检索结果-南通市图书馆

华中科技大学学报（自然科学版） 2018年第3期46卷 30-35页

作者：业巧林闫贺南京林业大学信息科学与技术学院

基于经典的孪生有界支持向量机（TBSVM）,构造了一个既简单又快速的基于最小二乘的孪生有界支持向量机（LSTBSVM）的二分类算法.该算法简单地将TBSVM模型中的两个目标函数中不等式约束问题修改为等式约束,问题最终归结为求解两个最小二... 详细信息

基于经典的孪生有界支持向量机（TBSVM）,构造了一个既简单又快速的基于最小二乘的孪生有界支持向量机（LSTBSVM）的二分类算法.该算法简单地将TBSVM模型中的两个目标函数中不等式约束问题修改为等式约束,问题最终归结为求解两个最小二乘问题,以至于两个最优不平行平面可通过求解一对线性方程组获取.与TBSVM相比,LSTBSVM具有更低的时间复杂度,以至于可以有效地处理大数据集.通过理论分析和在传统的UCI和人工数据集上的实验显示,LSTBSVM不仅具较快的计算速度,且能得到与TBSVM相当的性能.

关键词：支持向量机模式分类最小二乘问题孪生有界支持向量机大规模数据非平行平面

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

模糊孪生支持向量机的改进及其求解方法研究

模糊孪生支持向量机的改进及其求解方法研究

引用

作者：胡少方河北大学

学位级别：硕士

支持向量机是在统计学习理论的基础上发展起来的一种机器学习方法,其理论基础是统计学习理论的VC维和结构风险最小化原理。目前,研究人员对支持向量机进行了广泛的研究,并且提出了许多改进算法,比如模糊支持向量机、孪生支持向量机和模... 详细信息

支持向量机是在统计学习理论的基础上发展起来的一种机器学习方法,其理论基础是统计学习理论的VC维和结构风险最小化原理。目前,研究人员对支持向量机进行了广泛的研究,并且提出了许多改进算法,比如模糊支持向量机、孪生支持向量机和模糊孪生支持向量机,这些方法不仅提高了算法的正确率,而且也减少了运行时间。为了进一步提高支持向量机的性能,本文对模糊孪生支持向量机进行了研究,提出了一种改进的模糊孪生支持向量机,即模糊孪生有界支持向量机,同时对模糊孪生有界支持向量机中的拉格朗日乘子的求解方法进行了研究。具体研究工作包括如下内容:1.提出了一种模糊孪生支持向量机的改进算法,即模糊孪生有界支持向量机。通过深入研究模糊支持向量机、孪生支持向量机和模糊孪生支持向量机,进一步秉承结构风险最小化原理,在模糊孪生支持向量机基础上对其进行了改进,提出了模糊孪生有界支持向量机,该方法不仅考虑了支持向量机的经验风险和结构风险,而且考虑了样本的重要性和噪声对超平面的影响,并且在分类正确率方面优于模糊孪生支持向量机FTSVM。2.提出了模糊孪生有界支持向量机与模糊孪生支持向量机中拉格朗日乘子的迭代求解方法。为了获得模糊孪生支持向量机和模糊孪生有界支持向量机,通常采用求解一个凸二次规划问题来获得拉格朗日乘子,对于此种方法的求解,其计算时间较长,代价较高。为了进一步提高模糊孪生有界支持向量机与模糊孪生支持向量机的性能,本文采用逐次超松弛迭代方法求解模糊孪生支持向量机和模糊孪生有界支持向量机中的拉格朗日乘子,获得了求解拉格朗日乘子的迭代公式,表明了逐次超松弛迭代方法的收敛性。3.实验研究了模糊孪生有界支持向量机与使用逐次超松弛方法求解拉格朗日乘子的支持向量机的性能。通过选取UCI数据库中的标准数据集,利用十重交叉验证方法研究了模糊孪生有界支持向量机和模糊孪生支持向量机的性能,且分别与使用传统求解拉格朗日乘子的支持向量机进行了实验比较。

关键词：模糊支持向量机孪生支持向量机孪生有界支持向量机超松弛迭代模糊孪生支持向量机分类

来源：

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

结构模糊孪生支持向量机及其求解方法研究

结构模糊孪生支持向量机及其求解方法研究

引用

作者：吕珍河北大学

学位级别：硕士

孪生有界支持向量机通过求解两个较小规模的二次规划问题来寻找不平行的超平面,进一步提高了孪生支持向量机的分类性能。然而,此方法在构建模型时主要使用了Hinge损失函数,致使孪生有界支持向量机对噪声较为敏感且对重采样不稳定;另外,... 详细信息

