改進(jìn)的支持向量機(jī)算法及其在入侵檢測(cè)中的應(yīng)用

**資訊http://www.***.*** **資訊http://www.***.*** **資訊http://www.***.***

通過(guò)對(duì)支持向量機(jī)核函數(shù)的分析發(fā)現(xiàn),當(dāng)對(duì)樣本的各個(gè)特征賦予不同大小的尺度參數(shù)時(shí),可以避免冗余特征干擾分類(lèi),增強(qiáng)關(guān)鍵特征在分類(lèi)中的作用,提高支持向量機(jī)分類(lèi)器的學(xué)習(xí)和泛化能力。在此基礎(chǔ)上,提出一種具有不同特征尺度參數(shù)的支持向量機(jī)(簡(jiǎn)稱(chēng)多尺度支持向量機(jī)),并通過(guò)遺傳算法最小化loo(leave-one-out)泛化錯(cuò)誤上限估計(jì),根據(jù)各個(gè)特征的識(shí)別能力賦予其不同大小的尺度參數(shù)。將多尺度支持向量機(jī)用于軸承故障診斷,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的單尺度參數(shù)支持向量機(jī)相比,多尺度支持向量機(jī)具有更好的泛化能力。對(duì)壓縮機(jī)氣閥的故障識(shí)別表明,尺度參數(shù)的大小直接反映了對(duì)應(yīng)特征識(shí)別能力的大小,因此可以依據(jù)尺度參數(shù)的大小進(jìn)行特征選擇,保留關(guān)鍵特征,剔除冗余特征。

采用小波分析的方法對(duì)地鐵原始監(jiān)測(cè)數(shù)據(jù)進(jìn)行去噪處理,將得到的平穩(wěn)可靠的監(jiān)測(cè)數(shù)據(jù)用于建立支持向量機(jī)訓(xùn)練集,進(jìn)行沉降預(yù)測(cè).實(shí)際沉降數(shù)據(jù)處理和預(yù)測(cè)結(jié)果顯示,小波分析方法能夠準(zhǔn)確提取監(jiān)測(cè)數(shù)據(jù)中的沉降趨勢(shì)性信息,w-svm組合算法能夠顯著提高沉降預(yù)測(cè)的精度.

支持向量機(jī)及其在巖土工程中的應(yīng)用——在智能巖石力學(xué)的研究方法中，專(zhuān)家系統(tǒng)方法是基于專(zhuān)家和經(jīng)驗(yàn)判斷進(jìn)行問(wèn)題求解的非數(shù)值分析方法，因?yàn)轭I(lǐng)域知識(shí)獲取的困難，限制了其發(fā)展；而神經(jīng)網(wǎng)絡(luò)方法是基于大樣本的一種方法，其推廣能力較差．為了克服專(zhuān)家系統(tǒng)知識(shí)獲取...

在智能巖石力學(xué)的研究方法中,專(zhuān)家系統(tǒng)方法是基于專(zhuān)家和經(jīng)驗(yàn)判斷進(jìn)行問(wèn)題求解的非數(shù)值分析方法,因?yàn)轭I(lǐng)域知識(shí)獲取的困難,限制了其發(fā)展;而神經(jīng)網(wǎng)絡(luò)方法是基于大樣本的一種方法,其推廣能力較差.為了克服專(zhuān)家系統(tǒng)知識(shí)獲取的“瓶頸”問(wèn)題和人工神經(jīng)網(wǎng)絡(luò)的推廣能力差的問(wèn)題,基于統(tǒng)計(jì)學(xué)習(xí)理論的支持向量機(jī)方法為巖土工程的智能化研究提供了新的途徑.主要介紹了支持向量機(jī)方法及其在巖土工程領(lǐng)域的應(yīng)用現(xiàn)狀,并指出其理論存在的問(wèn)題和未來(lái)的發(fā)展方向.

