共查询到20条相似文献，搜索用时 21 毫秒
1.
支持向量机(SVM)是统计学习理论最为成功的实现。支持向量机适用于两类样本的分类问题,面对正负样本数目失衡的情况,加权的方法虽然能有效改变分类器对数目小的样本类的预测偏置问题,但往往是以牺牲数目较大样本类的预测精度为前提。单分类支持向量机(One-SVM)只用某一类样本来训练分类器,可以有效避免预测偏置问题的出现。本文将单分类支持向量机(One-classSVM)用于UCI数据库的灯盏花分类研究,结果显示,单分类支持向量机在处理样本数目失衡的模式识别问题中,具有良好的泛化能力,预测精度特异性达到95.45%,同时单分类支持向量机只用一类样本训练分类器,在算法的时间复杂度上也具有优势。 相似文献
2.
《佳木斯教育学院学报》2016,(6)
由于孤立点和原始样本的选取对于支持向量机的分类性能具有较大的影响,所以本文旨在设计一种区别于以往的支持向量机的算法来解决这个问题。首要步骤是通过主成分分析法对原始数据样本进行处理,以达到用最好的方式对原始数据进行表达,从而达到使高维特征空间的维数降低的目的。然后使用类均值法,依据样本在特征空间的投影到特征空间中本类样本均值的距离,来确定其模糊隶属度,为达到使孤立点对最优分类超平面的影响最小,本文通过赋予较小隶属度的方式来实现这一目标。通过进行仿真实验,我们可以发现,这种算法能够比较有效地降低分类误差,而且在一定程度上也能够使支持向量机的鲁棒性得到提高。 相似文献
3.
加权支持向量机分类算法是对类别差异造成的影响进行相应补偿的一种支持向量机算法，目的是提高样本中小类别的分类精度．我们通过用支持向量机和加权支持向量机算法相比较，加权支持向量机可提高样本中小类别的分类精度，这对于某些需要重点关注的小类别精度的分类有重要的现实意义． 相似文献
4.
林关成 《渭南师范学院学报》2012,(2):83-86
传统的支持向量机分类算法在优化过程中对所有支持向量都进行优化,增加了计算量,降低了训练效率.针对上述缺点,在分析样本模糊隶属关系的基础上,采用改进的K近邻算法为已知样本分配隶属度,根据训练样本的隶属关系,剔除非支持向量,减少训练样本,并将其用于中文网页的分类中,得到了较好的分类效果.仿真实验结果表明,改进后的方法不仅相对简单,而且在保证分类器性能的情况下,能有效地减少支持向量机的训练样本数,从而提高支持向量机的训练和测试速度. 相似文献
5.
何仲洛 《湖州师范学院学报》1986,(Z1)
本文将讨论线性模型中误差方差的最小二乘估计的Bootstrap统计量的相合性问题。设: Y(n)=X(n)β+ε(n) (1)为一个线性模型,这里β为P×1向量,为未知参数,Y(n)是一个n×1资料向量,并且x(n)为一个n×P数据矩阵,P≤n,并且秩为P,ε(n)是n×1随机误差向量,ε(n)=(ε_1,ε_2,…,ε_n)~τ,ε_1,ε_2,…,ε_n独立同分布,共同的分布记为F,并且假定 相似文献
6.
张燕 《商洛师范专科学校学报》2014,(4):38-41
为减少不均衡数据对支持向量机分类性能的影响,提出一种基于二次支持向量机的欠取样分类算法,该算法依据样本的分类超平面贡献大小对多数类样本进行欠取样．并对少数类样本进行过取样,重构训练数据集。该算法能够删除样本中的噪声数据。用控制参数控制删除样本的规模,实验表明,该算法能够提高支持向量机在不均衡数据集下的分类性能。 相似文献
7.
支持向量机在模式识别和回归模型中的应用 总被引：1，自引：0，他引：1
支持向量机是一种新型机器学习方法,能较好地解决小样本、非线性、高维数和局部极小点等实际问题,对未来样本有较好的泛化能力,已成为当前机器学习界的研究热点。本文介绍了支持向量机的数学理论基础及其研究现状,并介绍了支持向量机实用算法的研究情况,指出了支持向量机的局限性和未来的研究方向。 相似文献
8.
《赣南师范学院学报》2018,(3):66-71
农业文本分类旨在对主流的农业信息网抽取的文本数据集进行分类.在样本充足的情形下,经典的支持向量机方法能取得较好的效果,然而在样本较少或者样本矩阵很稀疏的情形下效果较差.提出了一种基于特征族群语义扩散核(它是语义扩散核的一种)和支持向量机的半监督农业文本分类方法.该方法在经典的支持向量机方法基础上结合特征族群语义扩散核,使得农业文本分类准确率得到一个显著的提升,在训练集样本数量只有原来一半的数量情况下预测原来的测试样本,预测准确率几乎与原来的相同. 相似文献
9.
为了降低人为设定参数值对支持向量机运行结果准确度的影响,采用智能算法中的人工鱼群算法,搜寻支持向量机相应参数的最优解。由于人工鱼群算法运算在寻优精度和效率方面均有提升空间,故将混沌机制引入人工鱼参数初始化,通过改进固定参数和行为算子得到支持向量机预测模型。使用该模型进行中长期电力需求预测研究,并与其它参数优化算法产生的模型进行均方误差对比。研究结果表明：改进后的模型在拟合均方误差和预测均方误差上都优于未优化的模型,支持向量机在预测精度方面有一定程度的提升。 相似文献
10.
