基于SVM理论的一种新的数据分类方法

基于 SVM分类器在模式识别问题中有独特的优势 ,本文通过对标准 SVM模型的改造 ,提出了一种新的简单的数据分类方法 .理论分析和实验表明 ,该方法与标准 SVM分类方法相比具有处理大规模数据识别的能力且保持较高的样本识别率 ,节省存储空间等优势 .     

基于多指标融合小波包分解与SVM的脑磁信号分类

脑磁信号作为一种新的脑机接口输入信号,由于其信号微弱,背景噪声强,是一种随机性很强的非平稳信号.所以在引进了小波包分解基础上,利用多指标融合方法确定最佳分解尺度后,把该尺度下的分解系数作为脑磁信号的特征向量,并利用三种不同核函数的支持向量机对该特征向量进行学习选出最佳参数,然后对含有手运动方向模式信息的脑磁信号进行测试,并与其他5种算法进行比较,其平均分类正确率低于PCA与LDA融合的方法和改进半监督聚类方法,但超过了EMD与AR融合的方法,EMD与Hillbert变换融合的方法以及MVAR与MPCA融合的方法.实验表明了算法在非高斯、含噪声的脑磁信号分类是有效.     

基于支持向量机的多类分类问题的一种新算法

在K-SVCR算法结构的基础上构造了新的模型.模型的特点是它的一阶最优化条件可以转化为一个线性互补问题,通过Lagrangian隐含数,可以将其进一步转化成一个强凸的无约束优化问题.利用共轭梯度技术对其进行求解,在有限步内得到分类超平面.最后在标准数据集进行了初步试验.试验结果显示了提出的算法在分类的精度和速度上都有明显提高.     

多类分类的支持向量机的有限步终止Newton算法

多类分类问题是数据挖掘和机器学习领域中一个重要且正在进行研究的课题.最近对该问题提出了-种具有新型结构的K-SVCR方法.与其他方法相比较,此方法最大的优点在于在训练的过程中,能够利用训练数据的所有信息.然而,它又和"一对一"方法一样,对某-个K类分类问题,需要求解K(K-1)/2个二次规划问题,才能把一个模式指派到-个适当的类别中.因此建立一个快速有效的训练算法是非常重要的.在本文中,我们首先在K-SVCR方法的基础上提出了新的模型,然后把新模型转化成-个互补问题,并利用Lagrangian隐函数进-步转化成-个强凸的无约束优化问题.并且为它建立了一个快速地Newton箅法.该算法具有全局收敛和有限步终止的性质.同时通过Sherman-Morrison-Woodbury等式,将算法中需要处理的＄l\timesl＄矩阵(其中是模式的总量)转变成＄(n+1)\times(n+1)＄的矩阵(其中n是模式的维数).对于很多多类分类问题,n远远小于1,这也说明可以有效地实现该算法.初步的实验结果表明该算法在分类的准确度和训练速度方面都有很好的表现.     

应用模糊支持向量机进行英文情感分类

针对英文情感分类问题,对不同样本采用不同权重,通过引入模糊隶属度函数,通过计算样本模糊隶属度确定样本隶属某一类程度的模糊支持向量机分类算法,通过对比选取不同核函数和不同惩罚系数的结果.仿真实验结果表明应用模糊支持向量机进行英文情感分类具有较好的分类能力和较高的识别能力.     

基于投资者风险偏好的上市公司投资价值分类模型

从投资者的角度出发,建立上市公司投资价值分类模型.提出基于投资者风险偏好变量的分类模型,并采用广义最小二乘支持向量机进行求解.实证分析表明,模型能很好的体现投资者的风险偏好,并且算法也能针对问题有效的进行处理,在机器学习方法中融入投资者的个人决策具有可行性和有效性.     

基于多分类支持向量机的评估模型研究

支持向量机中的参数直接影响其推广能力,针对参数选取的主观性,提出基于改进的遗传算法优化其参数,并将其应用于银行个人信用的五等级分类问题中,针对多分类问题,设计了3个二值分类器,不同分类的参数不同,通过实验证实可以达到更精细的分类效果.     

基于支持向量机的磨粒识别

由于神经网络的局限性,上个世纪末,支持向量机被提出和发展,它在模式识别方面有广泛的应用发展前途,并由最初的二元分类发展到现在的多元分类.本文根据支持向量机的最新发展,把最小二乘支持向量机应用在磨粒识别上,并取得了好的结果.     

基于PCA-GA-SVM的火成岩分类方法研究

在地质科学中,正确的岩石分类有助于研究岩石的成因、形成条件、演化过程和工程设计等.由于地质条件的多样性、变异性及复杂性,人们很难对岩石样本进行准确的分类.通过主成分分析法(PCA)从影响火成岩分类的众多氧化物评价指标中提取出主成分,用遗传算法(GA)优化支持向量机参数,并采用支持向量机方法(SVM)对实际火成岩公开数据进行训练,建立了火成岩岩石分类的PCA-GA-SVM模型,同时结合火成岩实际数据将预测结果和基于Levenberg-Marquardt算法改进的BP神经网络模型(LM-BP)的预测结果做了比较.结果表明:基于PCA-GA-SVM模型得到的火成岩分类预测结果精度较LM-BP神经网络有很大的提高,与实际分类相符,有广泛的应用前景.     

