迭代优化SVM网络流量分类技术研究

针对传统SVM分类方法训练速度较慢的特点,提出了一种新的迭代调谐方法。该方法通过对SVM分类方法的参数进行迭代化以提高它的训练速度。从NetFlow数据中提取流层面信息进行流量分类的实验结果表明:迭代优化SVM分类的训练速度比传统8种SVM分类方法更快,同时保持和其他8种分类方法近乎相同的分类精度。     

基于粗糙集支持向量机的空袭目标识别

为提高对空袭目标的识别能力,提出了一种基于粗糙集支持向量机的空袭目标识别方法.该模型用RS方法构建SVM数据处理系统的前置系统,充分利用RS理论在处理大数据量,消除冗余信息等方面的优势,减少了SVM训练数据,克服了SVM算法因为数据量太大而导致处理速度慢的缺点.根据分类识别的要求,在RS-SVM两类分类算法的基础上,建...     

GM(1,1)和SVR的雷达电子部件状态趋势预测模型

为提高雷达电子部件状态趋势预测的精度,根据测试数据特点,提出了基于GM(1,1)与支持向量机回归(SVR)的组合预测模型。采用粒子群优化算法分别对GM(1,1)和SVR模型进行了改进,提高了单一模型的预测精度。在此基础上,结合GM(1,1)模型对趋向性数据的预测优势和SVR模型对数据波动的强适应性,达到了取长补短、相得益彰的效果。实验结果表明该组合模型不但具有更高的预测精度,而且对不同预测对象有更强的适应能力。     

基于AdaBoost-SVM的P2P流量识别方法

针对传统的P2P流量识别技术存在识别率低和误判率高的缺点,将机器学习中Ada Boost算法的良好分类能力和SVM的泛化能力结合起来,提出一种基于Ada Boost-SVM组合算法的P2P网络流量识别模型,将SVM作为Ada Boost的基分类器,运用最小近邻法计算支持向量与训练集的样本间的距离实现分类进行P2P流量识别。最后,以4种P2P流量数据为研究对象在MATLAB上进行仿真,仿真结果表明,提出的Ada Boost-SVM的组合算法在P2P网络流量的分类性能和分类准确率上都优于单纯的Ada Boost和SVM,组合算法的P2P流量平均识别率高达98.7%,远高于Ada Boost和SVM的识别率。     

SVM异常数据识别的比例风险预测模型

剩余寿命预测在设备维修管理中扮演着重要的角色,准确的剩余寿命预测对制定维修策略起着至关重要的作用,从而可以有效避免设备故障的发生.提出一种基于支持向量机(SVM)异常数据识别的比例风险模型(PHM)用于剩余寿命的预测,该模式利用支持向量机和比例风险模型分别实现异常状态数据的识别和剩余寿命的预测.案例研究表明,SVM -PHM模型较PHM模型具有更好的预测精度.     

基于SARIMA-SVM组合模型的战时军用物资需求预测

针对战时非平稳、非线性环境下预测难题,利用季节性差分自回归移动平均模型(SARIMA)和支持向量机模型(SVM)分别对线性和非线性时间序列的较强拟合能力,采用SARIMA对军用物资需求量时间序列数据进行线性建模,并用SVM对SARIMA模型残差进行非线性建模,将SARIMA模型与SVM模型组合对战时需求进行预测,结果表明,SARIMA-SVM组合模型预测精度明显优于单一模型,发挥了两种模型各自的优势,与滑动平均模型(MA)相比更具优势.该组合模型是切实可行的,可为战时军用物资供应提供决策依据.     

基于优化SVR的军用软件可靠性预测方法

为了避免军用软件在投入部队使用后频繁出现失效问题,进而造成训练及战时的损失,提出一种优化SVR算法的军用软件可靠性预测方法,旨在军用软件大量投入部队使用前,做好军用软件自身的可靠性预测工作。进行度量元采集,并对度量元进行数据预处理;通过引入相关性的概念,提取出与软件可靠性指标相关程度较大的度量元;再通过网格寻优法优化SVR中的参数;通过案例对比分析,证明了基于优化SVR算法的军用软件可靠性预测方法可以提高软件可靠性的预测精度。     

基于改进型花朵授粉算法的SVM参数优化

针对现有的优化方法在优化支持向量机(SVM)参数时出现的搜索效率低、易陷入局部最优等问题,提出一种基于变异策略的改进型花朵授粉算法——MFPA算法,并将其应用于SVM的参数优化问题,通过UCI中的相关数据集进行测试,测试结果表明,基于MFPA算法参数优化的MFPA-SVM模型其分类性能要优于现有PSO-SVM模型和BA-SVM模型。最后将MFPA-SVM模型应用于风速预测问题,经测试证明,MFPA-SVM模型相较于PSO-SVM模型和BA-SVM模型可有效提高模型的预测精度。     

一种新的证据K-NN数据分类算法

K近邻分类算法已被广泛应用于模式识别中。为了有效处理识别问题中的不确定信息并提高数据分类精度,提出了一种新的证据K-NN(NEK-NN)分类算法。首先从总的训练集中随机重复采样来构造多个训练样本子集。在每个训练子集中,利用目标数据与其各个近邻的距离分别构造基本置信指派,并根据K个近邻数据在每个类别中的数目来对构造的置信指派进行加权。然后,利用DS规则对加权证据融合。根据每个训练子集下融合结果的算术平均值来判断目标的类别属性。通过模拟数据集和真实数据集的实验,将NEK-NN算法与其他几种常见的方法做了对比分析,结果表明NEK-NN算法能够有效地提高分类的精度。     

基于GA-BP算法的飞机维修人员安全预测模型

为实现对飞机维修人员安全性的有效预测,构建了维修人员安全性评价指标.通过专家打分法获得了维修人员安全性评价指标的原始训练数据和测试数据,分别采用BP-GDM模型、BP-LM模型和GA-BP-LM模型对数据进行了训练和预测,仿真结果表明:BP-GDM模型预测精度最差,且训练耗时较长,而GA-BP-LM模型不仅可以获得较高的预测精度,且耗时最短,BP-LM模型居中.此外GA-BP-LM模型相对误差值波动幅度最小,平均相对误差仅为3.33％,达到了预测的精度要求,为飞机维修人员安全性预测提供了有效手段.