一、一种用于多分类问题的改进支持向量机(论文文献综述)
饶雷[1](2020)在《基于多模型融合的齿轮故障诊断方法研究》文中研究指明随着工业朝着智能化和信息化的方向发展,工业跟随着互联网的发展也进入了大数据时代。在这个背景下,传感器每时每刻采集了大量用于监测机械设备运行状态的数据,使得以数据驱动为基础的智能故障诊断技术成为了故障诊断的趋势。在实际的工业生产中旋转机械起着举足轻重的作用,而齿轮则是旋转机械中最为重要的零部件之一,它传递着轴与轴之间的动力使得机械设备能够正常运行。齿轮的运行状态和使用寿命直接决定着整个设备的运行状态以及生产效率,是保障机械设备运行的关键。在齿轮故障诊断中,模型的分类能力和传感器采集的数据是影响诊断结果的重要因素之一,而目前使用单一模型进行齿轮故障诊断仍是常用的诊断方式。如何通过模型融合提高齿轮故障诊断的效率和准确率是本文的研究重点。因此,本研究做了如下工作:首先提出了一种多模型特征级融合齿轮故障诊断模型。该模型在特征提取阶段使用了卷积神经网络自适应地从每个传感器中提取故障特征,这在一定程度上减少了在特征提取时对专家经验的依赖,提升了诊断效率。在融合阶段提出了一种特征融合算法用于融合各传感器的特征。通过实验分析对比发现,卷积神经网络能有效从原始数据中提取故障特征,而且所提出的特征融合方法能有效融合各传感器的故障特征。然后提出了一种改进DS融合算法用于处理不同分类模型在诊断时出现的冲突问题。该改进算法是通过距离矩阵和模糊偏好矩阵产生联合权重共同修正原始证据体的基本概率分配,并且通过修正原始基本概率分配中的0因子避免“一票否决”现象的发生,最后利用传统的DS证据融合方法将修正的证据体和原始证据具体进行融合。随后将改进的DS融合方法应用到的多模型决策融合齿轮故障诊断方法中。不同的分类模型受自身的模型结构和数据敏感程度的影响,难免会产生冲突的诊断结果,实验结果表明,通过改进的DS融合方法对多模型的诊断结果进行融合提高了诊断准确率。最后针对复杂多变的实际生产中会经常产生复合故障而复合故障因为各种耦合关系难以诊断的问题,提出了一种基于改进DS算法多模型决策融合的复合故障诊断方法。该方法将复合故障进行拆分成单类型故障,从而降低了单个模型的分类复杂度使得整个诊断模型的综合性能提升,而且在决策级上使用改进DS算法融合进一步提升了诊断的准确率。通过从准确率、查准率、召回率和F1值四个方面进行对比,该模型有着较为优异的诊断效果,可以为从数据方面进行复合故障的诊断提供一种新的研究路线。
杨晨[2](2019)在《Web服务器样本不平衡的入侵检测反向选择算法》文中提出互联网发展迅速,网站增多,Web服务器的安全性愈发重要,因而对Web服务器进行入侵检测迫在眉睫。本文将构建基于误用的入侵检测算法,检测入侵行为并定位类型,做出合适的防御行为,减少入侵造成的损失。基于误用的入侵检测算法的重要功能是解决多类不平衡问题。多类不平衡样本要求分类算法能够同时处理数据量大的样本和数据量小的样本,且受不平衡比影响较小。现有该领域的分类算法均有各自的优缺点:部分机器学习算法如神经网络需要大量训练数据,处理负类样本效果差,有些算法如决策树则受类间不平衡影响较大。反向选择算法借鉴生物体胸腺T细胞阴性选择过程,通过学习自我样本的特点来区分非我样本。因其单类学习的特点,受不平衡比的影响较小,处理数据量小时有极佳的准确率,处理数据量大的样本也不会出现性能问题。但多类不平衡问题也会为反向选择算法带来检测器数量分配问题,同时要求反向选择算法能够更好地拟合边界样本,从而实现更高的检测效率。受不平衡样本处理方式的启发,本文尝试将反向选择算法用于构建Web服务器入侵检测中的误用检测算法,并进一步构建针对不平衡样本的反向选择算法以提高检测效率。首先总结入侵检测领域的特点与研究现状,分析现有方法存在的缺点。并介绍人工免疫系统及其中的反向选择算法,指出反向选择算法用于此问题的优势,并分析需要改进的地方。接着将反向选择算法用于处理不平衡问题,并提出优化方法。