利用粒子群算法對(duì)入侵檢測(cè)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。仿真結(jié)果表明,與bp神經(jīng)網(wǎng)絡(luò)和ga神經(jīng)網(wǎng)絡(luò)相比較,具有較強(qiáng)的逼近和容錯(cuò)能力、較快的收斂速度和較好的檢測(cè)效果。

論述了數(shù)據(jù)挖據(jù)和遺傳算法在入侵檢測(cè)中的應(yīng)用,詳細(xì)描述了模糊關(guān)聯(lián)規(guī)則和模糊頻繁序列挖掘,并進(jìn)一步介紹了如何采用遺傳算法優(yōu)化模糊集合隸屬函數(shù),從而達(dá)到改善入侵檢測(cè)系統(tǒng)性能的目的。

支持向量機(jī)最初只能用以解決二分類(lèi)問(wèn)題,對(duì)于多類(lèi)故障,只能通過(guò)組合二分類(lèi)器間接應(yīng)用于多類(lèi)分類(lèi)問(wèn)題。本文提出一種基于二叉樹(shù)多分類(lèi)算法對(duì)變壓器中常見(jiàn)故障進(jìn)行了模式識(shí)別,并與傳統(tǒng)多分類(lèi)算法作對(duì)比。根據(jù)svm理論結(jié)合二叉樹(shù)方法建立變壓器故障診斷模型,通過(guò)vs2008對(duì)其進(jìn)行了驗(yàn)證,結(jié)果表明該方法能有效地、準(zhǔn)確地識(shí)別故障模式,具有較高的推廣性。

利用遺傳算法對(duì)傳統(tǒng)的支持向量機(jī)進(jìn)行改進(jìn),提出ga-svm房地產(chǎn)估價(jià)模型,并運(yùn)用到房地產(chǎn)估價(jià)的預(yù)測(cè)中,通過(guò)與支持向量機(jī)模型、bp神經(jīng)網(wǎng)絡(luò)模型和市場(chǎng)比較法的對(duì)比研究發(fā)現(xiàn),該方法估價(jià)預(yù)測(cè)精度要明顯高于bp神經(jīng)網(wǎng)絡(luò)模型和市場(chǎng)分析法,略高于支持向量機(jī)模型,所以ga-svm房地產(chǎn)估價(jià)模型更具有推廣性,更適合于有限樣本的房地產(chǎn)價(jià)格估價(jià)。

提出一種基于遺傳算法和支持向量機(jī)的故障診斷方法,利用遺傳算法對(duì)故障特征集和支持向量機(jī)的參數(shù)同時(shí)進(jìn)行優(yōu)化,然后把優(yōu)化選擇的故障特征輸入支持向量機(jī)進(jìn)行故障識(shí)別。既剔除了故障特征的冗余性、減少了計(jì)算量,又解決了支持向量機(jī)的參數(shù)難以選擇等問(wèn)題。診斷實(shí)例表明,該方法能利用較少的故障特征得到較高的診斷精度。

針對(duì)最小二乘支持向量機(jī)在利用產(chǎn)生于工業(yè)現(xiàn)場(chǎng)的非理想數(shù)據(jù)集進(jìn)行建模預(yù)測(cè)時(shí),稀疏化模型魯棒性差的問(wèn)題,提出了一種基于模糊c均值聚類(lèi)和密度加權(quán)的稀疏化方法.首先通過(guò)模糊c均值聚類(lèi)將訓(xùn)練樣本劃分為若干個(gè)子類(lèi);然后計(jì)算每個(gè)子類(lèi)中各樣本的可能貢獻(xiàn)度,依次從每個(gè)子類(lèi)中選取具有最大可能貢獻(xiàn)度的樣本作為支持向量;最后更新每個(gè)樣本的可能貢獻(xiàn)度,繼續(xù)從各個(gè)子集中增選支持向量,直至稀疏化后的模型性能滿足要求.仿真結(jié)果和磨機(jī)負(fù)荷實(shí)際應(yīng)用表明,該方法能夠兼顧模型在整體樣本集和各工況子集上的性能,在實(shí)現(xiàn)模型稀疏化的同時(shí),能夠顯著改善最小二乘支持向量機(jī)模型的魯棒性.

支持向量機(jī)在地基沉降預(yù)測(cè)中的應(yīng)用——嘗試把最近發(fā)展起來(lái)的支持向量機(jī)(svm)引入地基沉降的預(yù)測(cè)中．支持向量機(jī)是基于統(tǒng)計(jì)學(xué)習(xí)理論框架下的一種新的通用機(jī)器學(xué)習(xí)方法．本文提出了基于支持向量機(jī)的地基沉降預(yù)測(cè)方法，并在matlab中編制了相應(yīng)的支持向量機(jī)程序，建...

