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.     

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.     

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.     

基于粒子群算法的投影孪生支持向量机

投影孪生支持向量机(Projection Twin Support Vector Machine,PTSVM)是一种有效的分类算法,存在参数选择困难和算法总体运行时间过长等问题.文章将粒子群算法(Particle Swarm Optimization,PSO)和PTSVM相结合,提出一种基于粒子群算法的投影孪生支持向量...     

一种新的电力系统短期负荷预测方法

针对电力系统短期负荷特性,提出了基于局部线性嵌入(Linear Local Embed,LLE)和支持向量机(Support Vector Machine,SVM)技术的短期负荷预测模型。该模型利用LLE算法对负荷样本的数据挖掘知识,得到了高维输入样本的低维映射,最后利用具有非线性拟合、泛化能力强的SVM进行回归。     

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。     

基于RBF核的SVM分类应用研究

支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。     

基于相关向量机的大豆生长发育阶段预测

精确地预测大豆的生长发育阶段对于农业生产和研究都具有重要的意义,采用相关向量机方法为大豆的生长发育阶段预测建模,通过优化建模参数,所建相关向量机模型具有较高的拟合能力,且预测误差小,稳健性好。实验结果表明,相关向量机建立的模型优于神经网络。     

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。