k-CV）证明,改进后的SMO算法在保持原有算法的模型预测能力的基础上,能够产生至少45%的效率提升。     

基于核自适应的近邻传播聚类算法

近邻传播聚类(AP)方法是近年来出现的一种广受关注的聚类方法,在处理多类、大规模数据集时,能够在较短的时间得到较理想的结果,因此与传统方法相比具有很大的优势。但是对于一些聚类结构复杂的数据集,往往不能得到很好的聚类结果。通过分析数据的聚类特性,设计了一种可以根据数据结构自动调整参数的核函数,数据集在其映射得到的核空间中线性可分或几乎线性可分,对该核空间中的数据集进行近邻传播聚类,有效提高了AP聚类的精确度和速度。算法有效性分析以及仿真实验验证了所提算法在处理大规模复杂结构数据集上的性能优于原始AP算法。     

复合策略惯性权重的粒子群优化算法

针对粒子群优化算法中典型线性递减策略的惯性权重不能和运算过程中非线性变化的特点相匹配的问题,提出一种用典型线性递减策略和动态变化策略相结合的方法来确定惯性权重的粒子群优化算法(L-DPSO)。该算法充分利用了线性递减策略的线性和动态变化策略的非线性特点,对两种策略赋予了相应的权重。然后将L-DPSO算法和单独使用典型线性递减策略来确定惯性权重的粒子群优化算法(LPSO)及单独使用动态变化策略来确定惯性权重的粒子群优化算法(DPSO)进行比较,用Griewank和Rastrigin函数进行测试,结果表明,适当调整典型线性递减策略和动态变化策略的权重,L-DPSO算法的收敛速度明显优于LPSO和DPSO算法,收敛精度也有所提高。最后,对L-DPSO算法和几种常用的惯性权重计算方法确定的粒子群优化算法作比较,用Griewank和Rastrigin函数进行测试,结果表明L-DPSO算法也有明显优势。     

多分类问题的凸包收缩方法

在最大边缘线性分类器和闭凸包收缩思想的基础上,针对二分类问题,通过闭凸包收缩技术,将线性不可分问题转化为线性可分问题。将上述思想推广到解决多分类问题中,提出了一类基于闭凸包收缩的多分类算法。该方法几何意义明确,在一定程度上克服了以往多分类方法目标函数过于复杂的缺点,并利用核思想将其推广到非线性分类问题上。     

旋转角可变的人体检测算法

常用的人体检测算法多应用于无旋转角的情况,而在旋转角可变的情况下检测性能有限,为此提出了一种适用于有旋转角的人体检测算法。首先,通过径向梯度转换(RGT)获得具有旋转不变性的梯度;其次,使用类似于梯度方向直方图(HOG)特征中相互重叠块的组合方式,获取多个带有旋转角信息的特征描述子,按旋转角大小将它们一维线性连接成具有旋转不变性的特征描述子组;最后,利用基于支持向量机(SVM)的二级级联分类器实现了带旋转角的人体检测。基于INRIA行人数据库的144个不同旋转角的人体测试集检测率都不低于86%,144个不同旋转角的非人体样本误检率均低于10%。实验证明了该算法可用于在任意旋转角图像上进行人体检测。     

基于蚁群信息机制的粒子群算法

针对粒子群算法应用于复杂函数优化时可能出现过早收敛于局部最优解的情况,提出了一种改进的算法。通过构造单个粒子的多个进化方向和类似于蚂蚁群算法信息素表的选择机制,保留了粒子的多种可能进化方向。提高了粒子间的多样性差异,从而改善算法能力。改进后的混合粒子群算法的性能优于带线性递减权重的粒子群算法。     

基于亲和力的动态自适应粒子群算法

针对惯性权重线性递减粒子群算法(LDWPSO)不能适应复杂的非线性优化搜索过程的问题,提出了一种动态改变惯性权重的自适应粒子群算法(DCWAPSO),在该算法中引入亲和力的概念,并根据它对粒子群算法搜索能力的影响,将惯性因子表示为亲和力的函数在。每次迭代时算法可根据当前粒子群亲和力的大小动态地改变惯性权重,从而使算法具有动态自适应性。对六个典型函数的测试结果表明,DCWAPSO算法的收敛速度明显优于LDWPSO算法,收敛精度也有所提高。     

最佳维变异粒子群优化算法在传感器调度中应用

粒子群优化(PSO)算法的主要特点是能快速得到问题的解,缺点是容易陷入局部最优.提出了一种利用最佳维变异技术和量子理论方法改进的PSO算法,并应用于目标跟踪传感器调度问题.目标的动力学模型为线性高斯模型,传感器观测值被高斯噪声污染并与目标状态线性相关.对于多传感器单目标跟踪的数学问题,引入提出的最佳维变异PSO算法,在...     

基于QoS需求的认知无线电资源分配算法

在误比特率、总发射功率以及主用户可容忍干扰门限的约束下,提出一种基于正交频分复用的认知无线电系统多目标优化贪婪分配算法。以最小化发射功率、最小化跨频干扰及满足次用户QoS需求为优化目标,线性组合这3个目标函数,把多目标优化问题转化为单目标优化问题,采用贪婪算法实现多目标优化。仿真结果表明,该算法的系统总容量趋近于最优,在降低对主用户跨频干扰的同时,能够有效地满足次用户的QoS需求。     

高效视频编码帧内快速深度决策算法

针对新一代高效视频编码（HEVC）帧内预测中编码单元（CU）的编码深度选择过程中计算复杂度较高的问题,提出了一种基于空域相关性的帧内快速深度决策算法。首先,利用相邻已编码树单元（CTU）的深度通过线性加权得到当前CTU深度估计值;然后,对当前CTU深度估计值设置较为合适的深度双阈值提前终止编码树单元的划分或跳过CTU的某些深度,来缩小当前CTU的深度范围,从而减少不必要的深度计算。实验结果表明：与HM12.0相比,所提算法对比较简单的视频序列编码时间的减少比较明显,在亮度峰值信噪比（Y-PSNR）几乎不变的情况下（平均降低0.02 dB）,编码时间平均减少了34.6%。此外,所提算法容易与其他算法进行融合,能进一步降低HEVC的帧内计算复杂度,最终达到实时传送高清视频的目的。     

基于禁忌搜索的动态粒子群算法

惯性权重线性递减的线性群粒子算法往往不能反映实际的优化搜索过程。动态粒子群算法虽然能较好地实现非线性的搜索,但是更容易陷入局部最优。提出了基于禁忌搜索的动态粒子群算法,引入了禁忌搜索的思想,来解决动态粒子群算法的容易陷入局部最优问题;并对禁忌公式进行了修改,使其不仅可以解决极小值最优问题,也可以解决极大值最优问题。根据实验结果,改进的算法不仅较好地避免了陷入局部最优,而且收敛速度也有提高。