支持向量机方法与模糊系统

概括介绍了近年来倍受瞩目的一种新的计算机学习方法——支持向量机(Support Vector Machines,简称SVM)方法,这一方法具有坚实的理论基础和出色的应用效果;并分析了SVM方法与模糊系统的关系,对这两种方法的交互促进和发展提出了看法。     

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.     

基于支持向量机的区间模糊数时间序列预测

研究了区间模糊数时间序列的预测方法.首先将区间模糊数序列转换为等量信息的精确数序列,然后对精确数序列建立支持向量机回归模型,通过还原公式,得到区间模糊数序列的拟合值和预测值.最后给出了数值实验,实验结果表明方法有效可行,且比ARMA回归模型以及灰色模型的预测精度更高.     

从支持向量机到非平行支持向量机

非平行支持向量机是支持向量机的延伸,受到了广泛的关注.非平行支持向量机构造允许非平行的支撑超平面,可以描述不同类别之间的数据分布差异,从而适用于更广泛的问题.然而,对非平行支持向量机模型与支持向量机模型之间的关系研究较少,且尚未有等价于标准支持向量机模型的非平行支持向量机模型.从支持向量机出发,构造出新的非平行支持向量机模型,该模型不仅可以退化为标准支持向量机,保留了支持向量机的稀疏性和核函数可扩展性.同时,可以描述不同类别之间的数据分布差异,适用于更广泛的非平行结构数据等.最后,通过实验初步验证了所提模型的有效性.     

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.     

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.     

川金丝猴亚种的支持向量机分类(SVC)模型研究

综合论述了支持向量机分类(SVC)的数学模型以及如何转化为一个凸二次规划的对偶问题;并利用相应的计算机软件建立了川金丝猴亚种的支持向量机分类模型.     

人工蜂群算法优化支持向量机及其在音乐流派自动分类中的应用

音乐流派是区分和描述不同音乐的一种标签,借助数学和计算机的方法将大量音乐自动分为不同流派是目前国内外研究的热点问题之一.支持向量机(SVM)由于其具有严格的数学理论基础而被广泛应用于音乐流派自动分类.然而,支持向量机的惩罚参数和核参数对其分类效果具有重要影响.以交叉验证正确率作为适应值,采用人工蜂群(ABC)算法优化支持向量的控制参数.在音乐流派自动分类的仿真实验中,经ABC算法优化后的支持向量机取得的平均预测正确率为80.8000%(最优预测正确率达83%),高出默认参数SVM 18.8个百分点.与粒子群优化算法及遗传算法相比,仿真实验结果同样显示了ABC算法的优越性.     

支持向量机在临床疾病诊断中的应用

基于支持向量机的最优二分类方法,以癌症诊断为例,构建了疾病诊断的支持向量机模型.对50例非癌症患者和100例癌症患者的腺苷三磷酸酶(ATP酶)和琥珀酸脱氢酶(SDH酶)活性两项指标分组进行训练和仿真诊断,检测样本的诊断正确率为98.03%,故可以用支持向量机建立临床疾病诊断系统.     

基于最近边界向量的SVM增量学习算法

为了减少求支持向量过程中二次规划的复杂度,利用训练样本集的几何信息,选出两类中离另一类最近的边界向量集合,它是样本中最有可能成为支持向量的一部分,用它代替原样本集进行训练.对新增样本,若存在违反KKT条件的样本,只对这部分新样本进行学习.同时找出原样本中可能转化为支持向量的非支持向量样本.基于分析结果,提出了一种新的基于最近边界向量的增量式支持向量机学习算法.对标准数据集的实验结果表明,算法是可行的,有效的.     

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.     

我国专利申请量的支持向量机预测模型研究

运用支持向量机(support vector machine,SVM)和浮点遗传算法相结合的方法对我国专利申请量进行预测。数据仿真显示支持向量机预测方法比人工神经网络和逻辑回归方法有更高的预测精度,结果显示运用浮点遗传算法参数选取的支持向量机方法对我国专利申请量进行预测是可行和有效的。     

SSVM: A Smooth Support Vector Machine for Classification

Smoothing methods, extensively used for solving important mathematical programming problems and applications, are applied here to generate and solve an unconstrained smooth reformulation of the support vector machine for pattern classification using a completely arbitrary kernel. We term such reformulation a smooth support vector machine (SSVM). A fast Newton–Armijo algorithm for solving the SSVM converges globally and quadratically. Numerical results and comparisons are given to demonstrate the effectiveness and speed of the algorithm. On six publicly available datasets, tenfold cross validation correctness of SSVM was the highest compared with four other methods as well as the fastest. On larger problems, SSVM was comparable or faster than SVM ^light (T. Joachims, in Advances in Kernel Methods—Support Vector Learning, MIT Press: Cambridge, MA, 1999), SOR (O.L. Mangasarian and David R. Musicant, IEEE Transactions on Neural Networks, vol. 10, pp. 1032–1037, 1999) and SMO (J. Platt, in Advances in Kernel Methods—Support Vector Learning, MIT Press: Cambridge, MA, 1999). SSVM can also generate a highly nonlinear separating surface such as a checkerboard.     

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。     

基于支持向量机的企业破产分析

企业破产分析是不确定的、非线性的复杂系统,传统方法往往难以准确描述这种非线形特性,而支持向量机能够解决线性及非线性分类问题并且具有全局收敛性和良好的推广能力,因此,基于支持向量机的智能化新技术建立企业破产分析预测系统模型.实证表明该模型具有良好的预测能力和较强的实用性.     

支持向量机在胎膜早破预测中的应用

为快速、准确地对胎膜早破进行预测,首次应用了一种新型的数据挖掘技术-支持向量机预测模型.该模型针对所获取的胎膜早破及正常破膜数据集100个病例进行建模,并与神经网络、Logistic回归建模的性能进行了比较.结果表明,支持向量机具有可调参数少、学习速度快等优点,计算所得到的结果无论从准确率,还是所获取知识的可理解性等方面,都优于常用的神经网络等方法.用支持向量机方法建立的胎膜早破预测模型合理可行.