滤波-支持向量回归机

本文是在支持向量机、支持向量回归机的理论基础上,提出了一个新的回归算法,即滤波-支持向量回归机的算法.该算法主要思想是:对于有噪声的样本数据,导致分类错误率比较高.为此,我们先进行滤波处理,然后用单参数约束下的支持向量回归机的算法进行训练得到分类器.该算法可提高样本的稳定性,增强了分类器的分辨能力.地基土物理数据分类的实验结果也显示了该算法是有效的,在一定程度上优于硬ε-带支持向量回归机的算法,使得分类准确率从57.7%提高到96.15%.     

联合循环平稳特征PCA与RVM的频谱感知

针对无线信道环境中低信噪比情况下主用户信号检测率较低的问题,提出了一种基于循环平稳特征主成分分析(PCA)与相关向量机(RVM)的认知网络频谱感知算法。该算法结合了主成分分析算法与相关向量机分类方法,应用于解决认知网络频谱感知问题。首先对信号循环平稳特征参数进行特征提取,通过主成分分析进行降维提取信号主成分,生成训练样本和待测样本,并完成对相关向量机的训练,再采用训练完成的相关向量机算法分别对有无主用户情况下的信号进行分类检测,最后获得主用户信号存在性的感知判断。仿真实验表明,与人工神经网络、支持向量机和最大最小特征值算法相比较,所提算法在低信噪比情况下具有较高的分类检测性能,检测率最大可提高61.6%,有效地实现了对主用户信号的感知。     

基于高阶循环累积量和支持矢量机的分级调制分类算法

利用观测样本的高阶循环累积量特征,提出一种基于支持矢量机的分级调制分类算法 ,实现了对QAM调制信号的自动识别。该算法具有较快的分类器训练速度和较低的复杂度, 对时延和相位旋转具有稳健性,并可在干扰环境下实现对感兴趣信号调制类型的识别。理论 分析和仿真结果均证明了算法的正确性和有效性。     

基于核Fisher鉴别分析的网络入侵检测算法

提出了一种将核Fisher鉴别分析特征抽取与多分类支持向量机算法结合的网络入侵检测技术,扩展了二分类支持向量机．利用经过核Fisher鉴别分析特征抽取后的训练数据构造优化的决策树,从而实现支持向量机的多分类。实验结果表明该算法能够提高检测正确率,同时降低训练时间,取得了良好的效果。     

高阶累积量在多参数联合分选中的应用

目前复杂体制雷达大量出现,侦收到的有效脉冲数少,传统的分选方法存在分选难、参数利用率低、可靠性差等问题,而多参数联合分选方法是解决上述问题的重要手段之一。为此,提出了一种提取信号的脉内特征参数高阶累积量,联合较为稳定的脉间参数,利用改进支持向量机的分选算法。仿真证明高阶累积量归一化的特征值对不同调制类型信号具有良好的区分度,并且通过对复杂体制雷达信号进行分选实验证明,分选结果准确率高。     

智能财务数据分类方法探究

从财务数据分析财务风险的成因,划分财务风险种类,确定财务风险的度量方法,支持向量机(SVM)是解决问题的最好算法之一。传统的支持向量机是两类分类问题,如何有效地将其推广到多类分类问题仍是一项有待研究的课题。本文介绍了支持向量机的基本原理,对现有主要的多类支持向量机对财务数据分类进行比较。     

基于加权最小二乘支持向量机的欠定盲源分离

为了进一步提高欠定盲源分离算法中混合矩阵估计方法的性能,提出了一种基于加权最小二乘支持向量机（SVM）的欠定盲源分离混合矩阵估计方法。该方法利用信号的方向角度特征估计出有效信源信号个数,然后采用加权最小二乘支持向量机方法获得初始权值,每次将其中一个权值对应的样本点作为测试样本,其余点作为训练样本,依次对样本的误差变量进行更新,再根据权值计算公式实现所有权值的更新,进而确定最优分类平面,实现对观测信号的最优分类,最终估计出混合矩阵。实验结果表明,新算法是有效的,其平均误差是基于K-均值方法误差的0.2倍左右,是基于SVM算法平均误差的0.5倍左右。     

一种改进的卫星MPSK通信信号盲载频估计算法

针对第三方侦察中卫星通信信号的载波频率高精度估计问题,提出了一种没有先验知 识条件下的MPSK信号盲载频估计改进算法,推导了MPSK信号四阶循环累积量运算的简化形式 ,并采用循环重叠Welch功率谱粗载频估计和四阶循环累积量精估计的方法完成MPSK信号 的载频估计,大幅降低了运算量。仿真实验证明了所提算法的有效性。     

