统计学习与支持向量机

支持向量机（SVM）是一类新型机器学习方法，其理论基础是统计学习理论，由于其出色的学习性能而成为当前国际机器学习领域的研究热点。该首先阐述统计学习的核心内容，然后对SVM及其应用进行研究，最后讨论了SVM的局限和有等研究的问题。     

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。     

支持向量机及其应用研究

文章在分析统计学习理论和支持向量机理论的基础上,分别从人脸检测和识别、说话人/语音识别、网络入侵检测、手写体数字识别及其他应用研究等方面对SVM的应用研究进行了综述,并讨论了SVM的优点和不足,展望了其应用研究的前景。     

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。     

支持向量机的研究与应用

通过对支持向量机的历史发展和理论进行分析,阐述了支持向量机相对于以往机器学习算法的优点。通过分析支持向量机的国内外研究现状,对该理论和算法的应用与发展前景进行了探讨。     

加权支持向量机分类算法及应用

加权支持向量机分类算法是对类别差异造成的影响进行相应补偿的一种支持向量机算法，目的是提高样本中小类别的分类精度．我们通过用支持向量机和加权支持向量机算法相比较，加权支持向量机可提高样本中小类别的分类精度，这对于某些需要重点关注的小类别精度的分类有重要的现实意义．     

半光滑算法在支持向量机中的应用

支持向量机的二次规划可以表现为不同形式.在本文中,将支持向量机的求解转化为非线性混合互补问题,利用Fischer-Burmeister函数和minimum函数将其表示成不同的半光滑等式系统,由此可以利用阻尼牛顿法来求解.数值实验表明将半光滑算法应用于支持向量机问题中是有效的.     

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．     

多分类支持向量机的算法研究

支持向量机是一种新的机器学习方法,是在统计学习理论基础上发展起来的。经典的支持向量机算法主要是针对两分类问题,但是在实际生活中经常需要求解多分类问题,这就需要将支持向量机的算法推广到求解多分类问题。通过阐述支持向量机模型及其算法的基本原理,对多分类支持向量机几种算法进行分析,系统地比较了各种算法的性能,探讨了多分类支持向量机算法的进一步研究方向。     

基于增量学习SVM的Android恶意应用检测方法

针对传统Android恶意应用检测方法在处理大规模样本时存在的训练时间长、存储空间消耗大的问题,提出一种基于增量学习SVM的Android恶意应用检测方法.该方法提取Android应用的权限申请和API函数调用特征,利用增量学习SVM理论将训练样本集随机划分为初始样本集和若干个增量样本集,利用循环迭代方法训练SVM分类器,每次新的训练仅保留上一轮训练得到的支持向量集并合并到新增样本集中,舍弃大量对分类结果不产生影响的样本以提高分类器学习效率,同时产生新的支持向量集,并最终得到一个高精度的SVM分类器.通过将增量学习SVM算法与基本SVM算法进行对比实验,结果表明,该算法可以有效降低分类器学习时间,减少样本存储的空间占用,同时随着样本规模的积累逐步提高分类精度.     

基于范数支持向量回归机的算法扰动设计研究

解决回归问题中相对重要的方法就是支持向量回归机。实际问题中的一些固定测量及公式计算总会存在误差,因此有必要通过扰动分析来讨论研究支持向量回归机数据的扰动问题。基于此,把1范数支持向量回归机作为研究对象,通过扰动分析,在一定的条件下给出了解对扰动数据偏导数的表达式,建立线性规划中1范数支持向量机算法的原始问题的灵敏度分析定理。     

基于支持向量机的通信信号调制识别方法研究

支持向量机(Support VectorMachines简称SVMs)是基于统计学习理论的一种新的模式识别技术,它不仅结构简单,而且技术性能尤其是泛化能力明显提高.介绍支持向量机为理论基础的通信信号调制识别方法,计算机仿真结果证实此方法的可行性.     

基于支持向量机的数据挖掘技术

随着数据库技术的迅速发展以及数据库管理系统的广泛应用,人们积累的数据越来越多.激增的数据背后隐藏着许多重要的信息,人们希望能够对其进行更高层次的分析,以便更好地利用这些数据.将目前先进的机器学习技术支持向量机,与数据挖掘结合起来,提出了一个改进的支持向量机训练算法,进行了支持向量机自动分类的模拟试验.试验结果显示,新算法的训练速度明显提高,并获得了比较理想的分类结果.     

支持向量机方法及其在电力系统中的应用

在统计学习理论框架下产生的支持向量机这一新的通用机器学习方法,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,已成为机器学习界的研究热点之一.文章归纳了支持向量机在电力系统故障诊断、暂稳分类、负荷预测、谐波分析等方面的应用现状,并提出了可能进一步应用的方面.     

多核在线支持向量机算法研究及应用

针对非线性控制系统难以建立精确数学模型的情况,以焦炉集气管压力系统为对象,提出了一种基于多核线性支持向量机的辨识建模方法.通过分析多种核函数对于数据的分类精度,利用训练数据对系统进行辨识建模.仿真结果表明,基于多核线性支持向量机的辨识建模算法具有相当高的辨识精度,能够解决一类非线性系统的建模问题.     

支持向量机及其应用研究

对支持向量机技术进行研究,介绍支持向量机的原理,讨论支持向量机中核函数的选择和多类问题,讨论支持向量机中求解大规模数据的有效算法。从文本分类,手写字符识别,人脸检测,入侵检测,图像处理等方面对支持向量机的应用研究作了综述。讨论了支持向量机的优点和缺点,并对支持向量机的发展作了展望。