单分类支持向量机在样本数目失衡分类问题中的应用

支持向量机(SVM)是统计学习理论最为成功的实现。支持向量机适用于两类样本的分类问题,面对正负样本数目失衡的情况,加权的方法虽然能有效改变分类器对数目小的样本类的预测偏置问题,但往往是以牺牲数目较大样本类的预测精度为前提。单分类支持向量机(One-SVM)只用某一类样本来训练分类器,可以有效避免预测偏置问题的出现。本文将单分类支持向量机(One-classSVM)用于UCI数据库的灯盏花分类研究,结果显示,单分类支持向量机在处理样本数目失衡的模式识别问题中,具有良好的泛化能力,预测精度特异性达到95.45%,同时单分类支持向量机只用一类样本训练分类器,在算法的时间复杂度上也具有优势。     

用FSVM解决多类分类问题中不可分区域问题剖析

分析了支持向量机(SVM)的工作原理和将其推广到多类分类时会遇到的问题,对用模糊SVM(FSVM)解决此问题时的模糊策略作了详细论证,说明此模糊策略是非常完美的一个解决方案,并指出了进一步的研究方向。     

基于SVM的汉语动词短语识别

支持向量机(Support Vector Machines，SVM)是一个很有前途的分类新技术。本将支持向量机应用到汉语短语识别中，提出了一种基于支持向量机的汉语动词短语自动识别算法的设计与实现，和传统的基于规则的方法相比取得了比较满意的结果。     

支持向量机理论与算法研究

支持向量机(Support Vector Machine,SVM)就是在我们日常学习统计理论基础上发展起来的新方法,其训练算法本质上是一个二次规划的求解问题。本文对支持向量机的理论进行了系统的介绍,并对SVM训练算法进行综述,并对未来的研究方向进行展望。     

支持向量机在降水预报中的应用综述

支持向量机(Support Vector Machine,SVM)是一种新型有效的机器学习方法,能为研究者将支持向量机进一步应用到降水预报提供一定的参考.通过阐述支持向量机模型及其在降水中的应用现状,指出其理论的优缺点、适用性和未来发展方向.     

基于模糊支持向量机的语音情感识别

根据输入样本对分类结果不同的影响程度,引入模糊隶属度,探讨了模糊支持向量机(FSVM)原理,并将其应用于汉语语音信号中生气、高兴、悲伤、惊奇4种主要情感类型的识别。仿真实验结果表明FSVM比支持向量机(SVM)有着更好的分类性能和更高的识别率。     

基于遗传算法寻优的多核支持向量机故障诊断系统

针对传统的单核SVM已经无法满足多个不同数据源的复杂问题,提出了支持向量机多核学习的改进方法.多核支持向量机的学习能力、泛化能力、决策能力在很大程度上取决于参数的选择以及多核权值系数的优化.对此,本文使用遗传算法对多核权值系数寻优,设计多核支持向量机故障诊断系统,此系统在某型飞机的垂直陀螺故障诊断中进行了验证,验证分别利用单核支持向量机和多核支持向量机分类精度对比,结果表明遗传算法寻优得到的权值系数使多核支持向量机分类精度明显提高.     

基于支持向量机方法的股票预测模型

利用支持向量机方法建立股票投资预测模型,经过与多项式函数及Sigmoid核函数的对比,选用Gauss径向基函数作为SVM核函数;抽取223支上市公司的股票作为研究样本,并选取对股票投资影响显著的财务指标构造样本数据集,代入支持向量机模型进行实证测算;实验表明,与BP神经网络模型相比,在样本有限的情况下,基于支持向量机的股票投资模型预测精度更高。     

基于支持向量机的siRNA降解效率预测

为了辅助siRNA的设计,从已发表文献中共收集到573个siRNA的实验数据,使用基于统计学习理论的支持向量机(SVM)方法,提取了siRNA序列的碱基对关联性(BBC)特征,然后使用十倍交叉验证方法,对siRNA沉默目标基因的效率进行了预测.结果表明,基于支持向量机,选用多项式核作为核函数的算法具有最高的AUC值(0.73,ROC曲线图)和最高的r值(0.43,Pearson相关系数分析),优于以前基于打分的算法.结果说明,在以后的siRNA的设计中应该更多关注碱基之间的关联信息.     

