首页 | 本学科首页   官方微博 | 高级检索  
检索     
共有20条相似文献,以下是第1-20项 搜索用时 109 毫秒

1.  组合核函数支持向量机在个人信用评估中的应用  
   孙强  杨旭娜《黑龙江科技信息》,2013年第26期
   支持向量机在处理分类问题时有着其特有的优势,其分类结果与参数和核函数有关,它们决定着支持向量机的学习能力和推广能力。本文在考虑核函数及其性质的基础上,使用一种新的组合核函数方法,对全局核函数和局部核函数利用线性组合的方法来进行个人信用的评估,并在数据集Australian和Germany上加以实例验证。结果表明:组合核函数的支持向量机优于单一的支持向量机。    

2.  基于支持向量机的miRNA预测方法研究  
   张祖勇  孙龙清《中国科技信息》,2008年第20期
   本文从miRNA及其前体的生物学特征出发,在对支持向量机理论及其应用特点进行研究的基础上,构建了基于支持向量机的miRNA预测过程模型,在miRNA特征的向量表示、miPNA特征选择、预测模型核函数及参数选择方面进行了研究.以水稻、拟南芥、玉米的miRNA为实例,对基于支持向量机的miRNA预测方法的预测准确率进行了验证,实验结果表明该方法预测准确率达95%以上.    

3.  支持向量机理论探讨  
   胡骏《科技创业月刊》,2012年第3期
   支持向量机在有两类的分类问题中有很好的应用,研究支持向量机的理论,并讨论了取代铰链损失函数的支持向量机,并考虑核逻辑回归模型,表明了核逻辑回归模型在执行两类分类支持向量机中的作用。此外,还利用核逻辑回归模型提供了一个基础概率的估计。    

4.  关于支持向量机核函数中参数选择的研究  被引次数:3
   王丽  范玉妹  吴娟《内江师范学院学报》,2006年第21卷第Z1期
   核函数及核函数中参数的选取是支持向量机中一个重要的问题.选择合适的核函数中的参数以及惩罚参数的问题称为模式选择.本文对目前支持向量机中参数选择算法以及这些算法中用到的推广误差估计进行了初步的研究和分析.    

5.  SVR算法在太阳黑子活动预测上的应用  
   涂光辉  蒋华《大众科技》,2013年第6期
   支持向量机(SVM)是建立在统计学习理论基础上的一种通用的研究机器学习规律的方法。它具有很强的学习能力和泛化能力,可以有效地处理分类,回归等问题。SVM在处理非线性问题时,通过使用一个核函数来解决复杂计算问题。最小二乘支持向量机(LS_SVM)是SVM的一种改进,它提高了求解问题的速度和收敛精度。本文以太阳黑子为数据集,基于LS_SVM工具,使用了支持向量回归算法(SVR),实现了太阳黑子活动的预测。    

6.  基于遗传算法寻优的多核支持向量机故障诊断系统  
   叶慧  叶龙海  尹强  王卫华  杨庆祥《安阳工学院学报》,2017年第16卷第4期
   针对传统的单核SVM已经无法满足多个不同数据源的复杂问题,提出了支持向量机多核学习的改进方法.多核支持向量机的学习能力、泛化能力、决策能力在很大程度上取决于参数的选择以及多核权值系数的优化.对此,本文使用遗传算法对多核权值系数寻优,设计多核支持向量机故障诊断系统,此系统在某型飞机的垂直陀螺故障诊断中进行了验证,验证分别利用单核支持向量机和多核支持向量机分类精度对比,结果表明遗传算法寻优得到的权值系数使多核支持向量机分类精度明显提高.    

7.  基于SVR的隐含风险中性概率密度函数提取  
   胡小平  崔海蓉  朱丽华  王新燕《东南大学学报》,2010年第26卷第3期
   利用支持向量回归机(SVR),通过求解线性算子方程,提出了一种全新的非参数类恢复隐含风险中性概率密度函数的方法.首先,介绍了支持向量回归机应用于函数逼近的基本原理,当仅知算子方程右边函数的一些函数值而不知其函数形式时,描述了基于支持向量回归机的线性算子方程求解方法.然后,给出了基于支持向量回归机的隐含风险中性概率密度函数求解原理及交叉核函数的构建方法.最后,通过实证研究,验证了该方法的有效性.研究结果表明,所提方法克服了传统参数类方法对期权执行价格有严格限制的缺陷,同时对数据量的要求也比其他非参数类方法少,是一种很有前景的还原隐含风险中性概率方法与手段.    

8.  改进的支持向量机的DNA序列分类方法  
   龚伏廷《科技通报》,2012年第28卷第6期
   针对传统的支持向量机在分类中不能够逼近任意的分类界面,而造成分类精度低的问题,本文在传统的支持向量机核函数基础上,提出了一种基于遗传算法优化的支持向量机结构模型,并将该方法应用在DNA序列分类上。实验结果表明了本文算法在同等条件下要比传统的SVM分类方法具有更加优越的特征提取性能。    

9.  基于RBF核的SVM分类应用研究  
   朱芳  赵庆平  王江涛《唐山学院学报》,2017年第30卷第3期
   支持向量机(Support Vector Machine,SVM)在解决小样本、非线性及高维模式识别中具有优势,但核函数的选取没有定论,且其参数对SVM模型的性能起重要作用。针对这些问题,文章建立了基于SVM的分类模型,并通过UCI数据集验证了径向基核函数(Radial Basis Function,RBF)较其他核函数的有效性,其中核参数的选取采用改进的网格搜索法进行寻优。分类实验结果表明,选择RBF核函数的分类准确度较其他核函数提高了2.5%到35%。    

10.  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  被引次数:1
   张晓志  蒋丽峰《湖北广播电视大学学报》,2007年第27卷第10期
   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.    