提出借鉴不平衡样本中代价敏感的思想,使用MetaCost方法,为反向选择算法中不同类别指定误分代价,结合先验概率,调整检测器在类间不同的分配,使检测器的数量分配更加合理,从而提高检测效率。再结合已有的克隆选择思想优化检测器分布,提高检测器对样本空间的覆盖,降低检测器重合。再提出结合Borderline-SMOTE中边界界定的方式,找出边界“危险”样本点生成检测器拟合边界,提高检测器对样本的覆盖从而提高检测准确率。最后使用KDD99网络入侵检测数据集作为实验数据集,通过设计对比实验,使用多类不平衡样本的评价指标F-Measure、G-Mean和ROC曲线及AUC值对算法进行评价,证明反向选择算法比其他经典算法更适合用于解决服务器入侵检测中的多类不平衡,而提出的代价敏感的改进方式与边界界定的方式均能够有效提高反向选择算法用于多类不平衡样本的分类效率,而综合代价敏感、边界界定和克隆选择优化的算法则拥有最高的分类效率。
匡恒[3](2019)在《基于SVM及CNN的湍流退化图像分类方法研究》文中认为湍流图像复原是退化图像领域的研究热点。对湍流退化图像的复原研究目前主要停留在传统经典图像复原方法。湍流退化图像的复原效果受湍流模型中的模糊比例因子k值影响大,在k值未知的情况下进行图像复原效果不佳,而现阶段对k值设定大多通过人工交互的方式,依据湍流退化图像对k值求解的研究方法较少。本文提出了两种对四类不同k值范围图像进行分类研究的方法并进行研究。首先,提出了一种基于高频DCT特征的DT-SVM湍流退化图像分类方法。该方法通过分析湍流退化图像DCT变换后图像特征,进一步提取DCT变换的图像高频特征,利用PCA降维技术结合DT-SVM多分类方法实现对不同k值范围湍流退化图像的分类实验。其次,提出了一种基于改进CNN网络模型的湍流退化图像分类方法。该方法基于卷积神经网络强大的特征抽象提取和自动学习分类能力,在经典LeNet-5网络模型下进行实验,发现模型不能较好收敛,基于实验数据,研究了LeNet-5卷积神经网络模型结构及参数,并在此网络结构基础上提出改进,并使用改进后网络对不同k值范围湍流退化图像进行了分类实验。实验结果表明,在基于高频DCT特征的DT-SVM湍流退化图像分类方法上,整体分类准确率接近60%。在分类性能影响因素方面,SVM核函数中的参数δ2取值为0.01时效果最佳,而惩罚因子C对分类结果影响不明显;高频DCT系数对分类结果影响比较显着,随着高频DCT系数的增加分类准确率有明显提升,当DCT系数增大到1时,提取的高频特征包含直流分量,分类准确率有明显下降,分类所用时间与DCT系数呈正相关;在基于CNN的湍流退化图像分类方法上,使用改进后的LeNet-5网络结构实验,Loss值最终基本稳定在0.66左右,分类准确率达到80%左右。通过研究基于高频DCT特征的DT-SVM湍流退化图像分类方法和基于改进CNN网络模型的湍流退化图像分类方法,实现了对湍流退化图像分类判别k值范围。传统SVM分类方法对湍流退化图像分类效果受DCT系数影响,总体分类准确率欠佳;CNN网络对湍流退化图像分类效果受网络结构影响,改进后的CNN网络的分类准确率则表现良好,验证了该方法的有效性以及相比传统SVM分类方法的优越性,为进一步依据分类结果对图像复原做了铺垫。
周恒学[4](2019)在《基于支持向量机的聚类研究》文中提出伴随着科学与互联网技术的进步,人们生活中的诸多方面都与互联网建立了联系,越来越多的互联网应用与互联网产品进入了人们的生活。这些变化在使大家的生活变得更加高效快捷的同时,也产生了大量的网络数据。而大数据中隐藏的有价值的知识和信息对各个领域的商业与科研都有着不可忽视的作用。于是,对大数据的挖掘与学习逐渐成为了当今时代的热点,如何合理有效地挖掘数据中潜在的信息成为了越来越多人关注的焦点。聚类与分类是机器学习领域中的两个重要方向,在这两个方向上已经有了诸多经过理论证明的技术与成功的真实应用案例。聚类模型依据一定的相似性判定标准,将相似的数据聚集到一起,形成多个类簇,而分类模型通过对带有标签从而拥有明显类别特征的数据进行学习,并将学得的分类规则用于划分新进的类别未知的数据。