基于粒子群算法优化支持向量机的铁路客运量预测模型

铁路客运量数据受多种因素影响而呈现出非线性等特点,为了进一步提高其预测精度,文章提出了粒子群算法（ PSO）优化支持向量机（ SVM）的公路客运量预测模型。利用PSO寻优能力突出的优点,对支持向量机的参数进行了优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比BP神经网络和传统的SVM预测方法,基于PSO-SVM的预测精度更高,从而表明了粒子群算法优化支持向量机的方法是有效的。     

基于支持向量机的网络流量识别模型

针对网络流量识别问题,提出一种基于支持向量机（SVM）的网络流量识别模型。首先通过流量特征提取模块,提取适合在支持向量机中识别网络流量的6个主要特征。对数据进行清洗、预处理以及训练和学习,从而实现整个基于SVM的网络流量识别系统。实验结果表明,经过交叉检验选择参数后,再用支持向量机模型进行训练和学习,可以取得较好的分类效果。     

一种新的模糊支持向量机方法

针对分类问题的支持向量机方法中存在对噪声和野值敏感的问题,提出了一种新的隶属度函数确定方法．研究和分析了目前针对这些问题所提出的模糊支持向量机方法,而在模糊支持向量机方法中,隶属度函数的设计是整个模糊算法的关键所在,文中主要对隶属度函数进行了深入地研究,在类中心向量方法的基础上,即在确定样本的隶属度时,对类中心距离方法进行改进,得到新的隶属度计算的方法,并从数值实验方面表明该方法的有效性和可行性．     

多类SVM分类算法的研究

支持向量机(Support Vector Machine,SVM)是上世纪九十年代提出的一种基于小样本的新的统计学习方法,较好地解决了非线性、高维数、局部极小点等实际问题.文中分析了SVM基础理论并总结了目前存在的基于支持向量机的主要分类方法,包括一对多方法、一对一方法、决策有向无环图方法、基于二叉树的多类分类方法和其它方法,并对各自的优缺点及性能做了比较.     

一种基于SVM的网络异常流量检测新方法

提出了一种基于SVM的网络异常流量检测新方法.分析了支持向量机的基本原理,结合网络流量异常检测的特点,讨论了异常检测的特征选择问题;提出了网络流量相关性、包长度统计变量以及异常报文统计等具有代表性的特征参数,描述了数据的预处理方法.试验结果表明,所选特征参数可有效地检测网络流量异常变化,说明基于支持向量机的在网络异常流量检测具有较好的可应用性.     

近红外光谱组合化学计量学用于香烟品牌在线识别

用组合近红外光谱和化学计量学方法——相似分类法(SIMCA)和支特向量机(SVM)——来识别不同品牌烟草产品.通过一个案例研究发现,当训练样本较少时,SVM分类器优于SIMCA分类器;而当训练样本相对充足时,两类分类器精度无显著差异;SVM分类器对训练集组成依赖较小.结果表明:支持向量机组合近红外光谱是一个烟草质量控制中有价值的工具,可改变长期以来烟草产品的质量评估依赖于专家的感官这一传统方法,为评估结果的准确性和公正性提供有力手段.     

统计学习理论与支持向量机方法

本文从统计学习理论（SLT）入手,在讲述SVM基本原理的基础上,介绍了学习算法、简化和多分类等关于支持向量机（SVM）的主要研究课题。最后,讨论并用实验验证了影响SVM的常见因素。     

统计学习理论与支持向量机方法

本文从统计学习理论（SLT）入手,在讲述SVM基本原理的基础上,介绍了学习算法、简化和多分类等关于支持向量机（SVM）的主要研究课题。最后,讨论并用实验验证了影响SVM的常见因素。     

中心支持向量机的改进及其在地源热泵系统提高防冻剂传热能力的应用

为有针对性地解决地源热泵系统中防冻剂传热能力的问题,对现有中心支持向量机进行了改进研究,构建了加权中心支持向量机模型。并通过对地源热泵系统常用防冻剂传热能力的分析研究,给出了应用加权中心支持向量机对地源热泵系统混合防冻剂传热能力分类的新方法。     

免疫遗传优化支持向量机回归在混沌时间序列预测上的应用

在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列.算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化.免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值.对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度.     

基于GA-SVM的图像分割方法研究

支持向量机作为一种分类算法,虽然具有避免局部最优解、鲁棒性好等优点,但由于核函数、参数的选择等问题经常导致分割结果不理想。针对以上问题,将遗传算法（GA）和支持向量机（SVM）结合,通过遗传算法选取最优参数训练支持向量机模型,使用训练好的模型分割图像。实验结果表明,采用该算法能够得到理想的分割结果。