多输出支持向量回归算法

提出了一种新的多输出支持向量回归算法(M-SVR),给出了定义在超球上的损失函数,并将训练SVM的问题转化为迭代解线性方程组的问题.在求解过程中采用边计算边使矩阵降阶的办法,使得在求解的同时找到了支持向量.实验结果表明:M-SVR算法与SVR算法相比,支持向量明显减少,并且具有更好的整体预测精度和抗噪性能.     

基于壳向量的边界邻近支持向量机

对边界邻近支持向量机进行改进,即在壳向量集上进行边界邻近样本的搜索,给出了基于壳向量的边界邻近支持向量机。实验结果证明:基于壳向量的边界邻近支持向量机比边界邻近支持向量机具有更快的训练速度。     

随机向量的独立性

给出了随机向量相互独立性和条件独立性的两个结论,将３个随机变量的相互独立性和条件独立性推广到随机向量的相互独立性与条件独立性。指出了如果３个随机向量两两条件独立,由３个随机向量亦一定相互独立;且若３个随机向量的函数两两条件独立,则３个随机向量的函数亦相互独立。     

基于向量矩阵的频繁项集挖掘算法

为减少冗余候选项集的产生,提出了一种基于向量矩阵的频繁项集挖掘算法FIS-Miner.在该算法中,将所有频繁1-项集按支持度升序进行排序并存储其对应的二进制位向量,将这些二进制位向量映射到向量矩阵进行分析找出所有的频繁项集,既实现了数据库的一次扫描又避免了大量候选项集的产生.探讨了该算法的实现步骤,并给出实例验证了该算法的有效性.     

支持向量机增量学习算法研究

给出了使用多支持向量机进行增量学习的算法．传统的支持向量机不具有增量学习性能，而常用的增量学习方法各具有不同的优缺点，基于固定划分和过间隔技术，提出了使用多支持向量机进行增量学习的算法；使用此算法，针对标准数据集BUPA及用NDC生成的数据集OUTTRAIN进行了实验，结果表明，使用单一的支持向量机进行增量学习，不论采用过间隔还是固定划分技术，其增量学习的正确率不及使用多支持向量机增量学习算法的正确率。     

线性空间中集值优化问题弱有效解与向量鞍点

在序线性空间中定义了带广义不等式约束集值优化问题的广义向量Fritz-John鞍点和广义向量Kuhn-Tucker鞍点,建立了二者之间关系.最后,借助广义锥次似凸映射的择一定理,讨论了集值优化问题的弱有效解与它们之间的关系.     

线性空间中集值优化问题弱有效解与向量鞍点

在序线性空间中定义了带广义不等式约束集值优化问题的广义向量Fritz-John鞍点和广义向量Kuhn-Tucker鞍点,建立了二者之间关系.最后,借助广义锥次似凸映射的择一定理,讨论了集值优化问题的弱有效解与它们之间的关系.     

双解析向量函数及其边值问题

讨论双解析向量、复调和向量函数及一类半解析向量函数的某些性质，研究了它们的边值问题。     

基于模糊支持向量机的变压器故障诊断

针对支持向量机对训练样本内的噪声和孤立点比较敏感,影响了支持向量机分类性能的弱点,利用模糊支持向量机的学习方法,构建了变压器故障诊断模型．采取一种基于二叉树的多分类方法,使用模糊C均值聚类算法求取模糊支持向量机的模糊隶属度,采用径向基核函数,并利用遗传算法对模糊支持向量机的参数进行寻优．实验结果表明,基于二叉数的模糊支持向量机模型相比BP神经网络、支持向量机有更高的诊断准确率,基于二叉树模糊支持向量机的变压器故障诊断方法是可行的．     

融合支持向量机与多目标进化算法的质量管理研究

提出一套支持向量机和多目标进化算法的融合建模技术（SVM-EMO）以及计算框架,并采用差分进化算法（DE）选择支持向量机参数,并将SVM-EMO应用于一个钢铁企业产品质量管理实例,与人工神经网络的建模结果相比,所提框架结果拟合误差更小,精度更高,能够更好地解决质量管理研究中的多目标非线性优化问题．最后根据模型求解结果,给出了相应的生产建议．