连续小波变化-支持向量回归模型及其在谷物近红外光谱分析中的应用

近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析．支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力,在许多领域中的应用取得了成功．在这篇文章中,我们把连续小波变化技术结合支持向量机用于近红外光谱分析,结果显示,连续小波变化．支持向量机模型具有更好的预测精度．     

连续小波变换-支持向量回归模型及其在谷物近红外光谱分析中的应用

近红外光谱技术是一种简单,快速,无损,价格低廉的方法,可以进行多组分同时分析．支持向量机基于结构风险最小化原理替代了传统方法中的的经验风险最小化原理,使得它具有更好的泛化能力,在许多领域中的应用取得了成功．在这篇文章中,我们把连续小波变化技术结合支持向量机用于近红外光谱分析,结果显示,连续小波变换一支持向量回归模型具有更好的预测精度．     

基于独立成分分析和支持向量机的入侵检测方法

提出了一种入侵检测方法,该方法采用独立成分分析方法获取入侵行为模式的高阶统计信息,并将输入模式空间映射到相应的独立成分空间,然后利用支持向量机对小样本、高维数据泛化能力强的特点,在独立成分空间中用支持向量机原理构造广义最优分类超平面.数值实验表明,所提方法可大大降低特征空间维数,具有较好的分类正确性.特别是当高斯核参数σ值在1~3之间时,利用该方法的漏检数仅为标准支持向量机算法的1/9,这说明它能有效地获取入侵行为的本质特征,对新的入侵行为有比较好的识别能力.     

基于动态独立成分的单类支持向量机方法及其在故障诊断中的应用

针对工业过程故障诊断中数据的动态性、非高斯性和非线性特点,提出一种基于动态独立成分的单类支持向量机(OCSVM)方法。为了分析数据的动态特性和非高斯性,应用动态独立成分分析(DICA)方法提取数据变量中的动态独立成分作为特征信息,基于特征信息建立OCSVM模型并构造非线性监控统计量。检测到故障后,计算故障数据与故障模式数据决策超平面的相似度,通过相似度分析识别故障模式。在Tennessee Eastman基准过程上的仿真结果表明,提出的方法能够比单类支持向量机更有效地检测过程故障,并且能够正确识别故障模式。     

改进的基于线性支持向量机回归的近红外光谱分析方法

以近红外光谱信号为研究对象,把线性支持向量机回归方法应用于近红外光谱分析中,为 了提高算法的分析精度,提出了先对光谱数据进行中心化预处理,再建立线性支持向量机回归模 型,然后根据回归模型中的回归系数构建变量重要度的评价指标并采用网格搜索法得出满意的变 量集,再利用选出的变量集重新构建回归模型的分析方法.最后,采用业界认可的标准数据对该方 法进行了测试和分析,结果表明了该方法的有效性.     

新型非平行平面支持向量回归机及其应用

支持向量回归机(SVR)和孪生支持向量回归机(TSVR)是机器学习中的常用算法.受TSVR启发,针对SVR训练速度和预测精度问题,提出一种新型非平行平面支持向量回归机(NNHSVR).NNHSVR的优势如下:(1)NNHSVR模型构造的是两个较小规模的二次规划问题,最终求解得到2个非平行平面,训练速度较SVR快;(2)NNHS-VR在目标函数中加入调节参数u,对边界函数进行约束,使得模型对离群点更加鲁棒.人工数据集和UCI数据集上的实验表明:NNHSVR算法不仅有较好的泛化性能,而且训练速度快.将NNHSVR算法应用于传染病预测问题,取得了比传统传染病预测模型BP神经网络更好的效果.     

基于支持向量回归机的气象观测站优化模型

在保证足够信息量的前提下,针对合理减少气象观测站的实际问题,首先利用主成分分析(PCA) 降低样本数据的维数,其次利用支持向量回归机(SVR)对样本进行有效的回归,然后结合优化软件lingo对凸二次规划问题(与支持向量回归机相对应)进行求解,最终得出基于主成分分析-支持向量机回归预测优化模型。     

核主成分支持向量机模型在蒸发预测中的应用

核主成分分析(KPCA)法具有很好的非线性特征提取能力,利用KPCA提取输入数据的特征信息,并将特征信息作为最小二乘支持向量机(LSSVM)的输入变量,建立KPCA-SVM预测模型.通过实例检验表明,具有非线性特征提取的ISSVM模型的预测效果优于没有特征提取的LSSVM模型.与主成分分析(PCA)提取特征相比,KPCA特征提取效果更好.     

