基于支持向量机的交通信息融合算法研究

支持向量机(SVM)是一种崭新的机器学习方法,它建立在结构风险最小化原理的基础上,具有很高的泛化性能。此方法能解决小样本、非线性及高维模式识别中的问题。本文以高速公路上的交通流参数为研究对象,提出了一种基于支持向量机的信息融合算法,并利用事件和非事件条件下的模拟数据对支持向量机进行了训练和测试。同时将该算法与多层前向神经网络(MLF)算法进行了性能比较,仿真实验结果表明该算法具有更好的分类效果,更高的检测率和更低的误报率,可以明显改善检测效果。     

SVM分类器在继发性干燥综合征诊断中的应用

本文为解决SLE患者并发继发性干燥综合征不易诊断及确诊主观性较强等问题,提出了一种可供计算机学习的支持向量机智能算法预测诊断模型。首先对材料中141名患者的26种相关诊断指标进行数据预处理,使之成为能够适合支持向量机计算的量化数据;其次运用交叉验证法、网格搜索法、改进的粒子群优化算法分别对支持向量机模型中的惩罚系数C与核参数g进行优化选择,并利用MATLAB软件分别画出以上3种优化方式得出的支持向量机参数模型;最终对比选出对SLE患者并发继发性干燥综合征疾病诊断预测度最高的预测模型。结果表明,基于改进的粒子群算法优化的支持向量机分类模型参数的自优化,对该疾病预测诊断精度最高。     

支持向量机的应用

支持向量机算法是十大经典算法之一,对于数据分类,数据回归方便有着极好的应用.在实际操作中,我们常用它来处理分类问题.但传统的支持向量机存在噪声太多,数据处理太慢和收敛过快的问题,可通过调整参数进行改进.本文将建立一个模型,实现对支持向量机的简单应用.     

构建最小入侵检测特征集的贪心算法

文章通过贪心算法构建入侵检测特征串的最小特征集,并生成基于该最小特征集的确定有限状态自动机(DFA)。实验结果表明:该方法减少入侵检测特征的存储空间40%,提高了基于DFA模式匹配的入侵检测速度,有效提升了入侵检测软硬件系统的性能。     

两种减少噪声对双支持向量机影响的方法

双支持向量机是Jayadeva等人在2007年提出的一种新的支持向量机.在处理模式分类问题时,双支持向量机的训练速度远远超过传统的支持向量机,计算效率大约是传统支持向量机的四倍.但双支持向量机没有考虑到不同样本点对最优超平面所产生的影响,而是同等对待所有的训练数据样本来构造最优超平面,从而无法降低噪声对分类面的影响.为了克服这个缺点,总结提出了两种方法,一是将模糊技术应用于双支持向量机中,对不同的样本采用不同的惩罚权系数,找到适合的隶属度函数来提高双支持向量机的分类准确率;二是将超球体技术与双支持向量机相结合,清除数据样本中的噪声,减小系统结构误差.实验证明这两种方法能有效的减少噪声的影响.     

基于支持向量机的舰艇部队作战油料消耗量预测研究

为了提高舰艇部队战时油料消耗量预测的准确性,提出了基于支持向量机的预测方法.分析了支持向量机的回归原理及算法,构造了舰艇部队作战油料消耗量预测模型.针对支持向量机中训练参数对预测结果的影响,采用遗传算法对相关参数取值进行优化,以获得预测性能较好的支持向量机模型.以某舰艇部队参加演习的油料消耗量数据作为实验数据,采用构建的支持向量机模型对舰艇部队油料消耗量进行预测,并将其与BP神经网络进行对比分析.实验结果表明,支持向量机比BP神经网络预测精确度更高,误差更小,有效提高了舰艇部队作战油料消耗量预测的准确性和可靠性.     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机(LS-SVM)算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

入侵检测系统及SVM算法的应用

入侵检测系统作为继防火墙、数据加密等传统安全保护措施后新一代的安全防护策略,得到了越来越多的应用。文章介绍了入侵检测系统的基本原理及一种基于支持向量机（SVM）的网络入侵异常检测模型。     

基于最小二乘支持向量机的短期负荷预测

支持向量机是一种基于统计学理论的新颖的机器学习方法,该方法被广泛用于解决分类和回归问题。文章将最小二乘支持向量机（LS—SVM）算法应用于电力系统短期负荷预测中,并将其预测结果和BP神经网络的预测结果进行比较分析。仿真实验表明,该方法在短期负荷预测中具有很好的预测速度和精度。     

