检索结果-南通市图书馆

同方期刊数据库

利用带无标签数据的双支持向量机对恒星光谱分类

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2019年第3期39卷 948-952页

作者：刘忠宝雷宇飞宋文爱张静王杰屠良平泉州信息工程学院软件学院福建泉州362000 中北大学软件学院山西太原030051 中国科学院新疆天文台新疆乌鲁木齐830011 辽宁科技大学理学院辽宁鞍山114051

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖... 详细信息

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进,人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此,研究人员开始关注数据挖掘算法,并尝试对这些光谱进行数据挖掘。近年来,神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中,支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时,通过将其最优化问题转化为具有(QP)形式的凸问题,进而得到全局最优解。尽管该方法在实际应用中表现优良,但为了进一步提高其分类能力,有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍,因此,自TSVM提出后便受到研究人员的持续关注,并出现若干改进算法。在恒星光谱分类中,一般分类算法都是根据历史观测光谱来建立分类模型,其中最关键的是对光谱进行人工标注,这项工作极为繁琐,且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此,提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分;然后,在训练集上进行学习,得到分类依据;最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势,更重要的是,在训练集上学习分类模型过程中,不仅考虑有标记的训练样本,也考虑部分未标记的样本。一方面提高了学习效率,另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比,带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而,该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想,利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。

关键词：恒星光谱智能分类双支持向量机无标签数据

利用融合数据分布特征的模糊双支持向量机对恒星光谱分类

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2019年第4期39卷 1307-1311页

作者：刘忠宝秦振涛罗学刚周方晓张靖攀枝花学院数学与计算机学院四川攀枝花617000 中北大学软件学院山西太原030051

恒星光谱分类是天文学研究的一个热点问题。随着观测光谱数量的急剧增加,传统的人工分类无法满足实际需求,急需利用自动化技术,特别是数据挖掘算法来对恒星光谱进行自动分类。关联规则、神经网络、自组织网络等数据挖掘算法已广泛应用... 详细信息

恒星光谱分类是天文学研究的一个热点问题。随着观测光谱数量的急剧增加,传统的人工分类无法满足实际需求,急需利用自动化技术,特别是数据挖掘算法来对恒星光谱进行自动分类。关联规则、神经网络、自组织网络等数据挖掘算法已广泛应用于恒星光谱分类。其中,支持向量机(SVM)分类能力突出,被广泛应用于恒星光谱分类。该方法试图在两类样本之间找到一个最优分类面将两类分开。该方法具有较高的时间复杂度,计算效率有限。双支持向量机(TWSVM)的出现有效地解决了SVM面临的效率问题。该方法通过构造两个非平行的分类面将两类分开,每一类靠近某个分类面,而远离另一个分类面。TWSVM的计算效率较之传统SVM提高近4倍,因此,自TWSVM提出后便受到研究人员的持续关注。但上述方法在分类决策时,一方面没有考虑数据的分布特征,另一方面较易受噪声点和奇异点的影响,分类效率难以显著提升。鉴于此,在双支持向量机的基础上,提出融合数据分布特征的模糊双支持向量机(TWSVM-SDP)。该方法引入线性判别分析(LDA)的类间离散度和类内离散度,用以表征光谱数据的分布性状;引入模糊隶属度函数用以降低噪声点和奇异点对分类结果的影响。在SDSS DR8恒星光谱数据集上的比较实验表明,与支持向量机SVM、双支持向量机TWSVM等传统分类方法相比,融合数据分布特征的模糊双支持向量机TWSVM-SDP具有更优的分类能力。该方法亦存在一定的局限性,其中一大难题是其无法处理海量光谱数据。接下来将利用大数据处理技术,来对所提方法在大数据环境下的适应性展开进一步研究。

关键词：恒星光谱分类数据分布特征模糊隶属度双支持向量机

基于流形模糊双支持向量机的恒星光谱分类方法

在线全文

学校读者我要写书评

暂无评论

光谱学与光谱分析 2015年第1期35卷 263-266页

作者：刘忠宝高艳云王建珍中北大学计算机与控制工程学院山西太原030051 河南信息统计学院人事处河南郑州450008 山西大学商务学院信息学院山西太原030031

支持向量机(support vector machine,SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(... 详细信息

支持向量机(support vector machine,SVM)具有良好的学习性能和泛化能力,因而被广泛应用于恒星光谱分类中。然而实际应用面临的数据规模往往很大,SVM便暴露出计算量大、分类速度慢等问题。为了解决上述问题,Jayadeva等提出双支持向量机(twin support vector machine,TWSVM),将计算时间减少至SVM的1/4。然后上述方法仅关注数据的全局特征,对每类数据的局部特征并未关注。鉴于此,提出基于流形模糊双支持向量机(manifold fuzzy twin support vector machine,MF-TSVM)的恒星光谱分类方法。利用流形判别分析获得数据的全局特征和局部特征,模糊隶属度函数的引入将各类数据区别对待,尽可能减少噪声点和奇异点对分类结果的影响。与C-SVM,KNN等传统分类方法在SDSS恒星光谱数据集上的比较实验表明了该方法的有效性。

