不同SVM算法在入侵检测中的应用

近年来支持向量机在入侵检测领域得到了广泛应用,由于支持向量机理论在发展过程中不断涌现出新的算法,为了找到一种较适合入侵检测的算法,选择了具有代表性的基于C-SVM的SMO算法和一种新的支持向量机LS-SVM,分别应用于入侵检测.使用不同规模训练集和测试集进行多组实验,从不同角度研究了它们在入侵检测中的特性,并进行综合比较研究,从实时性、检测精度、误报率和漏报率方面研究它们在入侵检测中的优劣,找出较优的算法为SMO算法.     

����SVM�����ݲ��ԴITS�����ںϷ�����̽

在阐明ITS数据融合的意义及层次性的基础上，分析了数据层多源ITS数据融合及支持向量机的特点，根据支持向量机（SVM）的原理设计了利用支持向量机进行多源ITS数据融合的思路，并从支持向量机训练、训练结果评价以及支持向量机测试三个方面提出了该思路的实现步骤。在对日本阪神公路上堺入口的二源交通流数据进行支持向量机融合后，比较融合前后的数据，证明所提出的基于支持向量机技术的数据层多源ITS数据融合方法能够有效地进行数据质量控制，提高数据的精确度。     

基于智能优化方法的SVM电机故障诊断模型研究

为提高电机故障诊断的准确率和有效性,提出了基于智能优化算法的支持向量机电机故障诊断模型.首先采集交流电机不同位置上的振动加速度信号,使用小波包分析方法对所采集的振动加速度信号进行特征提取,将得到的能量比向量作为支持向量机故障诊断模型的输入,使用遗传算法、粒子群优化算法对支持向量机故障诊断模型进行参数优化并进行模型训练,在使用测试样本集对得到的两种故障诊断模型进行分析之后可以看出经过参数优化后的支持向量机模型提高了故障预测的准确率,并且粒子群优化方法具有比遗传算法更高的预测准确率,并极大地减小了优化时间及优化次数.     

大规模训练集的快速缩减

为了进一步减少支持向量机的训练时间,提出了一种基于类别质心的训练集缩减算法.该算法根据样本的几何分布去除训练集中大部分非支持向量.对样本规模在104数量级的数据集进行了训练实验,结果显示,在基本不损失分类精度的情况下,训练时间比直接用SMO(序贯最小优化)算法减少30%,说明该算法能有效地提高支持向量机的训练速度.     

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．     

基于粒子群优化SVM的高速公路交通事件检测

为了更加准确地检测出高速公路上的偶发性交通事件,采用一种粒子群优化SVM参数的高速公路交通事件检测算法,提升事件检测效果。文中运用高速公路实测数据集（L880）,对支持向量机算法进行分类性能测试,并且采用改进的粒子群优化算法对支持向量机的参数进行优化,进而利用测试集数据对该模型进行验证比较,获得满意的检测效果。     

二分类数据的分类结果可视化算法

针对在某些应用领域对二分类数据分类结果可视化的需求，以及现有无监督可视化算法无法提供分类结果的相关信息的问题，提出了二分类数据分类结果可视化算法——支持向量可视化（SVV），该算法是在无监督的自组织神经网络（SOM）的可视化功能的基础上，结合监督学习的支持向量机（SVM）的二分类算法，得到能够直观地显示高维数据、二分类数据分类边界以及数据与分类边界距离的二维映射图，提高了分类结果的可解释性．以SOM可视化算法以及Smnmon算法为参照，用2组可分性不同的样本集进行仿真分析，验证了该算法的有效性和可行性。     

����ģ���ֲڼ���֧��������������������Ԥ��

对区域物流量进行研究与预测有助于把握区域物流的需求,实现区域物流供需相对平衡,提高区域物流规划质量和运行效率具有重要的理论和实际意义.本文将模糊粗糙集理论引入区域物流量的预测中,建立基于模糊粗糙集与支持向量机的区域物流量预测模型,用模糊粗糙集作为前端预处理器对数据进行约简,剔除冗余信息,以实现两种算法的优势互补.针对支持向量机在处理数据时无法将数据简化的问题,提出了基于模糊粗糙集与支持向量机的区域物流量预测方法,在支持向量机对样本数据进行处理之前,利用模糊粗糙集数据挖掘的能力对原始数据样本集进行预处理.结果表明,这种预测方法具有很好的精确性和有效性.     

多分类转导支持向量机

为了完成分类学习,传统的支持向量机基于带标记信息的经验数据归纳出一个通用的决策函数。而转导支持向量机则不同,它考虑包含测试集在内的所有数据信息并致力于最小化测试样本的分类错误数。在已有的2类分类方法的基础上构造了直接求解多类分类问题的的转导支持向量机。     

基于支持向量回归的图像复原方法研究

针对退化图像复原问题,提出了一种基于支持向量回归的退化图像复原方法.该方法利用支持向量机回归算法非线性映射能力,通过训练样本对的学习训练,在退化图像与原始清晰图像之间建立映射关系,然后对测试样本进行复原.实际图像复原实验表明,得到的复原图像在视觉上和定量分析上都获得了比较好的效果.与神经网络方法相比,支持向量机回归算法克服了神经网络的模型选择与过学习问题、局部极小问题等.     

