基于模糊支持向量机的文本分类

为了有效地利用信息技术发展而产生的海量信息,信息检索与数据挖掘得到了快速的发展,通过对传统支持向量机的特点分析,针对其在文本分类中的局限性,采用了一种基于二叉树的模糊支持向量机的多分类算法,通过实验证明该算法有更好的抗干扰能力和更好的分类效果。     

基于模糊支持向量机的超光谱遥感图像分类

支持向量机（SVM）应用到超光谱图像分类中有较好的识别效果，但它在解决多分类问题时，存在不可分区域的局限性．为此提出了一种基于一对一SVM的模糊支持向量机，并将该方法应用到超光谱图像分类实验，结果表明该方法不仅改善了不可分区域的存在问题，而且比传统的SVM在分类精度上有明显的提高．     

基于超球的支持向量机增量学习算法

支持向量机方法已经成功地应用于解决分类和回归问题,但是在训练支持向量机时需要求解二次规划问题,使得支持向量机的训练时间过长,训练样本量越大,这个缺陷越明显.将超球方法与回归支持向量机相结合,提出一种增量学习的新方法.该方法使用两个同心超球缩减训练集,以达到提高训练速度的目的.通过分析表明,这种新的增量学习方法较普通支持向量机训练方法有较低的计算复杂度.实验结果表明,该算法可以在不降低预测准确性的同时减少大量建模时间.     

基于加权超球支持向量机算法的超文本分类研究

为提高超文本分类算法的性能,降低算法的复杂度,提出一种适用于超文本分类的加权超球支持向量机算法.该算法综合文档内容信息和超链接信息作为文档特征向量,针对传统超球支持向量机算法在不同类别样本数目不均衡时训练分类错误倾向于样本数目小的类别的问题,利用加权因子补偿了类别差异对算法推广性能造成的不利影响.在基准数据集上的测试结果表明,该算法降低了二次规划的复杂度,提高了分类器的分类性能.     

基于迭代方法的模糊孪生支持向量机

模糊孪生支持向量机通过为每个训练样本赋予不同的模糊隶属度来构建2个最优非平行分类面,以便减少噪声或孤立点对非平行分类面的影响,进一步提高了支持向量机的性能.本文结合超松弛迭代法对模糊孪生支持向量机进行了研究,通过迭代技术求解凸二次规划问题中的拉格朗日乘子,减少了支持向量机的训练时间,在UCI标准数据集上分别对C-FTSVM和v-FTSVM进行了实验研究,并对使用传统求拉格朗日乘子的方法与超松弛迭代(SOR)的方法进行了对比,表明了使用超松弛迭代法不仅在时间性能上得到了提高,而且其分类正确率也优于传统的方法.     

基于密度法的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点，提出了一种基于密度法的模糊支持向量机，在支持向量机中引入样本密度模糊参数，从而减弱了噪音以及孤立点对支持向量机分类的影响．实验结果证明，在抗击孤立点和噪音点的干扰方面，上述方法优于类中心向量方法以及类中心点距离方法，取得了很好的效果．这一方法大大提高了支持向量机分类的泛化能力，从而大大提高了支持向量机的应用范围．     

用球结构的支持向量机解决多分类问题

支持向量机是从统计学习理论中导出的，从研究二分类开始，发展至今，虽然提出了很多多类别分类的相关算法，但都各有不足之处。提出基于球结构的支持向量算法，适用于规模比较庞大的多类别问题，并对其性质进行了讨论。     

直觉模糊支持向量机

传统的模糊支持向量机难以区分具有相同隶属度的稀疏样本点和稠密样本点,进而可能降低分类精度.为了解决此类问题,利用直觉模糊集和模糊支持向量机,构建了直觉模糊支持向量机.仿真实验结果表明:与传统的支持向量机和模糊支持向量机相比,直觉模糊支持向量机的分类结果更精确.     