基于不同分词模式的文本分类研究

主要研究不同的分词模式对文本分类结果的影响,采用两种传统的文本表示方法:LDA和LSA,采用两种分类方法:支持向量机和逻辑回归,一共四组不同的实验来比较分析.实验结果表明相对于传统的分词方法来说,第二种搜索引擎式的分词方法通过拆分、添加组合词对分类结果更有效.具体来说,对两种分词采用LDA得到文本表示后,模式二的分类准确率最高95.38%,模式一为93.7%.在对两种分词采用LSA得到文本表示后,模式二的分类准确率最高为96.44%,模式一最高为95.2%.     

基于支持向量机的神经元形态分类

针对神经元的空间几何形态特征分类问题以及神经元的生长预测问题进行了探讨.结合神经元的形态数据,分别建立了基于支持向量机的神经元形态分类模型、基于主成分分析和支持向量机的神经元分类模型以及基于遗传算法和RBF网络的神经元生长预测模型,在较合理的假设下,对各个模型进行求解,得到了较理想的结果.     

基于主成分分析和PSO-SVM的树叶分类方法研究

提出一种树叶分类方法.在数据方面,所获得数据既包含树叶的图形信息数据,也包含树叶的纹理信息.在前期数据预处理阶段,采用主成分分析方法对原始数据进行降维处理,从16个特征中提取出3个主成分,且累计主成分贡献率达到85%以上.在后期数据分析处理阶段,用支持向量机对树叶数据进行分类预测,并用粒子群算法对支持向量机参数进行寻优处理,提高分类精度.实验结果表明,相对于遗传算法和网格搜索法寻到的最优参数相比,粒子群算法优化支持向量机具有最高的准确率,高达94.1%,高于其他两种分类方法.     

基于PCA和改进的PSO-SVM的机器人移动方向分类

随着人们创新水平的不断提高,为了更加准确的实现机器人的导航任务,提出了一种基于改进的粒子群优化支持向量机中的参数的方法.首先利用主成分分析法对数据进行降维,然后利用改进的粒子群优化算法,对SVM中的惩罚参数c和核函数的参数g进行优化,最后代入到SVM中,以此来达到运用SVM对机器人的导航任务进行分类识别.相对于其他算法,容易发现改进的粒子群优化算法优化后的支持向量机可以达到很好的效果.这种识别分类可以帮助人们很好的对机器人进行导航,对今后机器人的研究具有很大的应用价值.     

基于支持向量机的大豆产量预测研究

应用支持向量机(SVM)的算法进行中国大豆产量的预测研究,用1991-2008年中国大豆数据组成样本集,建立影响因素与大豆产量之间的SVM模型.利用SVM对输入和输出数据进行训练学习,逼近历史数据所隐含的函数关系,完成对新数据序列的映射关系,从而完成对未来年份大豆的预测,并与其它几种方法的预测效果进行比较.结果表明,SVM预测模型预测大豆产量的精度优于其它预测方法.     

基于粗糙集和支持向量机的电子商务信用风险分类

准确识别电子商务信用风险,有利于提高企业风险防范能力,减少损失.建立了基于粗糙集(RS)、遗传算法(GA)和支持向量机(SVM)的电子商务信用风险分类模型(RS-GA-SVM).首先,利用RS对分类指标进行约简,选择出电子商务信用风险关键影响因素.其次,采用GA算法优化SVM模型参数,并应于电子商务信用风险分类.最后,实证表明,RS-GA-SVM模型具有高的分类精度和分类效率.     

基于改进支持向量机的高端装备制造业供应商分类研究

针对现有供应商分类方法应用于高端装备制造业供应商所存在的局限性,从相互依赖视角构建了高端装备制造业供应商分类指标体系,提出了基于改进支持向量机的高端装备制造业供应商分类模型。该模型根据供应商误分代价不同,设计代价敏感支持向量机分类器,利用粒子群算法优化分类器的参数,并采用概率输出方法对多个优化的二类分类器的结果进行组合以实现多类分类。实验结果表明,该模型提高了现有方法的分类效果,可以降低总体误分代价,有效识别出对高端装备制造企业具有重大影响的供应商,为高端装备制造企业实施供应商分类管理提供了依据。     

基于GA-SVR算法的淀粉价格预测研究

近年来我国淀粉产业迅速发展,给相关企业带来了巨大经济效益的同时,由于其情况复杂,致使相关企业无法正确掌控淀粉价格的走势,也造成了大量的经济损失.因此,寻找一种科学的、高效的淀粉价格预测方法已成为当务之急.将遗传算法(GA)与回归型支持向量机(SVR)相融合,建立了GA-SVR淀粉价格预测模型.对2003-2011年淀粉价格进行仿真预测,结果表明,模型的决定系数和均方误差均优于其它方法,验证了模型的有效性与优势.     

基于支持向量机的凝血功能诊断模型

使用凝血四项指标诊断凝血功能是临床的常规检查,但根据经验进行诊断正确率不高.剔除临床上最重要的指标FIB后,建立支持向量机模型诊断的正确率和根据凝血四项指标诊断的正确率没有显著差异,100次模拟的平均正确率分别达到了95.4496%和95.5039%.