脱机手写体识别是字符识别中的难点之一,日文中的平假名类似于中文的手写体草书.为解决该问题,首先,针对日文平假名字符的特点提出了一种基于网格的外围特征提取方法,其次,考虑到了不同特征的分类能力的差异性,提出了一种基于支持向量机的多特征融合的识别方法,提高了识别率.最后,针对日文车牌中的6 735个平假名样本和4 145个数样本字进行了识别实验.实验结果表明,该方法的识别率可达98%左右,优于距离分类器及神经元网络的方法,具有实际应用的价值. 相似文献
11.
为了准确预测交通流量,提出了一种基于改进型支持向量机算法的短时交通流量预测方法。支持向量机对训练样本进行学习后,可以形成影响因素与影响结果之间的最优函数,进而根据实时交通状态对交通流量进行非线性回归预测。为了提高预测精度,使用QPSO算法优化了支持向量机的参数,并进行了滤波处理以减小模型误差。仿真结果显示,实际预测误差小于10%。 相似文献
12.
基于支持向量机方法的股票预测模型 总被引：1，自引：0，他引：1
利用支持向量机方法建立股票投资预测模型,经过与多项式函数及Sigmoid核函数的对比,选用Gauss径向基函数作为SVM核函数;抽取223支上市公司的股票作为研究样本,并选取对股票投资影响显著的财务指标构造样本数据集,代入支持向量机模型进行实证测算;实验表明,与BP神经网络模型相比,在样本有限的情况下,基于支持向量机的股票投资模型预测精度更高。 相似文献
13.
《赣南师范学院学报》2020,(3):26-32
模糊支持向量机是在支持向量机的基础上给每个样本赋予一个隶属度,从而减少孤立点以及噪声对最优决策面的影响,广泛应用于模式识别和人工智能领域.本文综述模糊支持向量机的理论基础以及研究现状,详细介绍模糊支持向量机中几种隶属度函数的设计方法以及在现实领域中的应用,最后针对模糊支持向量机算法的关键问题,即模糊隶属度函数的设计,给出一些未来研究方向的展望. 相似文献
14.
免疫遗传优化支持向量机回归在混沌时间序列预测上的应用 总被引：1，自引：0，他引：1
在分析支持向量机(Support Vector Machines,SVM)回归算法的基础上,提出了一种免疫遗传优化向量机回归算法来预测混沌时间序列.算法根据混沌时间序列样本的特点利用免疫遗传算法对支持向量机回归方法参数进行优化.免疫遗传算法有效地克服了未成熟收敛现象,获得相关参数最优值.对混沌时间序列预测的实际算例表明,与支持向量机方法相比,本文所提的免疫遗传优化支持向量机回归方法具有更高的预测精度. 相似文献
15.
<正>支持向量机(support vector machine,SVM) (文献[1-2])是近几年来的研究热点,特别是使用SVM进行分类获得了极大的成功。然而当样本较大时,运算速度比较慢,使其应用受到了局限。文献[3]提出了中心支持向量机,它把以往的支持向量机同中心向量结合使用,改善了最优超平面 相似文献
16.
陈燕燕 《韩山师范学院学报》2009,30(6)
讨论了一类平面多项式系统的周期函数的临界周期的个数.首先将周期函数T(ρ,ε)写成T(ρ,ε)=2π+∑Ti(ρ)εi的形式,然后给出Ti(ρ)的计算方式,利用这一结果,估计了该系统的一阶和二阶临界周期个数的上界. 相似文献
17.
支持向量机方法在解决小样本,非线性及高维模式识别中表现出许多特有的优势。目前主要用于二元分类问题中,而对于其在多类分类应用仍是一个值得研究的问题。在目前存在的各种多类支持向量机分类问题中,一对一方法是一种最符合实际的方法。文章提出了一种改进的支持向量机,并将其应用于图像分割。这种改进的支持向量机它对一对一方法进行了改进,实验表明,支持向量机的方法是一种很有潜力的图像分割技术。 相似文献
18.
针对标准支持向量机训练时间过长与参数选择无指导性问题,给出一种通过粒子群优化双支持向量机模型参数的方法。与标准支持向量机不同,该方法的时间复杂度更小,特别适合不均衡的数据样本分类问题,对求解大规模的数据分类问题有很大优势。将该算法与标准的支持向量机分类器在不同的文本数据集上进行仿真实验对比,以验证算法的有效性。结果表明基于粒子群优化的双子支持向量机分类器的分类结果高于标准支持向量机分类结果。 相似文献
19.
本文针对DNA序列的分类问题,通过使用SPSS和Matlab软件,运用Fisher判别法、BP人工神经网络模型和支持向量机方法,由已知AB类样本分别对未知类型的20个DNA序列进行分类.并通过三个统计分类方法的结果同时综合考虑误差及原理分析对三个统计分类方法进行比较,得出三个统计方法的优势及其不全面之处. 相似文献
20.
顺流向位移是坝体形变监测中的重要指标。针对神经网络、支持向量机模型存在的局限性,提出基于粒子群优化与最小二乘支持向量回归的模型对顺流向位移进行预测。结合实地坝体数据,通过与神经网络、传统支持向量机等模型进行对比实验和分析,结果表明,该方法具有误差低、计算效率高等特点。 相似文献