受到聚类与分类模型思路的启发,本文提出了一种新的聚类技术:基于种子点的支持向量机聚类模型(Seeds-based Support Vector Machine Clustering,SSVMC),这一模型成功地将分类元素融入到聚类过程。SSVMC模型首先使用某种聚类方法获取初步聚类结果,然后将聚类结果每一个类簇中类别特征相对明显的数据挑选出来作为种子点,接着在这些种子点上学习分类规则并同时依据聚类思想寻找其类簇中心,最终用学得的分类规则对原始输入数据集进行划分,得到多个类簇。在16个标准数据集上的实验结果证明了本文提出的无监督学习模型SSVMC的有效性,并表明了SSVMC相对于其它多个无监督学习模型的优越性。
尹丽东[5](2019)在《几类支持向量机的性能比较》文中研究表明本文针对目前比较流行的几类具有代表性的线性支持向量分类机进行了性能比较,以期在实际应用中提供有针对性的选择.通过引入核函数和核技巧,用类似的方法可以比较非线性支持向量机的性能,为此本文不再加以讨论.本文的出发点是先比较基于二分类问题的支持向量机性能,再比较基于多分类问题的支持向量机性能.全文共分四章,具体如下:第一章是预备知识,简介一些文中要用到的的基本概念,以及经典的硬间隔支持向量机和软间隔支持向量机.第二章针对二分类问题,从稀疏性、学习速度、准确率、经验风险极小化、结构风险极小化、矩阵奇异性六个方面,比较了多种具有代表性的支持向量机(软间隔支持向量机、最小二乘支持向量机、光滑支持向量机、孪生支持向量机、孪生有界支持向量机、投影孪生支持向量机、拉格朗日孪生支持向量机、加权孪生支持向量机、加权投影孪生支持向量机、双密度孪生支持向量机、拉普拉斯孪生支持向量机)的性能.第三章针对多分类问题,首先阐述了支持向量机和孪生支持向量机用于多分类问题所需的六种策略,然后比较了孪生K(K≥3)类支持向量机、最小二乘孪生K类支持向量机、“一对多”最小二乘孪生K类支持向量机、“一对一”最小二乘孪生K类支持向量机、加权损失孪生K类支持向量机以及基于信息粒度的加权损失多类孪生支持向量机的性能.第四章是对孪生支持向量机的简要总结和展望.
周志官[6](2016)在《基于改进SVM的游乐场机械设备故障诊断及应用研究》文中研究指明近年来,由于游乐场娱乐设备的机械故障给广大游乐场爱好者带来生命财产损失屡见不鲜。因此,研究一种高效、便捷的游乐场机械设备故障诊断方法具有非常重要的意义。日趋大型化、复杂化、自动化、集成化的游乐场机械设备使得传统故障诊断方法已经不能满足当前复杂的游乐场机械设备故障诊断。针对上述问题,本文提出一种改进的支持向量机机械故障诊断模型,并将其应用到游乐场过山车机械设备故障诊断。研究工作主要以游乐场过山车机械设备故障诊断为背景,展开了过山车结构模型简化、过山车失效形式、过山车振动机理、过山车信号特征分析、混沌序列信号特征提取、模拟退火改进支持向量机、万有引力支持向量机以及过山车机械故障诊断方案的研究。具体研究内容如下:(1)建立过山车结构简化模型分析游乐场过山车机械设备系统的结构组成,通过力学分析,简化过山车零部件,阐述过山车的失效理论,建立过山车危险零部件故障诊断的简化模型,并从力学及机械零件失效的角度分析该简化模型的可行性。(2)分析过山车的失效形式及振动机理建立过山车机械设备系统振动的数学模型,为后续的信号分析打下理论基础。通过有限元分析显示,过山车的危险零部件为轴承,其主要失效形式有:轴承内圈故障、外圈故障及滚动体故障。(3)过山车故障信号特征分析及故障特征提取主要针对过山车危险零部件滚动轴承组进行振动信号特征分析,根据过山车振动机理,分为内圈故障、外圈故障及滚动体故障信号分析。建立故障信号与故障特征之间的联系。鉴于特征提取是介于01之间的搜索优化问题,而混沌搜索适合用于求解特征提取问题。因此,选择混沌搜索作为过山车故障信号特征提取的工具。(4)改进支持向量机模型建立与求解首先,基于模拟退火算法全局寻优的搜索特性,用该方法优化求解支持向量机重要参数惩罚因子和核函数宽度,从而得到改进的支持向量机模型,并将其用于过山车机械故障诊断,通过MATLAB软件求解显示,该模型的分类正确率高达98.39%。