介紹了支持向量機(jī)回歸算法,運(yùn)用matlab編寫(xiě)了相應(yīng)程序,并對(duì)兩個(gè)地下工程實(shí)例進(jìn)行了預(yù)測(cè).通過(guò)與灰色預(yù)測(cè)和人工神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)結(jié)果的對(duì)比,可以看出支持向量機(jī)方法不論是在學(xué)習(xí)過(guò)程還是預(yù)測(cè)過(guò)程,都具有更高的優(yōu)越性,可以應(yīng)用于實(shí)際工程.

針對(duì)電梯的幾種常見(jiàn)故障,論文采用了最小二乘支持向量機(jī)(ls-svm)診斷的方法。采集電梯幾種故障狀態(tài)下的振動(dòng)信號(hào),用最優(yōu)小波包的理論分析計(jì)算故障振動(dòng)信號(hào)的能量分布,將其能量分布與時(shí)域指標(biāo)相結(jié)合,以構(gòu)造故障特征向量,作為ls-svm的輸入來(lái)識(shí)別電梯的故障原因,并采用遺傳算法優(yōu)化ls-svm的相關(guān)參數(shù)。通過(guò)對(duì)電梯六種常見(jiàn)故障的診斷結(jié)果表明,基于遺傳算法優(yōu)化的最小二乘支持向量機(jī)用于電梯故障診斷是一種有效的方法。

公路客運(yùn)量數(shù)據(jù)受多種因素影響而呈現(xiàn)非線性等特點(diǎn),為了提高其預(yù)測(cè)精度,文中提出粒子群算法(pso)優(yōu)化支持向量機(jī)(svm)的公路客運(yùn)量預(yù)測(cè)模型,利用pso尋優(yōu)能力突出的優(yōu)點(diǎn),對(duì)支持向量機(jī)的參數(shù)進(jìn)行優(yōu)化選擇,并用優(yōu)化后的支持向量機(jī)模型對(duì)公路客運(yùn)量進(jìn)行預(yù)測(cè)。研究結(jié)果顯示,相比bp神經(jīng)網(wǎng)絡(luò)和傳統(tǒng)的svm預(yù)測(cè)方法,基于pso-svm的預(yù)測(cè)精度更高。

為解決bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)時(shí)檢測(cè)率較低、訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題,對(duì)改進(jìn)差分進(jìn)化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)并用于入侵檢測(cè)的可行性進(jìn)行研究。該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)以提高其全局尋優(yōu)能力。用改進(jìn)后的算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值閾值。通過(guò)逐次的迭代訓(xùn)練使bp神經(jīng)網(wǎng)絡(luò)收斂,將優(yōu)化過(guò)的bp神經(jīng)網(wǎng)絡(luò)用于入侵檢測(cè)。仿真實(shí)驗(yàn)結(jié)果顯示,優(yōu)化的bp網(wǎng)絡(luò)在收斂速度和精度方面有明顯提升,用于入侵檢測(cè)時(shí)提高了檢測(cè)準(zhǔn)確率,縮短了訓(xùn)練時(shí)間。

針對(duì)最小二乘支持向量機(jī)在電力負(fù)荷預(yù)測(cè)應(yīng)用中的參數(shù)優(yōu)化問(wèn)題,將改進(jìn)粒子群算法引入到最小二乘支持向量機(jī)參數(shù)中,建立一種新型的電力負(fù)荷預(yù)測(cè)模型(ipso-lssvm)。首先將最小二乘支持向量機(jī)參數(shù)編碼為粒子初始位置向量;然后通過(guò)粒子個(gè)體之間的信息交流、協(xié)作找到最小二乘支持向量機(jī)的最優(yōu)參數(shù),并針對(duì)標(biāo)準(zhǔn)粒子群算法的不足進(jìn)行相應(yīng)改進(jìn);最后將其應(yīng)用于電力負(fù)荷建模與預(yù)測(cè),并通過(guò)仿真對(duì)比實(shí)驗(yàn)測(cè)試其性能。實(shí)驗(yàn)結(jié)果表明,ipso-lssvm可以獲得較高準(zhǔn)確度的電力負(fù)荷預(yù)測(cè)結(jié)果,大幅度減少了訓(xùn)練時(shí)間,滿足電力負(fù)荷在線預(yù)測(cè)要求。

