一种支持向量机增量学习淘汰算法

针对大规模数据集的分类问题,支持向量机的训练成为一个难题。增量学习是解决这一难题的思路之一。分析了新增样本加入训练集后支持向量集的变化情况,提出了一种基于密度法的支持向量机增量学习淘汰算法,淘汰了对最终分类无用的样本,在保证测试精度的同时减少了训练时间。实验仿真证明这种算法是有效的。     

一种基于Tsallis熵的最小二乘支持向量机稀疏算法

最小二乘支持向量机(Least Squares Support Vector Machine,LS-SVM)算法是一种优化的支持向量机(Support Vector Machine,SVM)算法,针对该算法稀疏性差,支持向量过多的问题,提出了一种基于Tsallis熵的稀疏算法。分析了最小二乘支持向量机算法的训练过程,提出了增量算法和Tsallis熵的概念,以此为基础提出了一种解决算法稀疏性的改进算法;最后对算法进行了仿真。仿真结果表明,该改进算法相比于传统算法稀疏性更强,适用于大样本集的系统辨识。     

基于支持向量机的多目标分类和识别

支持向量机(SVM)算法广泛应用于模式识别等领域,但是SVM最初是针对二类别分类提出,在多分类识别中稍显逊色。对将SVM由二分类扩展到多分类的算法进行了研究,发现有向无环图(DAG-SVM)是其中用的最多的算法之一。因此,针对军事领域图像的多目标分类,选择有向无环图算法来实现军事图像中单兵、装甲、低空等多目标的分类识别。     

基于中心凸包算法与增量学习的SVM算法研究

基于计算几何理论,在分析支持向量与凸包向量关系的基础上,提出了一种基于中心凸包算法与增量学习的SVM学习算法。在确保分类器达到可靠精度的前提下,为解决学习中时耗过长的问题,在对当前训练集计算凸包的基础上采用欧式中心距离淘汰法对训练样本进一步精简,并且每次进行增量学习的样本都包含前次训练样本集中违背KKT条件的样本,在UCI数据库上进行算法对比实验,结果表明算法的可行性和有效性。     

粗糙集理论的支持向量机建模研究及应用

结合粗糙集的属性约简和支持向量机的分类机理,提出了一种混合算法.将粗糙集理论中的属性约简引入到支持向量机中来,把粗糙集作为支持向量机的预处理器,先降低原问题的维数,以支持向量机方法建立预测模型.提高了SVM的推广能力,减少存储空间,加快了支持向量机的训练速度,取得了满意的预测结果.     

基于QPSO算法的支持向量机参数优化研究

应用具有量子行为的粒子群优化算法,对支持向量（SVM）进行参数优化研究．根据支持向量机的分类准确率和泛化能力之间的关系,应用QPSO算法选取比较优秀的参数模型,比较参数模型的各项性能,选取最适合实际需要的参数模型．仿真表明,QPSO算法的SVM模型与PSO算法相比在分类准确率和泛化能力上均获得更好的效果,经QPSO优化后的SVM整体性能明显提高．     

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...     

基于支持向量机和虚拟仪器谐波频率检测

支持向量机是采用结构风险最小化原则代替传统统计学中的基于大样本的经验风险最小化原则的新型机器学习方法,具有出色的学习分类能力和推广能力,广泛地应用于模式识别和函数拟合中。提出了一种基于支持向量机算法(SVM)的检测飞机电网中谐波频率的新方法,以支持向量机方法为理论基础,利用强大的图形化开发软件LabVIEW为开发平台,设计了谐波检测系统。经实验发现,该系统在采样点数较少的情况下,仍能比较准确检测出各次谐波频率,系统具有操作简单,稳定可靠、测试精度高等特点。     

基于支持向量机算法的虚拟脱靶量预测

为了提高防空高炮武器系统的射击精度问题,采用支持向量机(SVM)算法,建立了基于支持向量机的虚拟脱靶量预测模型,提出了预测方法,该算法可以通过对给定样本的学习,获得很好的预测未出现的样本,理论上比较科学,算法简单、易于实现,通过仿真实验验证了该算法对虚拟脱靶量预测的可用性和准确性,为火控系统精度的校正提供了一种有效的方法。     

火箭发动机故障检测的快速增量单分类支持向量机算法

为解决液体火箭发动机故障诊断正负样本不平均问题,以及实现发动机稳态工作段自适应故障检测,建立了基于快速增量单分类支持向量机的异常检测模型。采取特征工程方法,对传感器获得的多变量时间序列进行特征提取。通过增量学习方法,对单分类支持向量机模型进行改进,并应用于液体火箭发动机异常检测,使单分类支持向量机检测模型具备对不同台次、不同工况的自适应性,提高了模型的计算速度。对多台次热试车数据的分析结果表明,该模型十分有效,训练速度快,具备实用价值。     

基于分层聚类的支持向量机模拟电路故障诊断

提出分层聚类与支持向量机集成的算法,以多级二叉树结构的SVM实现故障的分级诊断。根据最大间隔距离原则,对各故障模式电路特征的逐次聚类二分获得二叉树,使每个节点的SVM具有最大分类间隔,减少了误差积累,从而优化了SVM的组合策略。聚类上利用遗传粒子群算法对样本进行聚类。经模拟电路仿真结果显示,该方法与一对一、一对多方法相...     

