一种基于颜色纹理与SVM的盲道分割算法

为了帮助盲人更好地利用盲道,需要将盲道从复杂的前方环境图像中提取出来,提出一种基于颜色纹理和SVM的盲道分割算法,首先利用SVM对样本进行特征训练,再利用训练后的SVM数据模型对输入的图像进行判别,从而将盲道部分提取出来。通过对比选取了HSV颜色空间的颜色特征和3个频率、2个方向角的Gabor滤波器组样本纹理特征,再将其输入到SVM分类器中训练。结果表明,相较于现有算法,该盲道分割算法具有更加稳定、普遍性高、系统处理时间短等优点。     

基于PSO-SVM模型的网络流量预测研究

针对网络流量高度自相关、随机性和非线性等时间序列特征,采用支持向量机（SVM）模型进行预测。针对SVM模型中参数难以确定的问题,采用粒子群（PSO）算法进行参数寻优,保证预测的精确度。将PSO—SVM模型预测结果与ARIMA自回归移动平均模型、BP神经网络模型预测结果进行比对,PSO—SVM模型具有更高的预测精度,能够更好地反映网络流量的变化规律。     

基于SVM的氨基酸频率计算预测水稻蛋白质磷酸化位点

本文从s wiss-prot中选取经过试验验证的水稻蛋白质磷酸化位点数据作为训练集合,应用蛋白质序列的氨基酸频率计算方法来进行特征提取,再利用SVM算法构建专门针对水稻蛋白质磷酸化位点的预测新工具.氨基酸频率算法指的是计算出相应待预测磷酸化位点附近氨基酸的出现频率,进一步反映了残基之间的相关性.本文利用LibSVM软件包对已通过氨基酸频率算法特征提取出来的数值特征对磷酸化位点进行预测,从而为之后构建水稻蛋白质磷酸化位点的预测工具做准备.结果表明,本文基于SVM和氨基酸频率方法的水稻蛋白质磷酸化位点预测在丝氨酸,苏氨酸和酪氨酸的平均预测准确性为77.665%,马修斯系数为0.571.与PlantPhos和Musite的预测性能的对比结果显示,在磷酸化苏氨酸位点的预测性能显著高于PlantPhos及Musite.     

基于GA-SVM的高职学生综合素质评价模型

引入GA优化算法对SVM模型的参数进行优化,把优化后的算法应用于高职学生综合素质评价,构建一个学生综合素质的评价模型。实验表明,优化后的SVM模型泛化能力更好、预测的准确率更高,能有效地对学生的综合素质进行评价。     

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LightGBM和贝叶斯优化的车辆碰撞检测模型

针对车辆碰撞检测中的类别不平衡和特征数量少等问题,提出一种经贝叶斯优化后的LightGBM算法对车辆碰撞状态进行检测。首先通过原始特征构建碰撞特征,并利用Pearson相关系数和随机森林算法选择最优特征集;然后使用经贝叶斯优化后的LightGBM算法进行训练和测试;最后将LightGBM与SVM、RF及XGboost模型进行对比。仿真结果表明,LightGBM算法模型表现最优,精确度、召回率与F1-Score分别为0.93、0.94和0.93。说明所提模型能够较好地用于检测车辆碰撞状态,可以有效引导企业开展用户关怀和事故救援。     

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。     

基于PSO-SVM的电动车铅酸蓄电池SOC预测

为了提高电动车铅酸蓄电池的电池荷电状态(SOC)预测精度,将粒子优化算法(PSO)引入到支持向量机(SVM)中,建立了PSO-SVM电动车铅酸蓄电池SOC预测模型,模型输入量为电池的电压和电流,输出量为SOC。采用PSO算法对SVM的惩罚因子C和径向基函数宽度σ寻优,降低了SVM参数取值的盲目性,提高了预测精度。设计了铅酸蓄电池数据智能采集系统,并进行了实际运行车辆电池数据采集。在advisor2002软件中获取的电池数据和实际车辆电池运行数据的基础上,进行了模型训练和预测。结果表明,PSO-SVM预测模型相对传统的BP、RBF和SVM预测模型具有更好的精度和推广能力,满足了"SOC估算精度小于5%"的要求,从而表明该模型是有效的、可行的,并具有较好的工程实用价值。     

