Flink平台下的分布式平衡级联支持向量机

支持向量机（Support Vector Machines,SVM）在分类和回归领域都是非常强大的工具，但在大数据环境下，其面临资源占用过高和寻优速度慢等问题.目前利用大数据框架实现的SVM，虽然优化了寻优速度慢的问题，但其预测精度与直接训练方式相比存在一定的差距，此外其并没有对训练节点的资源进行合理配置.故提出一种Flink平台下的分布式平衡级联向量机，该方式在之前的基础上将数据集分成含有相同比例样本的平衡子集，并对子集的训练参数进行放缩；同时，结合Flink下迭代作业的动态资源分配策略，将各节点资源最小化为刚好满足训练需求.对该方法的有效性进行阐述，对比多个数据集在不同训练方式下的资源占用和模型精度，实验结果表明，采用所提出的训练方式能合理灵活地对资源进行配置，同时将模型预测精度误差降低到0.1%以内.     

基于L_1范数支持向量分类机的算法扰动设计

普通向量分类机算法普遍有效率低下、算法复杂的缺点,为了进一步降低计算量,提高算法效率,提出了支持向量机算法.该算法将二次规划问题转换为线性规划问题,同时可以进行优化降次.结果显示,在数据量较大的情况下可以迅速并较为准确地处理大量数据,面对较为困难的数据处理时可以实现数据的有效分类.     

高容量超级电容器电极材料的设计与制备

超级电容器寿命长,安全性高,并可以实现快速充放电,是化学电源研究的热点之一。然而,超级电容器的能量密度较低限制了其更多的应用。因此,超级电容器领域的研究关注点在如何提高超级电容器的能量密度。其中,提高比容量是提高能量密度的一种有效途径。本文通过对电极材料和电解液的优化来研究制备得到高容量超级电容器的方法。电极材料的比表面积、孔道结构和导电性对其电化学性能有着直接的影响。一方面,通过优化电极材料的孔道结构和比表面积可以增加活性位点并提高电解液离子传导率,从而得到高比电容。另一方面,电极材料导电性的提高有利于提升其电子传导率从而得到较高的比容量。本文分别对碳材料和金属氧化物/氢氧化物的优化达到了增加双电层电容和赝电容的目的。不仅如此,还可以通过在电解液中增加氧化还原电对从而得到高比电容。这一方法为高容量超级电容器的制备提供了新的思路。     

基于改进最小二乘支持向量机的惯性测量组件故障在线检测方法

为提高惯导系统工作的可靠性和导航性能,对其惯性测量组件的故障模式和检测模型进行了分析。针对最小二乘支持向量机(LS-SVM)回归算法做了两点改进,具体方法是先对输入样本观察窗平移更新的每个样本数据进行异常点滤波判断并用牛顿插值法进行处理,接着通过对在线LS-SVM回归过程的研究,提出了一种递推求解的快速算法,将惯性测量组件的输出量、舵偏角改变量并辅以环境因素作为观测样本序列,应用该算法来提高模型检测的准确性和时效性。最后对惯性测量组件无故障和出现卡滞、恒偏差时的故障模式进行了仿真实验,结果表明,与应用LS-SVM、SVM和BP神经网络算法相比,提出的惯性测量组件故障在线检测方法具有较强的鲁棒性和较快的速度。     

一种多阶段发酵过程的联合加权支持向量机建模方法

发酵过程是一类具有多阶段特性的间歇过程,在建立其多阶段模型时,各阶段子模型的融合方法特别是过渡阶段的处理方法是研究重点。针对发酵建模过程中过渡阶段的处理问题,提出了一种联合加权支持向量机(SVM)建模方法,利用阶段划分得到的隶属度函数对训练样本数据进行扩展,进而直接建立发酵过程的多阶段模型。实验结果证明,所提出的方法能够很好地处理各阶段间的过渡过程,提高了模型精度。     

PSO-LSSVM对LIBS定量分析精度的提高

针对土壤定量分析受基体效应影响大，LIBS定量分析精度不佳等问题，采用粒子群算法对LSSVM进行优化，提高模型的精确度。选取Pb Ⅰ 405.78 nm和Cr Ⅰ 425.44 nm作为分析谱线进行分析。采集十二个不同浓度样品的特征光谱，每个浓度样品在不同点采集20组数据，将其中17组数据设为训练集，3组数据设为预测集，用LSSVM和PSO-LSSVM两种方法建立定标模型。对比两种模型的拟合相关系数（R2）、训练集均方根误差（RMSEC）和预测集均方根误差(RMSEP)。由于自吸收效应的影响，随着浓度的增加，预测值逐渐低于实际值，LSSVM定标模型的拟合程度较低，无法达到实验要求，模型性能有待提高。利用粒子群算法对LSSVM的模型参数惩罚系数和核函数参数进行优化，得到最佳的参数组合，Pb元素为(8 096.8, 138.865 7)，Cr元素为(4 908.6, 393.563 5)，用最佳的参数组合构建LSSVM的定标模型。相比于LSSVM，PSO-LSSVM定标模型的精确度更高，Pb和Cr元素的R2提高到了0.982 8和0.985 0，拟合效果明显提升。Pb和Cr元素的训练集均方根误差由0.026 0 Wt%和0.027 2 Wt%下降到0.022 4 Wt%和0.019 1 Wt%，预测集均方根误差由0.101 8 Wt%和0.078 8 Wt% 下降到0.045 8 Wt%和0.042 0 Wt%，模型的稳定性进一步提高。说明PSO-LSSVM算法能够更好地降低土壤基体效应和自吸收效应带来的影响，提高分析结果的精确度与稳定性。     

八种最小二乘SVM型学习算法的优势比较

我们知道,支持向量机(Support Vector Machine,SVM)型学习算法的计算复杂性和稀疏性对分析和处理大数据来说是非常重要的两个因素,尤其是对高维数据.学者们针对这两个因素做了大量的研究,提出了许多改进的SVM型算法,常见的有基于最小二乘技术的SVM型算法和孪生SVM型算法.它们当中,有些算法的出发点基本相同,但是求解方法上略有不同;有些算法有明显不同的出发点,其所构建的最优化模型也不相同.选取八个较具代表性的最小二乘SVM型算法,分析和比较它们之间的优势和劣势,以期读者更加深入的理解这类算法,且在应用于实际问题中时更具有选择性.     

中美聋人高等教育比较

中国聋人高等教育发展已经经历了二十余年,但是中国聋人高等教育与美国等发达国家相比仍有相当大的差距。文章通过对中美聋人高等教育进行比较,指明中美聋人高等教育差距所在,分析了美国聋人高等教育对中国的借鉴意义,并在明确差异的基础上对中国聋人高等教育未来的发展方向进行了预测。