基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机,利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类.实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果.     

基于小波包分解的水面目标吨位大小分类方法

基于不同吨位大小的水面船舶辐射噪声特点,提出了一种利用小波包分解提取各频率段能量作为分类特征,利用支持向量机算法进行分类的方法。比较了基于三种不同核函数的支持向量机性能。仿真结果表明,利用小波包分解和支持向量机能对水面目标吨位大小进行有效估计。     

基于潜在语义分析和HS-SVM的文本分类模型研究

为了提高文本分类的准确性和效率,提出了一种基于潜在语义分析和超球支持向量机的文本分类模型.针对SVM对大规模文本分类时收敛速度较慢这一缺点,本文将超球支持向量机应用于文本分类,采用基于增量学习的超球支持向量机分类学习算法进行训练和分类.实验结果表明,超球支持向量机是一种解决SVM问题的有效方法,在文本分类应用中具有与SVM相当的精度,但是明显降低了模型复杂度和训练时间.     

基于支持向量机的网页分类研究

探讨了网页的文本分类,阐明了多层文本的概念,分析了支持向量机的数学模型及基于支持向量机的层次文本分类算法,提出了基于支持向量机的网页分类方法流程,指出了进一步研究的要点。     

基于SVM/LDA的SAR图像目标鉴别方法

提出一种基于主成分分析和支持向量机与线性判别分析结合算法的合成孔径雷达(synthetic aperture radar,SAR)图像目标鉴别方法.利用主成分分析算法对SAR图像向量进行降维并提取其全局特征,对降维后的全局特征采用最小类内散度支持向量机算法进行变换,并对变换结果训练生成最佳分类器,进行分类完成目标鉴别.实验结果表明该方法可以获得较高的分类正确率.     

一种基于核聚类的模糊支持向量机方法

模糊支持向量机（FSVM）具有很好的抗噪声能力,受到了很多专家的重视。然而模糊支持向量机算法的时间复杂度通常较高。针对这一不足,本文提出了一种基于核聚类的模糊支持向量机算法。首先根据核聚类算法对每一类原始样本进行聚类,然后对每一簇求样本中心,用样本中心作为新的样本点替换该类别的原始样本。最后本文算法利用中心距离型计算新样本的模糊权重,并利用模糊支持向量机算法进行求解。实验充分验证了本文算法相对于传统模糊支持向量机方法具有更快的分类速度。     

一种改进的基于SVM的网络入侵检测算法

研究了支持向量机与自组织神经网络的原理,利用支持向量机的小样本学习与推广能力强的特点,结合自组织神经网络良好的学习能力与收敛速度,实现了对支持向量机算法的改进.利用Lincoln实验室入侵检测系统评估数据集合对改进算法进行测试,并将实验结果与BP神经网络进行了比较,结果表明,改进的算法在检测精度与训练时间方面均优于BP神经网络.     

基于深层数据分类高校就业率计算优化模型

在高校就业率统计过程中,需要利用支持向量机方法进行统计.由于这种统计方法计算复杂度比较高,运算时间比较长,造成高校就业率统计的效率较低.为此,本文提出了一种基于支持向量机优化算法的高校就业率统计方法.对高校就业样本进行分类处理,并将分类的结果进行统计.实验结果表明,这种算法能够有效提高高校就业率统计的效率,取得了令人满意的效果.     

基于语义模板的文档自动分类模型研究

简要介绍语义模板的概念,提出基于语义模板向量空间的文档自动分类模型。利用支持向量机(SVM,Support Vector Machine)分类算法对文档测试集进行基于语义模板空间、词向量空间的分类实验,实验结果表明,基于语义模板空间的文本分类性能比基于词向量空间的分类性能要高。     

基于粗糙集约简并加权的SVM分类算法

针对Web中文文本分类中现有权重计算方法的不足和支持向量机算法对大数据量模式分类的低效性,提出了基于粗糙集约简并且加权的支持向量机分类方法;粗糙集作为支持向量机分类的前期预处理器,应用粗糙集的约简理论和基于Web中文文本的可变精度粗糙集加权方法对分类前的数据分别进行简化并计算权重,从而提高支持向量机后期分类的效率和精度;实验结果表明,支持向量机对约简并加权后的数据进行分类,分类性能得到了进一步保证。     

支持向量机在植物分类中的应用

提出了基于支持向量机的分类原理对鸢尾属植物进行分类的方法。支持向量机是在统计学习理论基础上提出的一种新型的通用学习方法,主要应用于数据的分类和回归估计,而植物分类的主要依据是植物的外观特征。通过提取植物的特征数据和使用支持向量机算法获得实验结果,实验结果表明,采用支持向量机对植物分类是可行的。     

改进的支持向量机无线网络安全检测算法模型

针对传统网络入侵算法在WLAN中的异常检测效率低,提出了一种SVM算法的WLAN入侵检测方法,首先对网络入侵的数据计算信息增益,从原始数据中选取对分类结果影响较大的特征属性,对SVM参数进行优化,最后采用优化的SVM算法对无线网络数据进行检测,得出网络入侵结果.实验结果表明,提出的算法检测正确率高、漏报率与误报率低,具有很好的应用前景.     