孪生有界支持向量机通过求解两个较小规模的二次规划问题来寻找不平行的超平面,进一步提高了孪生支持向量机的分类性能。然而,此方法在构建模型时主要使用了Hinge损失函数,致使孪生有界支持向量机对噪声较为敏感且对重采样不稳定;另外,为了求解该模型,需将问题从原空间转换到对偶空间进行,从而使算法的时间性能降低。为了更好地解决孪生有界支持向量机存在的不足,本文将结构信息与模糊隶属度引入到孪生有界支持向量机中,并基于不同损失函数构造了相应的孪生有界支持向量机模型,使用光滑技术研究了结构模糊孪生有界支持向量机模型的求解方法,在此基础上提出了不同的光滑孪生有界支持向量机,主要工作如下:1、基于Pinball损失的孪生有界支持向量机模型及其求解方法研究。针对Hinge损失函数中存在的噪声敏感性与重采样不稳定性问题,将Pinball损失函数引入孪生有界支持向量机,构建了基于Pinball损失的孪生有界支持向量机模型,通过构造光滑的逼近函数解决了Pinball损失函数在零点的不可微问题,提出了基于Pinball损失的光滑孪生有界支持向量机模型,采用Newton-Armijo方法在原空间中迭代求解,在此基础上,提出了基于Pinball损失的光滑孪生有界支持向量机算法,并从理论上证明了算法的收敛性。2、基于Pinball损失的结构模糊孪生有界支持向量机模型及其求解方法研究。针对数据集中样本间存在的先验知识与分布信息,且每个样本在产生分类超平面的过程中所起的作用不同,将数据集的结构信息与样本的模糊隶属度引入到Pinball损失的光滑孪生有界支持向量机模型中,获得了相应的光滑结构模糊孪生有界支持向量机模型,提出了基于Pinball损失的光滑结构模糊孪生有界支持向量机算法。另外,针对该模型求解中将会减弱模型解的稀疏性缺陷,进一步研究了基于ε-Pinball损失的结构模糊孪生有界支持向量机模型,构建了ε-Pinball损失函数的光滑近似函数,通过对目标函数的无约束光滑处理,提出了基于ε-Pinball损失的光滑结构模糊孪生有界支持向量机算法。3、基于L1损失的结构模糊孪生有界支持向量机模型及其求解方法研究。针对L1损失的结构模糊孪生有界支持向量机模型,通过对目标函数的光滑无约束处理,获得了L1损失的光滑结构模糊孪生有界支持向量机模型,通过对该模型求解,提出了基于L1损失的光滑结构模糊孪生有界支持向量机算法。4、实验中选取UCI数据集、人工数据集、NDC数据集对提出的模型进行了验证,并与一些代表性方法进行了比较。实验结果表明了提出的算法节省了运行时间,且获得了较好的分类准确率,从而验证了提出算法的有效性。

关键词：迭代方法原空间对偶空间孪生有界支持向量机光滑函数

来源：

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IUPLCD与DTBSVM的输气管道泄漏检测方法

引用

仪表技术与传感器 2023年第6期 109-114页

作者：刘勇吴明畅徐航李洪伟国家石油天然气管网集团有限公司西气东输分公司上海200120 沈阳国仪检测技术有限公司辽宁沈阳110041

为了提高输气管道泄漏的识别准确率,降低漏检率和误报率,提出了基于改进匀相窄波局部特征尺度分解方法(IUPLCD)与深度孪生有界支持向量机(DTBSVM)的管道泄漏检测方法。首先采用内禀尺度分量(ISC)的能量和幅值标准差对UPLCD的信号重构过... 详细信息

为了提高输气管道泄漏的识别准确率,降低漏检率和误报率,提出了基于改进匀相窄波局部特征尺度分解方法(IUPLCD)与深度孪生有界支持向量机(DTBSVM)的管道泄漏检测方法。首先采用内禀尺度分量(ISC)的能量和幅值标准差对UPLCD的信号重构过程进行优化改进,筛选出信号主导的ISC分量进行信号重构,得到降噪后的信号;然后根据深度学习和孪生有界支持向量机(TBSVM)构建了用于管道泄漏识别的DTBSVM模型;最后将降噪后的信号输入到DTBSVM中对管道的状态进行识别。实验结果表明,该方法能够准确判断管道的泄漏,识别精度最高可达99.7%。

关键词：深度学习孪生有界支持向量机输气管道泄漏检测超声波

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：