基于KKT条件的SVM增量学习算法

为了解决支持向量机(SVM)在增量学习时,由于支持向量选择不完全,导致增量学习过程无法持久进行的问题,提出了最大似然边界SVM增量学习算法。该方法在深入分析分类面变化趋势的基础上,充分利用KKT条件,选择包含支持向量的边界向量参与SVM增量学习。实验表明,该算法可以完全覆盖支持向量,与经典支持向量机算法的结果完全相同,并且节省了大量时间,为今后大样本分类和增量学习的可持续性提供了条件。     

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。     

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。     

面向像斑的高分辨率遥感影像自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市QuickBird和WorldView影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度（82%与82.67%）、常规支持向量机分类总精度（87.33%与88%）、最小二乘支持向量机分类总精度（88%与89.33%）相比,精度有明显提升,分类效果较好。     

高分辨率遥感影像的自优化迭代分类方法

针对高分辨率遥感影像提出了一种面向像斑的自优化迭代分类算法,基于半监督聚类算法获取训练样本,以支持向量机为核心设计了自优化迭代分类器。使用分型网络演化算法获取像斑,并从中选取少量标记样本;结合标记样本,利用半监督模糊C均值算法对像斑进行聚类,并基于密集度筛选得到训练样本;设计了自优化迭代支持向量机分类算法,对所有像斑进行迭代分类直到满足分类要求,并在分类过程中对近邻分类结果进行统计得到高可信度样本以自主优化训练样本集。基于以上方法分别对武汉市Quick Bird和World View影像进行分类实验,分类总精度分别达到94.67%与92%,与基于人工选取训练样本情况下进行分类的分类总精度(82%与82.67%)、常规支持向量机分类总精度(87.33%与88%)、最小二乘支持向量机分类总精度(88%与89.33%)相比,精度有明显提升,分类效果较好。     

模糊超球支持向量机

提出了模糊超球支持向量机算法。首先根据样本分布特性将样本空间划分成有限个超球子空间,超球半径经归一化处理后作为各球心样本点的模糊属性值,超球球心组成新的训练样本集,在构造决策超平面的过程中对应不同模糊属性值的各输入样本增加了不同训练权重。仿真实验结果表明:该算法减少了训练样本数,有利于提高支持向量机的训练速度和测试速度,有效地防止了训练样本中噪声点对训练结果的负面影响。     

粗糙集和FSVM结合的雷达信号识别法

结合粗糙集的属性约简和支持向量机的分类机理,研究了一种混合算法,即应用粗糙集的属性约简过程作为预处理器,可以把冗余的属性及值和冲突的对象从决策表中删去,但不损失任何有效信息;由于传统支持向量机在多分类问题时出现的不可分区域现象,使用了模糊支持向量机进行后面的分类建模和预测,使得训练时间大大缩短和分类性能显著提高。将这种混合方法应用到雷达信号识别中,仿真实验证明该方法是有效的。     

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GA-SVM的装备保障设备报废技术鉴定方法

为提高装备保障设备报废技术鉴定的准确性,提出了一种基于支持向量机的报废技术鉴定方法.分析了报废技术鉴定主要特征,并给出了各特征的量化和预处理公式.介绍了支持向量机基本原理,并引入遗传算法对支持向量机的惩罚参数和核参数进行寻优.算例验证结果表明,与常见分类算法相比,基于高斯核的支持向量机在装备保障设备报废技术鉴定中,训练时间更短、分类精度更高.     

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.     

支持向量机在弹药训练消耗量预测中的应用

针对部队平时弹药训练消耗量预测过程中,样本采集数目较少的实际情况,采用了一种新的预测方法———支持向量机。该方法基于统计学习理论的原理,较好地解决了小样本的学习问题。并以某部队1997—2002年弹药训练消耗量为学习样本,建立了弹药年消耗量的预测模型。计算结果表明,这种方法比传统的方法有更少的误差和更好的预测精度。     

基于支持向量机的功率变换器开关管开路故障诊断

提出一种基于支持向量机的功率变换器开关管开路故障诊断方法。利用支持向量机建立分类模型,模型以相电流功率谱为输入量,7种故障状态为输出量,选用高斯核,使用基于二叉树分类器的分类算法。将诊断结果与基于BP神经网络的诊断结果进行比较,结果表明基于支持向量机的分类器在功率变换器开关管开路故障诊断中具有更高的准确率和更好的泛化能力。     

基于支持向量机的多元文本分类研究

根据文本分类的特点,在对最小二乘支持向量机方法进行详细分析的基础上,创建了基于最小二乘支持向量机的多元文本分类器.实验表明,采用该文本分类器能够在保持较高分类精度和召回率的基础上,提高训练效率,具有一定的可行性.     

基于小波包和支持向量机的舰用发动机故障诊断

舰用发动机是一个复杂的大系统,由于受到海洋恶劣气候的影响,其故障发生的概率大大增加,因此,对舰用发动机故障诊断进行研究具有重大实际意义。以舰用发动机的主泵轴承为例,提出了基于小波包和支持向量机的故障诊断方法。首先采用振动加速度传感器获取轴承的振动信号,然后对采集数据进行多层小波包分解,求各频带信号能量,形成各种故障模式下的特征向量。将形成的故障特征向量训练集输入到支持向量机,通过训练建立诊断分类器,并运用测试数据对建立的诊断分类器进行测试。实验结果表明,该方法可以很好地实现舰用发动机故障诊断效能,具有很好的工程应用前景。     

基于改进核极限学习机和集成学习理论的目标机动轨迹预测

为了提高目标轨迹预测的精度以及预测模型的泛化能力,提出基于改进蝙蝠算法优化的核极限学习机(Kernel Extreme Learning Machine,KELM)和集成学习理论目标机动轨迹预测模型。构建KELM模型,并采用改进的蝙蝠算法对KELM的参数进行优化;以优化后的KELM神经网络为弱预测器,结合集成学习算法生成强预测器,通过训练不断优化强预测的结构和参数,得到一种基于集成学习理论的目标机动轨迹预测模型;基于不同规模的样本,将所得预测模型与逆传播神经网络、支持向量机和极限学习机等模型进行对比分析。仿真结果表明:所提目标机动轨迹预测模型具有较好的预测精度和泛化能力。     

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...     

基于支持向量机的威胁判断模型

目标威胁判断是防空作战中一项重要内容,在建立目标威胁模型时,首先要挑选特征参数,分析了影响威胁度的若干因素.这里采用Rough理论中知识约简方法选择目标的特征参数;支持向量机是一类新型机器学习方法,由于其出色的学习能力,该技术已成为当前国际机器学习界的研究热点,利用支持向量机建立了威胁判断模型,给出了实例和解决此问题的支持向量机源程序.通过实例与神经网络法的结果进行了比较,结果表明支持向量机比较精确和简单.