基于关键词和支持向量机的财务大数据爬虫

从互联网上获取信息进行分析,已经成为人们进行决策的重要手段。有效地从海量数据中获取正确的目标信息是当前的重点和难点问题。通用搜索引擎检索的结果由于主题相关性不强,无法满足特定用户的需求。文章在改进SVM参数寻优算法的基础上,提出了结合关键词过滤算法和适用于大数据分类的支持向量机算法,并利用设计的财务管理相关主题信息分类算法,构建了财务管理相关主题爬虫系统。实验结果表明,基于关键词与改进支持向量机的财务管理主题相关爬虫能有效地采集目标信息,能够较好地适用于财务管理舆情管理和财务管理危机管理等相关领域。     

基于支持向量机的工程项目投资风险评价研究

提出一种工程项目投资风险评价的新方法—支持向量机评价法,由于支持向量机对样本数量的依赖性弱,通过学习有限的样本而建立的模型仍具有很强的泛化能力,具有比神经网络更好推广性能,因此在项目风险评价方面必然比神经网络具有更大的优势。实例研究也表明支持向量机方法更适合于投资项目风险评价的研究。     

基于克隆聚类的企业IDS的研究

在论述克隆聚类的基本概念及其特点的基础上,探讨了基于克隆聚类的农产品加工企业IDS的优势。根据农产品加工企业的实际需求,重点介绍了无监督的克隆聚类算法,设计并实现了基于克隆聚类算法的入侵检测系统,最后使用KDD CUP 99数据集进行了计算机仿真实验,结果表明能够显著提高检测率和降低误报率。     

基于支持向量机的柴油机故障诊断

本文研究了基于支持向量机的故障诊断方法。以传感器检测数据为输入,利用v-支持向量分类机进行故障分类识别。通过对柴油机燃油压力波动信息和柴油机振动监测数据的处理分析,结果显示基于支持向量机的故障分类器能够在样本有限的情况下出色的完成多种故障的诊断分类。     

基于时间序列的支持向量机在物流预测中的应用

由于物流预测是不确定的、非线性的、动态开放性的复杂大系统，传统方法往往难以准确地描述这种复杂的非线性特征，因而无法准确进行物流预测，本文提出了基于一种基于时间序列的支持向量机(SVM)的物流预测方法。将该方法用于实际物流系统的公路运输量预测中，和真实值比较说明所提出的物流预测方法是可行和有效的。     

径流长期预报的支持向量机方法

支持向量机是近年来提出的一种新的机器学习算法,在解决小样本、非线性及高维模式识别问题中具有独特的优势。针对径流形成过程的不确定性和复杂性,提出了基于支持向量机分类模型的径流长期预报方法。相关研究表明,该方法是可行的,具有预测精度高和良好的可靠性等优点。     

基于Apriori算法的一种改进异常入侵检测模型的研究

近年来网络入侵检测系统成为计算机系统安全架构的关键性问题。异常攻击检测效果差是现有系统目前遇到的首要问题。因此,基于数据挖掘技术提出一种模型来预测新颖的攻击并实时生成防火墙规则。运用了Apriori算法来创建一个自动防火墙规则发生器用以监测新的异常攻击。结果表明改进后的算法高效的提高异常入侵检测系统的性能。     

基于支持向量机的泵功图工况识别

支持向量机是基于小样本统计学习理论的分类算法,推广能力强。本文将支持向量机算法应用于泵功图模式识别,首先提取泵功图特征,再使用LibSVM工具箱对特征样本进行训练,建立分类器,并测试其分类能力,实验表明此方法可以应用于泵功图的模式识别。     

Belgian economic policy uncertainty index: Improvement through text mining

Recently, the literature has measured economic policy uncertainty using news references, resulting in the frequently-mentioned ‘Economic Policy Uncertainty index’ (EPU). In the original setup, a news article is assumed to address policy uncertainty if it contains certain predefined keywords. We argue that the original setup is prone to measurement error, and propose an alternative methodology using text mining techniques. We compare the original method to modality annotation and support vector machines (SVM) classification in order to create an EPU index for Belgium. Validation on an out-of-sample test set speaks in favour of using an SVM classification model for constructing a news-based policy uncertainty indicator. The indicators are then used to forecast 10 macroeconomic and financial variables. The original method of measuring EPU does not have predictive power for any of these 10 variables. The SVM indicator has a higher predictive power and, notably, changes in the level of policy uncertainty during tumultuous periods of high uncertainty and risk can predict changes in the sovereign bond yield and spread, the credit default swap spread, and consumer confidence.     

基于SVM的虹膜识别技术

文章主要阐述了基于支持向量机方法进行虹膜识别,首先利用虹膜处理系统对采集到的虹膜图象预处理,得到条形图象,然后利用主元分析方法(即PCA方法)进行特征提取,以达到降维的目的,得到的一个训练样本对应一个40维的向量,最后利用支持向量机使用序列最小优化算法进行虹膜识别。平均识别率达到了94.3%,结果表明本文的方法取得了较好的效果,降低了训练时间,提高了训练效率。