支持向量机回归与ν-支持向量机分类解的关系

讨论了支持向量机回归与v-支持向量机分类解的关系,证明了对给定的v-支持向量机分类问题的解,通过选择适当参数,存在一个支持向量机回归问题的解与它等价．     

PCA支持向量机回归集成股市预测应用

利用主成分分析（PCA）方法优选神经网络集成个体,利用支持向量机回归集成生成输出结论,建立一个PCA支持向量机回归集成股市预测模型。试验表明,该模型能有效提高神经网络集成系统的泛化能力,预测精度高,稳定性好。     

一种新的支持向量回归预测模型

运用支持向量机（SVM）理论，建立了一种新的支持向量回归（SVR）预测模型.模型的求解可转化为二次规划问题，并能实现模型参数的自动选择.用此模型对我国粮食产量增长率的预测表明，模型具有较好的概化能力.     

ICA特征提取技术在背景噪声建模与分析中的应用

应用infomax学习规则对船舶辐射噪声信号进行独立成分分析(ICA)特征提取,并证明了ICA变换能增强信号的非高斯性.在此基础上,根据稀疏编码的特性,利用阈值化的方法将船舶辐射噪声信号有效去噪.通过对含有海洋环境噪声的船舶辐射噪声信号的去噪实验,证明了本方法的有效性,并且去噪结果明显优于传统的几种去噪方法.     

独立分量与因子旋转关系分析

解析独立分量分析和因子分析的基本原理,指出独立分量分析的本质是因子旋转,从理论上证实了Varimax和Onhomax等因子旋转与基于峭度的独立分量估计目标函数条件等价。考虑多种类型源信号的情况,提出了基于Varimax的独立分量估计方法。实验表明,在混合矩阵满足稀疏条件下该方法简单有效。     

基于ICA-R的目标运动变化检测

针对实时场景下复杂背景动态变化的特点,在ICA(独立分量分析)模型的基础上,本文将带参考信号的独立分量分析(Independent Component Analysis with Reference, ICA-R)方法引入到目标跟踪环节,该算法能够检测出两帧图像之间目标运动变化而不是背景变化部分,克服了目前大多数基于简单差分模型的变化检测算法计算量大,抗噪声、抗抖动性能弱的问题.实验结果表明,这种方法能够准确地提取出实时场景中目标的运动变化区域,并具有很强的鲁棒性.     

ICA的共轭下降法

独立分量分析(ICA)作为有效的盲源分离技术(BSS)是信号处理领域的热点.本文在分析现有的ICA算法的基础上提出了以最小互信息为准则函数的ICA的共轭下降算法,并将该算法与传统的算法在计算效率和收敛性方面进行了比较,该算法的迭代次数由传统算法的约2000次减少至不超过300次.适当地选取对比函数可实现全局收敛,并简要分析了对比函数的选取准则.模拟实验证明该算法收敛速度快,而且对初始点不敏感,在健壮性方面具有较好的性能.     

一种基于SVR的综合预测方法及应用

针对一类因变量具有复杂自变量、且不具备相同采样周期的预测问题，综合运用支持向量回归估计(SVR)、多元回归和主成分分析等多种数据分析技术，提出了一种综合预测方法，建立起了飞机故障率与其错综复杂的影响因素间的一种数学关系，并且采用航空装备质量控制的统计数据对所提出的方法进行了实验，预测结果显示了方法的有效性。在影响因素量化过程中，还引入了Pearson相关系数方法。     

基于相空间重构和独立分量分析的超声信号噪声消除

提出了一种新的基于相空间重构和独立分量分析的超声信号去噪方法.应用该方法处理了实际的试块超声检测信号,并与小波去噪的效果进行了比较.实验结果表明,该去噪方法的效果与小波去噪方法接近,其特色是通过超声信号和噪声信号的盲源分离实现噪声消除.该去噪方法与小波去噪方法相比具有使用简单容易、去噪效果好和自适应强等优点.     

基于独立成分分析的强背景噪声去噪方法

由于许多传统的去噪方法在强背景噪声情况下提取声音信号的能力变弱甚至失效，提出应用独立成分分析(ICA)方法对声音信号进行特征提取，并证明了这种ICA变换能增强语音和音乐信号的超高斯性．在此基础上，应用ICA基函数作为滤波器，通过阈值化的去噪方法对含有强高斯背景噪声的声音信号进行去噪仿真实验．结果表明，本方法明显优于传统的均值滤波和小波去噪方法，为强背景噪声下弱信号的检测提供了新的途径．     

独立分量分析及其在诱发电位提取中的应用

独立分量分析能够在各信号频率混迭的情况下,从它们的线性混合信号中有效分离出原始信号,这为微弱电生理信号的提取提供了途径,受到生物信号处理研究人员的关注.作者研究分析了独立分量分析模型和一种基于负熵判据的定点快速ICA算法的实现,并将该算法运用于仿真诱发电位的提取中,从观测信号(混合信号)中有效地提取出视觉诱发电位.