基于支持向量回归算法的RBF神经网络

支持向量机是由Vapnik等人提出的一种基于统计学习理论的新型机器学习算法,该技术已成为当前国际机器学习界的研究热点,并广泛用于解决分类和回归问题。本文给出了基于支持向量回归算法的RBF神经网络,实验结果表明,基于支持向量回归算法的RBF神经网络的泛化能力强、对样本的依赖程度低,它比基于RBF神经网络的建模方法具有更好的推广能力。     

支持向量机在模式识别中的应用

针对传统神经网络存在网络结构难于确定、过学习以及局部极小等问题，研究了基于支持向量机（SVM）的模式识别问题。通过对棋盘这种典型非线性二值问题的分类研究，分析了支持向量机的分类与泛化能力。支持向量机在分类和泛化能力方面远远优于传统神经网络。最后将支持向量机用于对两类飞机目标的分类识别，通过多组蒙特卡罗试验，获得了较好的识别结果。支持向量机在目标识别中有巨大潜力和广阔前景。     

一种经验模式分解下的海杂波小目标检测方法

利用海杂波有效探测海上小目标是目前雷达探测领域的热点问题，具有重要的应用价值。鉴于海杂波是一种非线性非平稳性的雷达回波信号，充分发挥整体平均经验模式分解的优势，将海杂波分解为若干个不同尺度的独立分量。通过研究发现有目标时，分解出的前5个分量与未分解前信号的相关系数明显减小，因此提出了一种新的海杂波背景下的目标检测方法。通过实测和模拟的海杂波数据进行训练和测试，研究结果表明，该方法能有效地实现海杂波下目标的探测，性能优于经典时域下、分数阶傅里叶变换域下以及平均经验模式分解后的广义Hurst指数的目标检测方法。     

采用混合核支持向量机的DOA估计

人工神经网络（ANN）进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机（SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角（DOA）的估计性能,并结合二进制粒子群算法（PSO）来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数（RBF）神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

中国海外上市公司的PCA—SVM财务危机预警研究

在支持向量机（Support Vector Machine,SVM）方法的基础上融入主成分分析（Principal Component Analysis,PCA）方法,可构建PCA—SVM财务危机预警模型。以我国海外上市公司为研究对象,运用PCA提取出对财务危机具有显著影响的特征指标,进而通过训练集在不同核函数下对SVM进行训练,最后运用测试集对经过训练得到的SVM财务危机预警模型进行性能验证与评价。实证研究结果表明,PCA．SVM财务危机预警模型在线性、多项式、径向基和sigmoid四种核函数下都具有良好的预测能力,而径向基核函数下的PCA-SVM财务危机预警模型具有更加优越的学习能力与泛化推广能力。     

基于支持向量机的上证指数预测研究

基于支持向量机的预测模型对上证指数进行预测,并将其预测结果与BP神经网络的预测结果进行对比,其结果表明,支持向量机的预测模型具有较高的拟合和预测精度并优于BP神经网络模型,且支持向量机预测方法计算速度快,准确率高,具有很好的推广应用价值。     

银行业高管竞争力评价模型及实证分析

在建立银行业高管竞争力评价指标体系基础上,构建了主成分分析(PCA)和支持向量机(SVM)相结合的竞争力评价模型。对原始指标数据进行标准化处理,运用主成分分析消除指标之间的冗余和相关,并在MATLAB 6.5中运用支持向量机对银行业高管竞争力进行评价。实证结果表明该方法是适用于我国银行业高管竞争力评价的有效方法。     

基于SVM模型下的河南科技创新指标体系的识别与实证研究

基于SVM下的创新识别模式为视角,立足于河南企业科技创新能力评价的实际需求,构建河南科技创新能力评价模型。SVM在解决小样本、非线形及高维模式识别问题具有独特优势,主要从知识创造能力、知识获取能力、企业创新能力、创新环境、创新绩效等识别指标,建立科学的评价指标体系,对河南企业的科技创新能力进行客观而准确的测度和评价。实证研究表明：支持向量机在河南科技创新能力识别中的效果良好,表现出SVM对有限样本的良好泛化能力,足见SVM方法的科学性、合理性和前瞻性。