基于支持向量机泛化误差界的多核学习方法

基于支持向量机（SVM）泛化误差界,提出了一种精确且有效的多核学习方法.首先,应用SVM泛化误差界推导多核学习优化形式,并给出求解其目标函数微分的计算公式.然后,设计高效的迭代算法来求解该优化问题.最后,分析了算法的时间复杂度,并基于Rademacher复杂度给出了算法的泛化误差界,该泛化界在基核个数很大时依然有效.在标准数据集上的实验表明,相对于一致组合方法以及当前流行的单核和多核学习方法,所提出的方法具有较高的准确率.     

基于RBF核的SVM核参数优化算法

SVM是一种新型的机器学习方法,其分类性能的优劣主要受核函数及核参数的影响,国内外学者针对SVM核参数的选择已提出许多算法．本文首先分析TRBF核参数对SVM分类性能的影响,然后又对比分析了目前存在的几种基于RBF核的SVM核参数选择方法．通过实验,发现使用遗传算法选择核参数的SVM有比较快的搜索速度．     

基于小波包Shannon熵与GA-SVM的船舶轴系故障诊断方法

针对船舶推进轴系的振动问题, 基于小波包、Shannon熵、遗传算法(GA)和支持向量机(SVM)理论, 提出了一种船舶轴系故障诊断的新方法, 简称WPS-GS方法. 该方法依托船舶螺旋桨状态监测模拟实验平台, 利用小波包分解技术分析船舶轴系发生故障时的振动信号, 将其Shannon熵作为SVM的输入特征向量. 在训练SVM时, 采用遗传算法对SVM的参数进行全局寻优, 使SVM具有更高的识别准确率. 实验结果表明, WPS-GS方法对故障诊断的准确度和识别率较传统SVM和交叉验证SVM方法高, 适用于船舶轴系故障诊断.     

基于IA参数寻优组合核的SVM文本分类研究

支持向量机在解决非线性及高维模式识别中表现出许多特有的优势,被广泛应用在文本分类领域。但是其核函数及其参数的选择对分类效果具有很大的影响,单一核函数难以很好地解决文本分类问题。因此,本文选取了三个常用的核函数进行两两组合,利用加权组合核的形式来弥补单核自身特点可能带来的缺点,然后利用人工免疫算法(Immune algorithm,IA)对组合核进行参数寻优,以提高文本分类效果。实验分析证明,此方法有效。     

一种基于FCM的噪声图像分割算法研究

针对噪声污染的图像进行有效分割困难问题,提出了一种基于模糊C均值的噪声图像分割方法.该方法首先应用离散小波变换(DWT)将图像进行分解获取不同尺度的小波系数;然后利用粒子群(PSO)算法自适应搜索最优的阈值对小波系数进行处理,将处理好的系数利用小波重构得到重构图像;最后利用模糊C均值聚类完成图像分割.该算法在Berkeley数据集上进行实验,结果表明与其他算法相比,该算法具有更好的性能.     

遗传算法的改进及其在排课问题中的应用

分析基本遗传算法中传统选择、交叉策略的不足,结合多种选择方法及模拟退火机制,提出改进的选择策略;在交叉阶段,利用蚁群算法的正反馈机制改进了交叉策略;采用最大允许停滞代数的方法来结束算法的运行。由在排课问题中的对比实验可以看出,本文提出的改进算法改善了遗传算法局部搜索能力弱的缺点,提高了算法运行效率。     

基于支持向量机及遗传算法的光刻热点检测

提出一种基于支持向量机（SVM）及遗传算法（GA）的集成电路版图光刻热点检测方法.首先对版图样本进行离散余弦变换（DCT）以提取样本的频域特征,然后基于这些样本训练SVM分类器以实现对光刻热点的检测.为了提高光刻热点检测的精度及效率,采用遗传算法（GA）对频域特征进行选择,并同时优化SVM参数.实验结果表明,基于SVM及版图频域特征并结合遗传算法进行优化的光刻热点检测方法可以有效提高版图光刻热点的检测精度.     

基于词序列核的垃圾邮件过滤

针对传统的基于词频特征向量核方法的垃圾邮件过滤算法中忽略词汇间的序列信息而导致信息损失影响过滤精度的问题,本文将词序列核与SVM（support vector machines）算法结合,对垃圾邮件进行过滤,相应的实验表明,该方法提高召回率、正确率和精确率,从而提高了过滤精度.     

基于Riesz基的再生核及支持向量机

在支持向量机(SVM)技术中,再生核的选择起着重要作用.利用L2(R)中的一组Riesz基构造再生核,并将其推广到应用广泛的正交小波.在基于正交小波的再生核Hilbert空间中考虑函数的正则化逼近,对基于正交小波再生核的SVM结合小波分析进行探讨,得到SVM的离散逼近,离散细节均只与支持向量有关.     