关键词：自动分类恒星光谱流形判别分析模糊隶属度双支持向量机

在线全文

学校读者我要写书评

暂无评论

改进的萤火虫算法优化双支持向量机参数

微电子学与计算机 2022年第11期39卷 11-18页

作者：顾佳鑫贺兴时杨新社西安工程大学理学院陕西西安710600 密德萨斯大学科学与技术学院英国伦敦NW44BT 701

针对原始萤火虫算法(Firefly Algorithm,FA)易陷入局部最优、求解精度低,双支持向量机(Twin Support Vector Machine,TWSVM)参数选择困难的问题,提出基于改进萤火虫算法(DEFA)的双支持向量机模型(DEFA-TWSVM).首先,对原始萤火虫算法进... 详细信息

针对原始萤火虫算法(Firefly Algorithm,FA)易陷入局部最优、求解精度低,双支持向量机(Twin Support Vector Machine,TWSVM)参数选择困难的问题,提出基于改进萤火虫算法(DEFA)的双支持向量机模型(DEFA-TWSVM).首先,对原始萤火虫算法进行改进,得到DEFA算法:在萤火虫位置更新公式中结合动态惯性权重,自适应地调整步长控制因子来快速搜索全局和局部最优解,对每次移动后的萤火虫群融入差分进化算法(Differential Evolution,DE)策略,保证种群迭代多样性,通过基准测试函数的仿真结果表明改进后的算法全局寻优能力强,不易陷入局部最优.其次,利用DEFA算法优化TWSVM的参数.最后,在UCI数据集进行测试,得到DEFA-TWSVM和其他模型的分类准确率.通过比较发现:DEFA算法可以在训练过程中自动确定TWSVM参数,解决了TWSVM参数选择盲目的问题,平均分类准确率相较其他模型提高了2到5个百分点.

关键词：双支持向量机参数选择萤火虫算法动态惯性权重差分进化算法自适应步长

在线全文

学校读者我要写书评

暂无评论

双支持向量机的改进及其应用

双支持向量机的改进及其应用

作者：刘凯兰州大学

学位级别：硕士

双支持向量机(Twin Support Vector Machines, TWSVM)最早由Jayadeva教授等人于2007年提出,其基本思想是产生两个非平行的分类面,让每一类都接近于相对应的分类而,而远离另一分类面。作为一种新颖的支持向量机,它与经典的支持向量机(Sup... 详细信息

双支持向量机(Twin Support Vector Machines, TWSVM)最早由Jayadeva教授等人于2007年提出,其基本思想是产生两个非平行的分类面,让每一类都接近于相对应的分类而,而远离另一分类面。作为一种新颖的支持向量机,它与经典的支持向量机(Support Vector Machines, SVM)最主要的区别在于将传统的一个大的凸二次规划问题转化为两个小的凸二次规划问题,拥有两个判别曲线,对同等样本集的训练速度比经典支持向量机快4倍左右。双支持向量机在最近几年的发展非常迅速,近年来成功地应用于模式识别、数据分类和函数拟合等领域。本文对双支持向量机进行了深入研究,进一步延伸到最小二乘双支持向量机(Least Squares Twin Support Vector Machines, LSTSVM),并且提出了一种新型的最小二乘双支持向量机的数学模型及其增量学习方法。此外,将这种新型的数学模型应用于认知无线电信号调制方式的识别,获得了较高的识别率。论文的主要工作如下： (1)分析研究了TWSVM和LSTSVM两种新的分类算法。研究了两种算法的基本原理,对于TWSVM和LSTSVM建立数学模型,并将这两种新的分类算法通过在多组UCl数据上的实验,与传统支持向量机的性能进行了对比,证明它们具有良好的泛化能力。 (2)基于LSTSVM,提出了一种改进型的最小二乘双支持向量机分类算法ILSTSVM及其增量学习形式IILSTSVM. 根据LSTSVM的数学模型,提出了一种改性型的分类算法ILSTSVM,通过多组实验与LSSVM和LSTSVM进行了对比,证明其具有较好的识别率。此外,提出了ILSTSVM的增量学习形式IILSTSVM,并将其与传统SVM的增量学习算法ISVM进行了对比,证明这种在线学习算法在低维空间中具有良好的性能。 (3)将ILSTSVM及IILSTSVM用于认知无线电系统信号调制方式的识别频谱感知是认知无线电系统的关键技术之一,无线电信号调制方式识别是频谱感知的一项重要内容。本文将改进的最小二乘双支持向量机ILSTSVM及其增量学习算法IILSTSVM应用于认知无线电系统的信号调制方式识别,获得了良好的识别率。