基于层间嵌入式多级支持向量机的特征选择

针对多故障样本一次性映射之后分类不理想,研究了多级层次式支持向量机,应用UCI数据仿真,结果表明该方法缩短了训练时间、提升了测试准确率、改善了样本的可分类性。由于误差积累,在此基础上,提出了层间嵌入式多级支持向量机,采用Abalone数据仿真,结果表明分类精度有所提高并减少了分类步骤。结合ReliefF算法,对制导设备的故障特征参数进行了选择。     

基于支持向量机的多传感器空中目标识别研究

针对空中目标识别的复杂性,将支持向量机引入对空中目标的多传感器识别,对其机理进行了详细分析,建立了基于支持向量机的空中目标识别的算法模型.仿真实验的结果表明,该方法具有很好的识别效果,并且是一种能在训练样本很少的情况下达到很好分类推广能力的学习算法.     

基于EMD和二叉树支持向量机的调制识别算法

针对数字调制模式识别问题,提出了一种基于经验模式分解(EMD)和二叉树支持向量机的识别算法。该算法通过对数字信号进行经验模式分解,利用分解得到的本征模式函数构造分类特征,再运用二叉树支持向量机作为分类器实现了6种信号的分类。仿真结果表明,该算法具有很好的识别性能。     

基于鲁棒性一类SVM的综导系统信息故障检测方法研究

为了提高舰艇综合导航系统的可靠性,并考虑到系统准确建模和大量故障数据获取的困难性,提出了一种基于鲁棒性一类支持向量机(support vector machine, SVM)的信息故障检测方法。该方法采用鲁棒性一类SVM的分类原理,并根据分类平面方程构造检测统计量,结合主元分析(principal component analysis, PCA)的方法实现实时的故障检测。实测数据试验表明,所提出的算法对含有野点的导航信息阶跃性故障和渐变性故障的检测能力优于普通一类SVM算法,而且该方法对参数的变化具有较低的敏感性。     

支持向量机的OTHR多频特征目标分类识别法

针对低信噪比下多频法在天波超视距雷达(Over-The-Horizon Radar,OTHR)目标分类识别中分类精度不高的缺点,充分利用雷达量测的一些先验信息,将基于支持向量机(Support Vector Machine,SVM)的多分类器引入多频法中,提出了一种基于SVM的OTHR多频特征目标分类识别方法。仿真结果表明,利用较少的3个频率点,在信噪比较低的条件下可获得较好的分类识别效果,说明了该方法在OTHR目标分类识别中的有效性和可行性。     

一种综合使用支持向量机和遗传算法的隐藏图像检测方法

提出了一种新的基于遗传算法和支持向量机的隐藏图像检测方法。用遗传算法进行图像特征选择，采用支持向量机作为分类器，将支持向量机的分类效果作为适应度函数值返回，指导遗传算法搜索最优的特征，移除图像的不相关特征和冗余特征，提高了学习效率。实验结果表明，与仅采用支持向量机分类但未进行特征选择的隐藏检测方法相比，本方法能有效地提升分类器性能。     

判决特征选择的快速人脸识别算法

为了在确保识别精度的条件下提高人脸识别的速度,提出了判决特征选择算法(SVM-DFS).针对多类分类问题,判决特征选择算法根据统计学习理论使用支持向量机来实现特征选择,根据全概率定理把特征选择和多类分类集成到一个统一框架.在UMIST和FERET人脸数据库上的实验表明:SVM-DFS算法可以用来挑选对分类最有用的特征,这些挑选出来的特征具有明显的物理意义.使用判决特征选择方法不但可以加快分类器的响应速度,而且不降低分类器的泛化能力.     

基于局部积分双谱与SVM的雷达目标识别

针对高分辨距离像的特点,应用双谱与SVM研究高分辨雷达目标识别问题。提出了基于局部积分双谱与SVM的雷达目标识别方法。该方法选择具有最强鉴别能力的积分双谱构成局部积分双谱特征,基于局部积分双谱进行距离像特征提取,然后应用支持向量机对提取的特征进行分类识别。利用四种局部积分双谱的目标识别仿真实验结果表明,提出的方法具有良好的分类性能。     

基于TWSVM的C4ISR网络安全态势评估方法

为进一步提升基于SVM的C4ISR网络安全态势评估方法的评估精度和鲁棒性,提出了一种基于孪生支持向量机的C4ISR网络安全态势评估方法。该方法首先分析了影响C4ISR网络安全态势的主要因素,然后基于孪生支持向量机,建立了C4ISR网络安全态势评估模型,通过非线性映射将网络安全态势样本各个要素特征向量映射到高维特征空间,继而利用多类核函数构造的不同分类面以及分类函数来对网络安全态势样本数据进行学习和参数估计,从而得到全局最优分类解。实验结果表明,与基于SVM的网络安全态势评估方法相比,所提方法在提高评估正确率的同时能够动态高效地反映出当前网络的安全态势,具有较强的鲁棒性。