其次,基于万有引力算法搜索速度快的特性,用该方法优化求解支持向量机重要参数惩罚因子和核函数宽度,进一步得到改进的支持向量机模型,并将其用于过山车机械故障诊断,通过MATLAB软件求解显示,该模型的分类正确率高达98.66%。结合信号特征提取方法和改进的支持向量机,分别建立了混沌模拟退火支持向量机模型(CSAA-SVM)及混沌万有引力支持向量机模型(CGSA-SVM),并用于游乐场过山车机械故障诊断。研究结果显示,两种模型对过山车故障诊断的正确率均高达98.78%。这表明运用混沌模拟退火支持向量机模型以及混沌万有引力支持向量机模型对游乐场过山车机械故障诊断具有可靠性。
梅江元[7](2016)在《基于马氏距离的度量学习算法研究及应用》文中进行了进一步梳理随着国民经济的发展,我国在逐步进行着产业智能化升级,而机器学习是智能化产业的理论基石之一。目前大部分机器学习算法都需要对使用特征向量描述的样本测量相似性。因此,专门研究相似性测量函数的度量学习成为了机器学习理论中一个重要的研究分支。虽然距离度量函数有很多种类,但马氏距离因为去耦合和量纲无关这两种优良的性质成为目前最好用的度量函数。因而基于马氏距离的度量学习算法的研究得到很多学者的青睐,研究成果也愈加丰富。但是通过对目前几种典型的度量学习算法分析,可以看到度量学习理论中还存在一些亟待解决的问题。本论文在前人工作基础上,对现有度量学习理论进行了有益的补充,提出了三种不同的度量学习算法,用于解决不同的问题。同时,论文将所提出的度量学习算法扩展到新的应用领域,为这些问题的解决提供新的方法和思路。本论文第一章介绍了度量学习的研究背景和意义,对度量学习的原理进行了分析。同时,第一章还介绍了度量学习的研究现状,剖析了几种目前最先进的度量学习算法,发现度量学习理论存在的不足,提出研究内容。第二章探讨了度量学习与支持向量机分类器结合使用的可能性,研究了一种基于支持向量机分类的度量学习算法。首先,该章节对K近邻分类器和支持向量机分类器进行了全面的分析和比较,同时探讨了两者和度量学习的关系。其次,该章节构建了基于马氏距离的径向基函数核,分析了该函数核的性质并与其他函数核进行了性能比较。再次,该章节提出了一种学习基于马氏距离的径向基函数核的度量学习算法,将度量学习和支持向量机参数的学习融入到同一框架下。同时,该章节还提出了一种压缩表示法,提高处理高维数据的效率。另外,该章节引入了有向非循环图策略来解决多类别数据的情况。该章节所提出的算法有效地将度量学习与支持向量机分类器结合起来,有效地解决了支持向量机核函数选取困难的问题。在标准数据集上的实验结果证明了算法的高精确度和稳定性。第三章探讨了如何建立在实际应用中普遍适用的度量学习模型的问题。首先,该章节研究了Logdet散度的性质和物理意义。其次,该章节详细阐述并比较了三种训练约束,并肯定了三元约束的优越性。在此研究基础上,该章节提出了一种使用三元约束的基于Logdet散度的度量学习算法,在提高算法性能的同时降低了保守性。该章节也使用了压缩表示法来处理高维数据的情况,以损失少许精度为代价大幅地减少计算时间。该章节的另一个创新点是提出了一种动态三元约束构建策略,该策略使得每个循环都能选择最有效的三元约束进行马氏矩阵的训练。这些工作使得该章节所提出的度量学习算法有着很好的性能表现和很强的适用性,在标准数据集上的实验结果证明了算法的先进性。第四章研究了对动态特征样本进行度量学习的问题。首先,该章节对时间序列进行探讨,并对已知的多变量时间序列的相似性测量方法进行了比较。其次,该章节研究了一种基于马氏距离的动态时间规整算法,用于测量多变量时间序列的相似性。同时,该章节提出了一种用于多变量时间序列的距离度量学习模型,该算法可以高效地学习基于马氏距离的动态时间规整算法中所需要的马氏矩阵。该章节首次将度量学习算法应用于动态特征样本的学习与分类。实验证明,与经典方法相比,该算法有一定的先进性。