基于支持向量机的字符编码识别系统

基于支持向量机设计了一种产品字符编码识别系统,该系统通过CCD视觉传感器采集图像信息,经过目标提取、字符分割、编码识别过程,最后输出识别结果.其中,识别过程采用支持向量机作为判别函数分类器,该方法能较好的解决小样本、非线性、高维数等实际问题,并且较传统的神经网络识别方法训练速度更快.实验结果表明,该方法识别率高,可以达到98.3%,并且具有较高的实时性.     

一种新的支持向量回归机TSVR

标准的支持向量回归机对于参数的选取有很强的依赖性.当选取的参数不恰当,或当数据受到噪声的污染时,回归的效果将受到较大的影响.笔者将训练点被正确划分的程度引入到支持向量回归机模型中,通过理论推导,提出了一种新的支持向量回归机TSVR,并给出了TSVR算法收敛的相关证明.同时,通过大量的数值实验,证明了TSVR具有较好的回归效果,其回归结果对参数的选取较不敏感,具有比标准的支持向量回归机更好的性质.     

最小二乘支持向量机的一种改进算法

最小二乘支持向量机相比传统的支持向量机,丧失了解的稀疏性,影响了二次学习的效率。对原有的最小二乘支持向量机在稀疏性上进行了改进,并通过实验,对改进后的摄小二乘支持向量机的分类效果进行了验证。     

一种基于核主元分析的支持向量机识别方法

核主元分析具有能较好地提取非线性特征的优势;支持向量机具有的非线性映射能力,且泛化能力强.它们在分类与识别中应用时都各有自己的优点,结合核主元分析和支持向量机的特点,提出一种基于核主元分析的支持向量机识别方法,用该方法分别对 ORL 人脸库和iris数据集中的数据进行分类与识别,结果表明:如果根据设计好的核函数的参数,可以得到极高的识别率.     

基于多样本的在线支持向量回归算法

提出一种针对多样本的在线支持向量回归（SVR）算法,以解决目前SVR在线训练算法每次只能处理1个样本的问题．算法以拉格朗日乘数法和库恩一塔克（KKT）条件为基础,逐步改变样本的系数,并在每次迭代中保持原来的样本满足KKT奈件,最终使所有训练样本满足KKT条件．实验表明,该方法可有效更新SVR模型,且计算效率相比于基于单样本的在线回归算法有较大的优势．     

基于BP神经网络与多分类支持向量机的水质识别与分类

介绍BP神经网络与多分类支持向量机等分类模型的基本原理,并基于这两种方法对水质识别与分类的准确度进行实例比较研究,随机抽取了南昌市内2010-2013年水域水质的300组数据为样本,选取了pH,氨氮,Cl-,SO2-3,总硬度,硝酸盐氮为评价的主要特征。通过把训练后的模型在测试集中进行的检验对得到的模型进行评估,表明了BP神经网络和多分类支持向量机均可以较好地解决水质识别与分类过程中存在的复杂性,多变量,非线性等问题,相比较而言多分类支持向量机有较强的鲁棒性,预测结果更为精确稳定,将其应用到水质评价中具有一定的可行性。更多还原     

基于相关向量机的多类蛋白质折叠识别

蛋白质折叠的识别是一种不依赖于序列相似性的蛋白质结构研究方法.本文将相关向量机应用于蛋白质折叠的识别,将两类相关向量机推广到多分类情况,对多类蛋白质折叠进行识别.与支持向量机相比较,相关向量机无需调整多余的参数,核函数不需要满足mercer条件,实际数据集上的测试结果表明,相关向量机可以得到更加稀疏的模型,在交叉检验中获得了更高的精度,表明相关向量机是一种有效的识别蛋白质折叠的方法.     

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.     

融合蚁群算法与支持向量机的网络流量预测

网络流量的精确预测对控制网络拥塞有效控制有着重要意义。支持向量机是一种新的机器学习方法,能有效解决非线性、小样本及高维等问题。因为支持向量机的训练参数的取值与其预测能力有着较大关系,所以经常采用遗传算法选取训练参数。但是,遗传算法容易陷入局部极值,而蚁群算法     

基于遗传算法的多核支持向量机的参数优化

提出了利用遗传算法对多核支持向量机的权系数进行寻优的方法GA-MKL,先选择表现能力最好的参数的单核构成多核,再利用遗传算法来对多核的核系数来寻优.采用该算法在UCI标准数据集上进行了实验,结果表明,该算法为多核SVM的系数选择提供了一种可行的方法.与单核SVM相比,该方法具有更好的分类能力,和其他多核学习算法相比,性能也有一定的提高.     

面向非平衡数据处理的样例惩罚支持向量机

支持向量机在处理非平衡数据集时常常不能取得良好的效果,因为其分类性能只考虑了总体分类精度,而忽略了不同类别样例之间的精度权衡.本文提出了一种基于样例分布的样例惩罚支持向量机,可以针对每一个样例根据其相应的分布特性选取惩罚以获得高敏感度的分类面.实验表明,该模型比标准支持向量机在非平衡数据上具有更好的性能.     

基于支持向量机对种群特征回归分析的自适应遗传算法

在分析标准遗传算法易发生早熟收敛的基础上,提出了遗传算法种群特征代间海明距离的概念,代间海明距离可以较好的反映算法运行的总体与动态性能.应用支持向量机对遗传算法的代间海明距离进行了回归分析,遗传算法依据回归分析结果调整其整体优化策略,同时依据算法当前运行情况自适应调整种群的多样性,有效地避免了遗传算法的早熟收敛.数值实验结果表明,该改进算法搜索整体性较强,搜索效率优于标准遗传算法,提高全局优化能力.     

标架型RKHS中的SVM的半参数估计

在基于标架型的再生核希尔伯特空间中，研究了SVM算法下，解的对偶形式和原形式之间的关系，进而将SVM算法与最小二乘法相结合，讨论了支持向量机的半参数估计．     

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.     

集值映射下一类广义向量均衡问题解的存在性

研究集值映射下一类广义向量均衡问题,通过建立一种新的弱半连续及类凸的概念,引进集值映射下推广的Minty引理,利用KKM定理讨论了广义向量均衡问题解的存在性。     

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.     

基于多分辨率奇异谱熵和支持向量机的轴系故障诊断及其应用

运用Mallat小波算法将被测信号分解为不同频带,并进行信号重构,然后利用奇异值分解,提取不同尺度下的信号奇异谱熵作为特征向量．以特征向量为基础,运用多类支持向量机识别故障类型．以渔船轴系故障诊断为例,设计了轴系故障模拟实验台,研究表明：该方法能有效地进行特征提取和故障分类．