11.  基于支持向量机与信息粒化的上证指数预测研究  
   周晓辉  姚俭《科技通报》,2014年第9期
   参数的优化选择对支持向量机回归算法(SVR的预测精度和泛化能力影响显著,提出混沌粒子群优化算法(CPSO优化选取支持向量回归算法中参数c和g信息粒化是进行海量数据挖掘和模糊信息处理的有效工具。在此基础上利用上证指数数据建立上证指数开盘数预测模型,研究结果表明,混沌粒子群优化的SVR信息粒化时序回归预测模型克服了传统时间序列模型仅局限于线性系统的缺点,速度快,预测精度高,且实用性强。    

12.  基于支持向量回归机的广西物流需求预测  被引次数:2
   黄毅  夏国恩《科技管理研究》,2011年第31卷第2期
   传统的区域物流需求预测方法往往具有预测精度不高、数据处理效果不佳等不足,而基于支持向量回归机(SVR)的预测模型正好弥补其不足.基于SVR预测模型,以1985-2008年广西货运量为面板数据,选择合适的核函数及参数,并与灰色及一元回归预测方法相对比,发现其预测精度很高,预测值也吻合广西总体经济发展要求.    

13.  基于一类学习SVM核参数影响的研究  
   倪兵兵  李霆  黄鹤玲《信息系统工程》,2010年第1期
   核函数参数的选择对支持向量机的性能有着重要影响,不同问题下合适的核参数取值差异性也很大。本文从实验的角度出发,验证研究了不同核参数的对支持向量机性能的影响。    

14.  基于核函数原型和自适应遗传算法的SVM模型选择方法  被引次数:1
   陈刚  王宏琦  孙显《中国科学院研究生院学报》,2012年第29卷第1期
   针对现有SVM模型选择方法中人为指定核函数类型导致SVM模型性能难以达到最优的问题,提出了核函数原型的概念,并在此基础上提出一种基于核函数原型和自适应遗传算法的SVM模型选择方法.该方法针对具体问题选择最优的核函数,有效地提高了SVM模型的性能;同时该方法通过动态调整遗传算法的控制参数,提高了SVM模型选择方法的稳定性.在5个标准SVM数据集和遥感图像上的实验证明了该方法的有效性和稳定性.    

15.  改进的基于支持向量机模型剪接位点的预测  
   王丽美  ;郑大军  ;郑程友《宜宾学院学报》,2014年第12期
   在采用概率编码的基础上,利用支持向量机模型对人类剪接位点进行预测,重点研究了基于核主成分分析方法对最终预测模型的影响.从实验结果看,这种改进的基于支持向量机模型剪接位点的预测在敏感性和特异性上优于其他模型.    

16.  基于支持向量机的语音情感识别  被引次数:6
   王治平  赵力  邹采荣《东南大学学报》,2003年第19卷第4期
   针对语音情感识别特征识别问题,本利用支持向量机进行了研究.分析表明语音信号的情感特征参数在输入空间中不完全是一个线性分类的问题,使用非线性的核函数对输入空间进行映射可以有效地提高识别效率.与已有的多模式语音情感识别方式相比,利用高斯(径向基)核函数的支持向量机的识别效果优于其他已有的方法.    

17.  基于支持向量机优化参数的集成多核典型相关分析  
   路燕  盛姝《科技管理研究》,2018年第15期
   提出一种可有效处理多个数据集合之间变量关系的集成多核典型相关分析方法,构造一个特殊的核函数,使其更好地将原始样本数据映射到高维空间;基于支持向量机,在选择一个优化参数的基础上最大化多组数据集变量间的关系,以寻求整体相关性最大。在多特征手写体数字库上的实验证明,相比传统的典型相关分析与核典型相关分析方法,基于优化参数的集成多核典型相关分析方法具有更优的性能。    

18.  多分类支持向量机的算法研究  
   胡运红  段惠琴《运城学院学报》,2010年第28卷第2期
   支持向量机是一种新的机器学习方法,是在统计学习理论基础上发展起来的。经典的支持向量机算法主要是针对两分类问题,但是在实际生活中经常需要求解多分类问题,这就需要将支持向量机的算法推广到求解多分类问题。通过阐述支持向量机模型及其算法的基本原理,对多分类支持向量机几种算法进行分析,系统地比较了各种算法的性能,探讨了多分类支持向量机算法的进一步研究方向。    

19.  基于SVM预测模型的汽车电子市场价值估计  
   添玉  张琳娜《上海海事大学学报》,2012年第33卷第2期
   为估计汽车电子市场的潜在价值,引入一种基于改进优化核函数参数支持向量机(Support Vector Machine,SVM)的中国汽车月产量预测模型.SVM采用RBF核函数和ε-SVR回归方法;参数选择归结为使推广能力的估计值最小、对偶问题最大化的最优化问题.根据2005—2009年中国汽车月产量数据,预测2010年前3个月的中国汽车月产量,并估计中国轻型汽车电子市场的潜在价值.结果表明:该模型能够提高短期预测性能,可为汽车公司的市场决策提供有价值的参考.    

20.  支持向量机径向基核参数优化研究  
   刘路民根《黑龙江科技信息》,2018年第26期
   支持向量机在机器学习中表现良好。基于径向基(RBF)核的支持向量机的分类和回归性能受其核参数的影响。为了获得最优的分类和回归预测结果,选择合适的核参数设置对提高分类和回归预测的准确度非常重要。本文使用网格搜索算法、遗传算法、粒子群优化算法分别进行径向基(RBF)核参数寻优。对比实验表明,网格搜索算法具有一定优势。    

设为首页 | 免责声明 | 关于勤云 | 加入收藏

Copyright©北京勤云科技发展有限公司  京ICP备09084417号