基于Huffman树的模糊多类支持向量机

针对二叉树多类分类方法存在的问题,提出了一种基于Huffman树的构造过程自下而上生成二叉树结构的方法.为降低二叉树方法"误差累积"的影响,使用模糊支持向量机来训练每个结点的两类分类器.针对设计隶属度函数时仅考虑样本与类别关系,而不考虑样本间关系的问题,提出了根据传统支持向量机构造的超平面做切球来确定样本间关系的方法,有效地区分了有效样本和噪音、孤立点样本.实验结果表明:同其他多类支持向量机方法相比,该方法具有更好的分类性能.     

基于模糊支持向量机的夏季雨型的预报方法研究

本文提出了基于一对一模糊支持向量机多分类方法的非线性夏季雨型预报模型.该模型在一对一支持向量机多分类算法的基础上引入模糊隶属度函数,其构造的分类超平面可以忽略噪声样本对分类结果的影响.实验结果表明,该模型较传统的支持向量机多分类方法和线性物理统计方法,具有更好的预报能力和更强的抗干扰能力,可以较好地弥补基于统计理论的相关分析和回归方法在处理非线性问题时具有较大的局限性     

优化极限学习机的序列最小优化方法

针对传统二次规划求解方法训练优化极限学习机(OMELM)存在速度慢和效率低的问题,提出了单变量迭代序列最小优化(SSMO)算法.该算法通过在框式约束中优化拉格朗日乘子来实现目标函数的最小化:首先在初始化拉格朗日乘子中选择使目标函数值下降最大的拉格朗日乘子,将该拉格朗日乘子作为目标函数的唯一变量;然后求解目标函数的最小值并更新该变量的值;重复这个过程直到所有的拉格朗日乘子都满足二次规划问题的Karush-Kuhn-Tucker条件为止.实验结果表明:SSMO算法只需调节很少的参数值便可得到足够好的泛化性能;采用SSMO算法的OMELM方法在泛化性能上要好于采用序列最小优化算法的支持向量机方法;在随机数据集测试中,SSMO算法具有较好的鲁棒性.     

基于SVM的个人房贷信用评估数据分析

采用SVM的序列最小最优化算法（SMO）作为训练算法对商业银行个人房贷信用评估数据进行分析,着重探讨了在个人房贷信用评估中分别应用径向基核函数参数和SMO训练算法中的参数调整对准确度的影响;通过银行实际数据集将该算法与C4．5和神经网络进行了比较,支持向量机对个人信用评估的总精度高于其他两种算法;支持向量机对实际的住房抵押贷款数据进行信用评估效果较好,且参数调整对试验结果有影响。     

基于动态筛选策略的SMO改进算法

提出了一种基于动态筛选策略的SMO(Sequential Minimal Optimization)改进算法,它能快速地筛选出绝大多数的边界支持向量和非支持向量,并将非边界支持向量限定在很小的范围内。仿真实验结果表明:样本规模无论大小,这种策略都能使Keerthi的改进算法2的性能得到大幅提升。     

基于取样的潜在支持向量机序列最小优化算法

为了提高潜在支持向量机求解大规模问题的训练速度,提出了基于样本取样的潜在支持向量机序列最小优化算法,去掉了大部分非支持向量,把支持向量逐渐压缩到取样样本集中.此算法特别适合大样本数据且支持向量个数相对较少的情况.实验表明,改进的序列最小优化算法加速了潜在支持向量机分类器训练时间.     

最小二乘模糊支撑向量机研究

支撑向量机是以统计学习理论为基础,以结构风险最小化（Structure Risk Minimization,SRM）为原则的新型学习机,已经广泛地用于模式识别、回归估计、函数逼近、密度估计等方面。在对已有的分类问题的SVM算法的研究分析基础上,结合Lin和Wang提出的模糊支撑向量机模型和现有的最小二乘支撑向量机模型得出最小二乘模糊支撑向量机模型。     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.     

基于混沌粒子群的SVM参数优化算法

支持向量机的性能与核函数的参数及惩罚系数C有很大关系.利用Lozi’s映射的较好遍历性,在粒子群优化算法中引入Lozi’s映射的混沌思想,提出基于混沌粒子群优化算法的SVM参数优化方法.仿真实验表明,该算法能有效提高整个迭代搜索的收敛速度和精度,从而更好地优化SVM参数.