基于改进SVM的网页过滤系统研究

〖HJ*3/8〗对比分析了几种常见的网络文本分类方法。其中,支持向量机具有较高的分类准确率。提出支持向量机改进算法,将多项式核函数和径向基核函数加权组合成混合核函数。该核函数克服了支持向量机中单个核函数的局限性,可兼顾算法的学习能力和泛化能力。对建立的网页过滤模型进行仿真实验,证明改进的SVM网页过滤模型能提高过滤的准确率和效率。     

基于支持向量机的语音情感识别

针对语音情感识别特征识别问题，本利用支持向量机进行了研究．分析表明语音信号的情感特征参数在输入空间中不完全是一个线性分类的问题，使用非线性的核函数对输入空间进行映射可以有效地提高识别效率．与已有的多模式语音情感识别方式相比，利用高斯(径向基)核函数的支持向量机的识别效果优于其他已有的方法．     

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Cuboids特征的多类超球面支持向量机动作识别研究

基于超球面支持向量机,利用多类超球面支持向量机结合Cuboids时空兴趣点进行动作识别,在KTH、Weizmann两个数据库上进行仿真实验,取得了满意的效果。     

基于改进支持向量机的风电机组故障分类识别

针对支持向量在分类过程中,特别是对于非线性可分问题,如果采用不同的核函数,支持向量机(SVM)可以构造不同的学习机器和分类模型,从而导致分类算法复杂且分类精度较低。研究了SVM的轴承诊断原理,测试诊断方案及原始测试数据的特征提取,最后进行了数据训练和测试实验仿真,然后对风力发电机组机械故障进行诊断,实验说明了改进后的SVM故障分类方法的可行性和有效性。在建立故障分类模型之后,采用网格搜索法、遗传算法、粒子群算法对支持向量机的惩罚参数C和径向基核函数参数γ进行优化选择,通过分析发现故障分类精度提升比较明显。     

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%。     

人种对性别识别影响研究

性别识别在人际交互、安检等方面的应用越来越多。对每个人种和性别分别提供99张照片,然后用其中的66张作为训练,剩下的33张作为预测。图像分别用原始图像、LBP特征、GABOR特征作为训练与预测,整个实验采用径向基函数(RBF)作为非线性SVM的核函数。研究证明人种对计算机性别识别的正确率有明显的影响。     

基于多宽度高斯核的支持向量机特征选取算法研究

支持向量机（SVM）作为一种机器学习分类算法应用广泛,但在处理高维度数据集时往往会由于特征维数较多遇到算法分类速度慢且容易陷入局部最优等问题。为了提高支持向量机的性能,提出一种基于多宽度高斯核（GKMW）的支持向量机特征选取算法FSG。FSG算法将泛化能力更强的多宽度高斯核函数引入支持向量机中代替传统的高斯核函数,利用多宽度高斯核函数能体现各个特征对分类贡献程度不同且能区分样本中各个特征重要性的特点,以多宽度高斯核函数的参数优化结果为基础进行特征选取。利用特征选取后的特征子集在多组标准UCI数据集上分类实验,实验结果表明所提算法性能优于有代表性的特征选取法。     

基于二元B样条基的核函数及支持向量机研究

在支持向量机方法中,核函数起着关键的作用.利用2-型三角剖分上的样条函数空间(S21(Δmn))的一组二元B样条基构造了一种新的核函数,并应用到二元函数的逼近中,取得了良好的效果.     

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。