关键词：双支持向量机最小二乘双支持向量机增量学习频谱感知

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于混合模糊隶属度的模糊双支持向量机研究

计算机应用研究 2013年第2期30卷 432-435页

作者：丁胜锋孙劲光辽宁工程技术大学辽宁葫芦岛125105 辽宁石油化工大学经济管理学院辽宁抚顺113001

双支持向量机是近年提出的一种新的支持向量机。在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力。但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问... 详细信息

双支持向量机是近年提出的一种新的支持向量机。在处理模式分类问题时,双支持向量机速度远远超过传统支持向量机,而且显示出较好的推广能力。但双支持向量机没有考虑不同输入样本点可能会对分类超平面的形成产生不同影响,在某些实际问题中具有局限性。为了克服这个缺点,提出了一种基于混合模糊隶属度的模糊双支持向量机。该算法设计了一种结合距离和紧密度的模糊隶属度函数,给不同的训练样本赋予不同的模糊隶属度,构建两个最优非平行超平面,最终实现二值分类。实验证明,该模糊双支持向量机的分类性能优于传统的双支持向量机。

关键词：模糊隶属度支持向量机双支持向量机模式分类

基于K均值和双支持向量机的P2P流量识别方法

在线全文

学校读者我要写书评

暂无评论

计算机应用 2013年第10期33卷 2734-2738页

作者：郭伟王西闯肖振久辽宁工程技术大学软件学院辽宁葫芦岛125105 中国传媒大学计算机学院北京100024

针对目前常用于P2P流量识别的有监督机器学习方法普遍存在时间代价较高的现状,提出采用时间代价为标准支持向量机四分之一的双支持向量机来构建分类器,并采用K均值集成方法快速生成有标签样本集,组合有标签样本集构成双支持向量机的训... 详细信息

针对目前常用于P2P流量识别的有监督机器学习方法普遍存在时间代价较高的现状,提出采用时间代价为标准支持向量机四分之一的双支持向量机来构建分类器,并采用K均值集成方法快速生成有标签样本集,组合有标签样本集构成双支持向量机的训练样本,最后利用构建好的双支持向量机分类模型进行P2P流量的识别。实验结果表明采用基于K均值集成结合双支持向量机的方法在P2P流量识别的时间代价、准确率和稳定性方面要远优于标准支持向量机。

关键词： P2P流量识别有监督机器学习双支持向量机 K均值集成时间代价

在线全文

学校读者我要写书评

暂无评论

基于混合隶属度的模糊简约双支持向量机研究

计算机工程与应用 2015年第10期51卷 36-41页

作者：王伟任建华刘晓帅孟祥福辽宁工程技术大学电子与信息工程学院辽宁葫芦岛125105

双支持向量机是一种新的非平行二分类算法,其处理速度比传统支持向量机快很多,但是双支持向量机在训练之前要进行大量的复杂逆矩阵计算;在非线性情况下,它不能像传统支持向量机那样把核技巧直接运用到对偶优化问题中;并且双支持向量机... 详细信息

双支持向量机是一种新的非平行二分类算法,其处理速度比传统支持向量机快很多,但是双支持向量机在训练之前要进行大量的复杂逆矩阵计算;在非线性情况下,它不能像传统支持向量机那样把核技巧直接运用到对偶优化问题中;并且双支持向量机没有考虑不同输入样本点会对最优分类超平面产生不同的影响。针对这些情况,提出了一种模糊简约双支持向量机。该模糊简约双支持向量机通过对二次规划函数和拉格朗日函数的改进,省略大量的逆矩阵计算,同时核技巧能直接运用到非线性分类情况下;对于混合模糊隶属度函数,不仅每个样本点到类中心的距离影响着该混合模糊隶属度,而且该样本点的邻域密度同样影响着该混合模糊隶属度。实验结果表明,与支持向量机、标准双支持向量机、双边界支持向量机、模糊双支持向量机相比,具有该混合模糊隶属度函数的简约双支持向量机不仅分类时间短,计算简单,而且分类精度高。

关键词：双支持向量机支持向量机逆矩阵核技巧模糊隶属度分类

在线全文

学校读者我要写书评

暂无评论

基于戴帽L1范数的双支持向量机

微电子学与计算机 2020年第1期37卷 72-79,86页

作者：沈洋戴月明江南大学物联网工程学院

针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模... 详细信息

针对双支持向量机模型易受异常点影响导致泛化性能较低的问题,提出了一种基于戴帽L1范数的双支持向量机模型.采用带有上限值的戴帽L1范数代替L2范数来构造最优化问题,一定程度上削弱了离群点、噪音点对于两个超平面构造的影响,增强了模型的鲁棒性.另外,针对构造的新的双支持向量机模型最优化问题提出了一个简单有效的迭代算法并且在理论上证明了该算法的收敛性.在无噪以及有噪UCI数据集上的实验结果表明,与其它支持向量机模型相比,该模型有着更强的鲁棒性以及稳定性.

关键词：双支持向量机 L1范数 L2范数戴帽L1范数损失函数