基于CNN-SVM的地下目标形状识别

针对传统地下目标识别算法中特征提取方法的缺陷,鉴于深度学习中的卷积神经网络（CNN）能自动从数据中提取特征,但CNN自带的分类器不能很好的解决非线性分类问题,由于SVM具有良好的泛化分类能力,为此提出基于CNN-SVM的地下目标形状识别方法。本文首先在地表面光滑场景下,利用该方法对地下圆形和矩形目标识别,然后加大场景难度,在地表面粗糙场景下进行地下目标形状识别。实验结果表明,相比传统人工设计的特征分类方法,该算法利用CNN自动提取的特征联合SVM提高了CNN的分类准确率,并且在两种场景下都具有更高的地下目标识别精度。     

折线Mamdnai模糊系统及其权值参数的萤火虫优化算法

折线Mamdnai模糊系统是基于折线模糊数的线性运算构造的系统模型,其主要特点是前件模糊集及后件中心连接权均取值于由有限个有序点决定的折线模糊数.依据折线模糊规则建立了折线Mamdnai模糊系统模型,进而基于适应度函数、荧光素和决策半径设计了该系统权值参数的萤火虫优化算法,以优化该系统的后件中心连接权参数.最后,通过一个双输入单输出仿真实例,验证了该萤火虫优化算法的有效性.     

遗传算法在方程求根中的应用

提出了一种新的求根方法，即将遗传算法应用于方程求根的领域之中，并在大量数值实验的基础上，将遗传算法与数学上常用的传统求很方法进行了比较，实验的结果表明，遗传算法具有一定的优越性．     

基于实数编码遗传算法的多层神经网络BP算法

提出用实数编码的遗传算法来优化多层神经网络的权值，并且将遗传算法与ＢＰ算法结合，能有效地避免ＢＰ算法陷入局部极小和遗传算法过早收敛，实验结果令人满意．     

基于RBF网络信道均衡器

在数字通信系统中为了克服信道畸变引起的码间干扰，在接收端必须采用信道均衡技术。在本文中，我们将RBF网络用作均衡器。采用最近邻聚类和直接判决算法来调整隐藏层中心，然后再用LMS算法调整输出层的系数。该算法可以实现在线学习，根据相应的准则增加，删除隐藏层节点。算法事先不必确定隐藏层的节点个数。模拟结果显示，RBF网络均衡器能够正确地将信号从有噪信道中恢复出来，在计算机模拟仿真中其性能与理想贝叶斯均衡器相当。     

解线性最小二乘问题的一个新并行算法

讨论了求解无约束线性最小二乘问题的一种并行单纯形法以及对它的改进算法并行共轭梯度—单纯形法 .算法本身具有很强的并行机制 ,能够充分地发挥并行机快速省时的特点 .本文也对算法做了理论分析 ,对算法的收敛性给予了证明 (在二维情形下 ) .最后做了数值实验 (由于软硬件条件的限制 ,并行算法未能在并行计算机上实现 ,鉴于这种情况 ,我们所做的数值实验均是在串行机上完成的 )     

排序支持的交互数据分类算法及其应用

交互分类是解决数据复杂分类问题的主要手段之一。在现有的大多交互分类系统中,用户能准确识别数据类别,但在有些分类场景中,类别之间的顺序关系更容易被识别,为此,提出一种排序支持的交互数据分类算法。为提升交互分类精度,引入数据的顺序信息,为降低标记难度,提出候选样本推荐策略。另外,提出一种评估分类算法性能的可视化方法,用包含基本车况、交通违法记录、交通事故记录等信息的车辆数据集进行实验验证,将相关车辆分为高危车辆、中危车辆、低危车辆3类,算法的分类结果模型一致度达近98%,验证了方法的有效性。     

线性约束凸规划问题的仿尺度算法

对一般线性约束凸规划问题，给出了相应的仿尺度算法，并证明由该算法所产生的迭代点要么直接到达问题的最优解，要么其极限点满足问题的最优性条件。     

基于混合遗传算法优化的MLP神经网络的调制方式识别

提出了一种基于遗传算法与多层感知神经网络的调制识别方法,运用改进遗传算法优化的多层感知神经网络分类器对各种调制信号的特征矢量进行分类识别.利用遗传算法的高效全局特性,克服了传统BP算法易于陷入局部最优解的缺点,同时在遗传算法基础上增加梯度下降算子,加快了收敛速度,使得分类器的识别率、收敛速度和鲁棒性得到明显改善,仿真实验的结果证明了此方法的有效性和可行性.     

自适应权重的GPSR压缩感知重构算法

在压缩感知信号重构的过程中,为使投影梯度稀疏重构算法（GPSR）在保持低复杂度的同时,能有效提高重构性能,引入了自适应思想,给重构模型添加具有惩罚意义的权重系数,以寻找算法复杂度和精度之间的最佳平衡点;根据解的收敛进程不断调整权重值,以加速收敛.仿真实验表明：在相同条件下,该算法的计算效率优于传统的GPSR算法和典型的OMP算法,能在较短的运行时间内大幅度提高重构精度.     

单调线性互补问题的高阶仿射尺度算法

对于单调线互补问题提出了一种新的内点算法－高阶仿射尺度算法，算法的每一步近代，利用高原始－对偶内点算法的思想求解一个方程组得到迭代方向，再适当选取步长，使算法具有多项式复杂性。