SVM算法在文本分类中的研究

SVM算法只使用已归类的数据训练分类器,而EM算法用少量已归类数据,结合大量的未归类数据来训练分类器,在减少已归类数据的同时保证了分类器的精度。本文基于EM算法的思想,根据SVM文本分类模型,提出一种新的迭代SVM文本分类算法。实验结果表明,迭代SVM算法分类精度高于传统的SVM文本分类算法,具有较好的性能。     

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。     

基于贝叶斯优化LightGBM的车辆碰撞检测模型

针对车辆碰撞检测中的数据缺失和特征数量少等问题,提出了一种经贝叶斯优化的LightGBM算法模型对车辆碰撞状态进行检测。首先,对原始特征进行特征工程预处理;然后使用经贝叶斯优化的LightGBM算法对数据进行训练和测试;最后将LightGBM与LR、SVM、RF及XGboost模型进行对比。模型仿真结果显示,LightGBM算法模型表现最优,精确度、召回率与F1-Score分别为0.93、0.94和0.93。     

基于多特征融合的甲状腺结节良恶性识别

鉴于甲状腺结节良恶性的判别十分依赖于有效特征的提取,提出基于DLBP与RLBP模型相结合的局部纹理特征提取算法,首先利用RLBP模型解决图像旋转不变问题,然后与DLBP模型相结合对RLBP模式特征进行选择与降维,再与纵横比、圆形度、紧致度等形状特征相结合并输入到SVM分类器中。为了进一步提高识别率,提出基于粒子群算法与网格搜索算法相结合的SVM参数优化算法。实验结果表明,该模型提取的特征用于分类识别时较上述各种模型及传统的旋转不变等价ULBP模型能获得更高的识别率,且提出的参数寻优算法相比于传统寻优算法效率更高。     

基于MapReduce并行SVM的垃圾邮件分类

针对垃圾邮件大量存在的问题,提出基于MapReduce并行SVM的垃圾邮件分类算法,用支持向量机作为分类器,基于MapReduce将各子分类器进行合并,并通过重训练得到模型,利用该模型对测试集进行分类,得到结果。为解决算法精度损失、准确率低等问题,引入KNN,在原算法基础上进行循环迭代。     

基于移动互联网的精细化营销平台设计探究

文章阐述了基于移动互联网的精细化营销平台的设计方案,该平台对移动互联网用户的行为进行分析,掌握用户的喜好及聚类分群,为流量经营等精分产品的实现奠定基础。我们引入页面tittle、keywords分析技术,采用K-Means、SVM和Naive Bayes,利用简单贝叶斯模型,完成对未含类主题变量文档的标注。通过SVM算法进行特征向量选取和训练,并利用EM算法获得极大似然估计的最优解。     

基于BP神经网络的芜湖市社会用电量预测研究

为通过社会用电量分析来反应经济状况,文章采用BP神经网络算法,首先对芜湖市近几年的社会用电量进行分析,再通过Matlab神经网络工具箱构建预测—时间序列模型,最后根据需求获得相应的预测数据。仿真试验表明,该模型找到一条函数曲线很好地拟合已知数据,同时顺利地预测未知数据,所提算法达到预期的效果。     

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。     

混合神经网络的高校网络舆情预测模型研究

为了对高校大学生群体性事件网络舆情进行准确预测并作正确引导,提出一种基于改进粒子群算法的混合神经网络(HANN)的高校网络舆情的发展趋势预测模型.HANN首先采用自适应调整策略和混沌理论对粒子群算法进行改进得到改进粒子群算法(CSA-PSO),再通过CSA-PSO算法训练径向基人工神经网络(RBF ANN)得到;RBF ANN的结点个数通过试探法确定.通过实例测试和与其它模型比较实验,结果表明所提出的HANN方法具有较高的预测精确,综合性能较好.     

基于灰色关联分析与 XGBoost 模型的销售预测研究

为提高销售预测准确率,提出一种基于改进 XGBoost 的销售预测方法。首先对销售量影响因素进行特征分析,通过改进灰色关联分析方法对训练数据进行降维处理|然后采用基于 XGBoost 算法的销售预测方法对降维后的特征数据进行监督训练|最后使用训练后的模型对销售情况进行预测评估。实验结果表明,基于灰色关联分析和 XGBoost 模型的销售预测方法正确率达到 95%以上,比传统的经典预测方法提高 35%以上,比 XG?Boost 预测方法提高 19.6%。基于灰色关联分析与 XGBoost 模型的销售预测方法不仅能有效处理海量数据,提高销售预测准确率,还能为制造企业实现产品精准投放提供决策依据。     

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。     

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.