非线性支持高阶单分类张量机模型

研究了典型的支持张量机模型的理论和特点，讨论了单分类支持张量机的优缺点。针对已有模型求解容易陷入局部最优解和模型参数过多易引起过拟合风险的缺陷，提出了新的非线性支持高阶单分类张量机模型。在公开BREAST-CANCER数据集和ORL人脸灰度图数据集上进行了多种数值实验，验证了非线性支持高阶单分类张量机模型能有效完成敌我识别，模型稳定性强，具有更低的过拟合风险。     

邮件过滤系统中预处理方法的研究与实现

完成了邮件过滤系统中的预处理工作。实现了信息增益特征选择算法,通过实验对比,得出了PU系列语料库合适的特征维数。使用词频反文档频率公式计算了特征词的权重,通过算法把标准邮件集处理成了支持向量机算法可以直接处理的向量空间模型的形式。     

基于小波包能量谱和SVM的水下目标识别

为了提高舰船辐射噪声信号分类的准确率,即在水下进行舰船目标识别的准确率,采用了小波包提取信号能量谱特征的方法和支持向量机的分类算法.简介了小波包变换及支持向量机的基本原理,然后针对舰船辐射噪声信号进行多层小波包分解,提取各子频段能量谱作为特征量,归一化处理后构建特征向量,最后用支持向量机算法进行分类.仿真实验结果表明,利用对信号的多层小波包分解提取能量谱特征和支持向量机的分类算法能对舰船辐射噪声信号进行有效识别.     

城市交通碳排放预测的多模型对比分析

为寻找合适的城市交通运输碳排放预测方法,基于STIRPAT模型,选取人口总量、人均GDP、机动车保有量、碳排放强度、城镇化率、旅客周转量和货物周转量等7项指标作为城市交通运输碳排放影响因素,分别建立基于遗传算法优化支持向量机、粒子群优化支持向量机、网格搜索优化支持向量机预测模型,并以1995—2016年交通运输碳排放相关指标作为基础数据做实例分析。结果表明:GA-SVM对比PSO-SVM与GS-SVM所得出训练集的相关系数分别增长了2.74%和1.07%,测试集的相关系数分别增长了1.04%和0.29%,较其它两种预测模型具有良好的学习和推广能力,说明GA-SVM模型更适合对城市交通碳排放进行预测分析。     

一种基于LS-SVM的道岔控制电路故障诊断

针对最小二乘支持向量机最优参数难以寻找的问题,提出了用ARPSO算法优化最小二乘支持向量机可调参数的方法,并将该方法应用于道岔控制电路的故障诊断中.ARPSO算法在保证种群多样性的同时,避免了基本PSO算法过早收敛的问题,能更高的提高算法效率.仿真证明ARPSO算法比基本PSO算法具有更高的收敛速度和效率,基于ARPSO最小二乘支持向量机的分类方法比最小二乘支持向量机分类方法具有更高的分类准确度.     

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。     

基于PSO—SVM的交通流量短时预测

参数选择问题影响了支持向量机预测模型在交通流量中的预测性能。为了解决支持向量机预测模型的参数选择问题,引入了粒子群优化算法机制,通过粒子群优化选择支持向量机预测模型的学习训练参数,得到较优的PSO-SVM预测模型。通过实例仿真实验,将PSO-SVM预测模型与神经网络预测模型进行了比较,显示了其优越性。     

自行车驾驶员交通行为方式判定研究

鉴于我国交通事故中涉案者交通行为方式对于事故责任认定具有重要作用,提出一种基于特征选择的自行车驾驶员交通行为方式判定方法。采集交通事故案例数据并构建组合特征后,基于SMOTE算法进行数据不平衡处理。针对不同数据集构建支持向量机、随机森林和人工神经网络这3种多分类模型,运用交叉验证和受试者工作特征曲线进行模型评价,确定最优分类准确率和关键特征变量。研究表明:该判定方法准确率在组合数据集可达78.83%,在原始采样数据集可达82.19%;车座损伤、车座旋转、机动车类型、车把旋转是交通行为方式判定的关键特征变量。     

改进支持向量回归机的短时交通流预测

短时交通流预测是实施智能交通控制的基础和保障.针对目前短时交通流预测方法拟合交通数据的能力偏弱，以及过分依赖历史数据的不足，提出一种基于深度学习回归机的短时交通流预测方法.首先构建深度学习回归机算法模型，包括受限玻尔兹曼机的显层节点输入端，受限玻尔兹曼机的若干中间层，以及径向基支持向量回归机输出端.通过实验将深度学习回归机预测方法与其他典型的短时交通流预测算法进行比较，结果表明，在相同的数据和计算平台下，本文提出的深度学习回归机预测方法精度更高，且预测实时性也能满足实际的需求.     

基于核函数的学习算法

论述基于核函数的方法，包括支持向量机的分类、聚类与回归算法，基于核的Fisher判别分析、感知机和主成分分析，介绍学习算法、简化算法和多类分类等研究课题，及基于核函数方法的应用。