為解決bp神經(jīng)網(wǎng)絡(luò)應(yīng)用于入侵檢測(cè)時(shí)檢測(cè)率較低、訓(xùn)練時(shí)間過(guò)長(zhǎng)的問(wèn)題,對(duì)改進(jìn)差分進(jìn)化算法(samde)優(yōu)化bp神經(jīng)網(wǎng)絡(luò)并用于入侵檢測(cè)的可行性進(jìn)行研究.該算法引入模擬退火算法(sa)和一種融合de/rand/1與de/best/1的變異算子對(duì)差分進(jìn)化算法進(jìn)行改進(jìn)以提高其全局尋優(yōu)能力.用改進(jìn)后的算法優(yōu)化bp神經(jīng)網(wǎng)絡(luò)權(quán)值閾值.通過(guò)逐次的迭代訓(xùn)練使bp神經(jīng)網(wǎng)絡(luò)收斂,將優(yōu)化過(guò)的bp神經(jīng)網(wǎng)絡(luò)用于入侵檢測(cè).仿真實(shí)驗(yàn)結(jié)果顯示,優(yōu)化的bp網(wǎng)絡(luò)在收斂速度和精度方面有明顯提升,用于入侵檢測(cè)時(shí)提高了檢測(cè)準(zhǔn)確率,縮短了訓(xùn)練時(shí)間.

利用支持向量機(jī)良好的泛化能力以及對(duì)小樣本訓(xùn)練數(shù)據(jù)的優(yōu)越性,并結(jié)合橋式起重機(jī)在檢驗(yàn)過(guò)程中的特點(diǎn),通過(guò)matlab平臺(tái)對(duì)其進(jìn)行開(kāi)發(fā),建立了適用于橋式起重機(jī)檢驗(yàn)與評(píng)價(jià)的支持向量機(jī)映射模型,并將預(yù)測(cè)結(jié)果與橋式起重機(jī)大小車(chē)軌道相關(guān)的距離偏差實(shí)際檢測(cè)評(píng)價(jià)結(jié)果進(jìn)行了對(duì)比,驗(yàn)證了該映射模型運(yùn)用于橋式起重機(jī)檢驗(yàn)工作是可行的,從而為橋式起重機(jī)的檢驗(yàn)提供了一種新的評(píng)價(jià)方法。

支持向量機(jī)在公路軟基沉降預(yù)測(cè)中的應(yīng)用——針對(duì)公路軟土地基沉降發(fā)生的過(guò)程多變量、強(qiáng)耦合、強(qiáng)干擾、大滯后的復(fù)雜特性，提出利用支持向量機(jī)(supportvectormachine，svm)對(duì)公路軟基進(jìn)行沉降預(yù)測(cè)建模，使用加栽過(guò)程中的沉降觀測(cè)數(shù)據(jù)作為訓(xùn)練樣本集，建立可依據(jù)...

論述了支持向量機(jī)的回歸算法和基于時(shí)間序列支持向量回歸的建筑物變形預(yù)測(cè)方法,并用matlab6.5工具箱編制基于時(shí)間序列支持向量回歸程序,建立了基于時(shí)間序列支持向量回歸模型。最后以實(shí)例數(shù)據(jù)討證基于時(shí)間序列支持向量機(jī)回歸模型的預(yù)測(cè)方法。研究表明:用時(shí)間序列支持向量回歸模型建立的建筑物變形監(jiān)測(cè)的預(yù)測(cè)模型是可行的和有效的。

研究利用土壤樣本實(shí)驗(yàn)反射光譜,分析了土壤鎂(mg)含量與土壤反射光譜的關(guān)系,比較了主成分回歸分析(pcr)、偏最小二乘回歸分析(plsr)和支持向量機(jī)回歸分析(svmr)等方法,以及土壤反射光譜及其變換光譜與土壤m(xù)g含量之間的估算模型,為土壤m(xù)g含量高光譜估算提供依據(jù)。結(jié)果表明:pcr、plsr、svmr3種建模方法在mg含量的估算中,svmr的估算精度相對(duì)較高,估算精度平均達(dá)到80.96%,分別比pcr和plsr提高了6.16%、4.20%;對(duì)于不同的數(shù)學(xué)變換處理方法,一階微分變換相對(duì)較好,估算精度平均為80.76%,分別比反射率、倒數(shù)對(duì)數(shù)變換提高了4.95%、4.61%。因此,運(yùn)用土壤反射光譜一階微分變換的svmr進(jìn)行建模,可以相對(duì)較好地估算全mg含量,精度達(dá)84.04%。