基于GA-SVM网络安全技术研究

提出一种遗传算法优化支持向量机算法的网络安全检测方法。混合算法能够直接得到分类超平面的系数,采用最优支持向量机模型对归一化后的网络数据进行检测,最终得到网络入侵结果。本文通过对比分析传统的SVM网络安全技术,验证了GA-SVM技术的优越性。     

支持向量机在分类问题中的应用研究

支持向量机是一种基于统计学习理论的机器学习方法,针对小样本情况表现出了优良的性能,目前被广泛应用于模式识别、函数回归、故障诊断等方面。这里主要研究支持向量机分类问题,着重讨论了以下几个方面的内容。首先介绍了支持向量机分类器算法,并将其应用于数据分类,取得了较高的准确率,所用数据来自于UCI数据集。仿真结果表明该算法具有较快的收敛速度和较高的计算精度。     

SVR算法在太阳黑子活动预测上的应用

支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。     

Advanced learning algorithms for cross-language patent retrieval and classification

We study several machine learning algorithms for cross-language patent retrieval and classification. In comparison with most of other studies involving machine learning for cross-language information retrieval, which basically used learning techniques for monolingual sub-tasks, our learning algorithms exploit the bilingual training documents and learn a semantic representation from them. We study Japanese–English cross-language patent retrieval using Kernel Canonical Correlation Analysis (KCCA), a method of correlating linear relationships between two variables in kernel defined feature spaces. The results are quite encouraging and are significantly better than those obtained by other state of the art methods. We also investigate learning algorithms for cross-language document classification. The learning algorithm are based on KCCA and Support Vector Machines (SVM). In particular, we study two ways of combining the KCCA and SVM and found that one particular combination called SVM_2k achieved better results than other learning algorithms for either bilingual or monolingual test documents.     

基于支持向量机的土地覆被遥感分类

遥感图像的分类是研究土地变化的基础。传统的遥感图像分类存在着精度不高,不确定性强的特点。本文使用支持向量机（SVM,Support Vector Machine）技术对遥感图像分类,并与传统的最大似然分类进行对比试验。结果表明不同参数组合下SVM的分类总精度和Kappa指数普遍高于最大似然分类的结果,其最高总精度高出最大似然分类0.9779%。SVM和最大似然分类结果都存在着类别混分,但是SVM混分程度远小于最大似然分类,其精度保持在可接受的范围内,如对于低密度草而言,最大似然分类的用户精度下降到84.68%,而支持向量机的用户精度虽然也有下降但还是保持在92.31%。SVM在样本数目很少的情况下表现出了出色的学习能力,是机器学习领域很有希望的一种学习方法。     

一种改进的SVM文本数据分类技术研究

主要研究了文本分类精度问题。介绍了文本分类的基本过程,提出了一种改进的支持向量机文本分类技术,设计并实现了一个开放的中文文档自动分类系统。实验结果表明,提出的方法不仅具有较高的训练效率,同时也能得到很高的分类准确率和查全率。     

关于支持向量回归机的模型选择

支持向量机是在统计学习理论基础上发展起来的一种新型的机器学习方法。模型选择是设计支持向量机的重要内容之一。本文在分析用于回归的支持向量机原理的基础上,分别从核函数的选择、模型参数的作用、模型参数的调整方法等模型选择方面进行了综述,并讨论了模型选择的优缺点,最后指出在实际应用中常见的核函数和模型参数调整方法。     

多层次文本分类法的模型构建及实验分析 ——以进出口商品归类问题为例

【目的/意义】政府机构的数据规模在数字时代得到了空前的增长,这也为多类目政务数据的自动化处理工 作带来了挑战。在此背景下,本文通过引入多层次文本分类方法,对进出口商品的自动归类问题进行了探索。【方 法/过程】基于HS编码的层次结构,构建了一个包含三个层次的分类模型,通过逐层判别进而累加的方式进行文本 分类;同时,对SVM与TextRNN等算法的分类效果进行了对比。【结果/结论】多层次分类模型对于解决商品归类问 题的总体效果较好;在数据充分的情况下,TextRNN 比 SVM 的效果相对较好（第 1 层 93.00%>92.90%,第 2 层 96.46%>96.38%）,而在学习不充分的环境下,SVM具有较大优势（第3层92.49%<95.92%）;SVM取得了85.88%的最 佳叠加正确率。【创新/局限】本研究尝试基于多层次分类方法解决商品自动归类问题,但数据规模及应用场景仍有 待拓展。