第五章研究了将所提出的三种度量学习算法应用到新的应用领域上。第一个应用是人脸表情识别,该章节提出了一种基于度量学习的人脸表情识别框架。该框架使用行为单元来描述人脸表情的几何特征,并使用所提出的三种度量学习算法学习用来测量行为单元相似性的马氏距离函数。第二个应用是图像检索,该章节提出了一种基于度量学习的图像检索框架。该框架使用金字塔视觉单词直方图方法提取图像的外观特征,并使用第三章所提出的度量学习算法进行马氏距离的学习,通过对测试图像与库中图像的马氏距离进行排序获得检索结果。该章节研究的第三个应用是基于数据驱动的故障检测,提出了一种基于度量学习的故障检测框架。该框架从训练信号中构建多变量时间序列片段,并使用单类别度量学习算法进行马氏距离以及边际阈值的学习,使用测量信号提取的多变量时间序列片段与测试信号进行马氏距离测量,判断测量信号是否为故障。实验结果证明了本章所提出的算法框架的先进性。
王洪智[8](2014)在《基于PCA特征选择与优化纠错编码的网络流量分类研究》文中认为网络流量分类对于网络监管、网络安全和网络优化具有重要意义,随着网络技术的不断发展,传统的网络流量分类模型已无法满足目前的需求。针对传统分类方法受限于动态端口、数据加密等不足,以及存在准确性不高、计算代价大等问题,本文给出一种基于主成分分析(Principal Component Analysis,PCA)特征选择和优化纠错编码的网络流量分类方法,并结合支持向量机算法,用于实际的网络流量分类。针对网络流量特征数量众多、存在冗余属性、计算代价大的问题,本文对网络流量的特征选择方法进行改进,在对网络流量数据进行主成分分析的基础上,通过设定累计贡献率的阈值,寻找属性特征向量矩阵中具有最大数量级的分量来进行属性筛选。通过PCA特征选择,把最终的分类属性降至原属性的25%左右,达到了特征选择、数据降维和降低计算代价的目的。对比实验表明,本文所提的方法对于提高网络流量分类的准确性、降低整体计算代价均起到一定作用。针对纠错输出编码(Error Correcting Output Code,ECOC)分类方法存在的编码效率不高、子分类器样本不均衡、编码矩阵选取不合理等问题,本文通过对纠错输出编码进行优化,给出一种构造Hadamard矩阵的综合方法,确定了编码矩阵的选取原则,获得了阶数更为紧密、对分类类别数量适应性更好的编码矩阵,并在此基础上重构ECOC编码表。优化后的ECOC分类方法,具备更高的编码效率,同时克服了各子分类器的样本不均衡问题。实验结果表明,相比于传统的纠错编码方法,本文所提方法具有更高的分类准确率。本文实验数据采用实际网络流量数据集Moore set,该数据集来源于真实网络流量,能够反映实际的网络环境,实验结果具有一定的普遍性。
张睿,马建文[9](2009)在《支持向量机在遥感数据分类中的应用新进展》文中研究表明支持向量机是一种基于统计学习理论的新型机器学习算法,它通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题。随着应用面的不断扩大,支持向量机在遥感领域也得到了广泛关注。该算法已经成功的应用于遥感数据的土地覆盖、土地利用分类,多时相遥感数据的变化检测,多源遥感数据信息融合等,并且在高光谱遥感数据处理中得到了广泛应用。综述了支持向量机算法在遥感数据分类中的应用。首先对支持向量机的理论进行简要介绍,进而综述了该算法在不同遥感问题中的应用进展,最后阐述了新型支持向量机算法的发展以及在遥感中的应用。
鲁淑霞[10](2007)在《基于支持向量机的多光谱数据分类》文中进行了进一步梳理结合国家自然科学基金和河北省自然科学基金项目,研究了基于支持向量机的多光谱数据分类问题。目前遥感信息的提取和利用水平大大滞后于遥感技术的发展,因此研究新的理论和方法提高遥感信息的提取水平具有十分重要的意义。在多光谱数据分类中,由于训练样本非常有限、数据维数很高,容易导致严重的Hughes现象,传统模式识别的分类方法难以取得很好的结果。统计学习理论第一次系统地研究了在有限样本下的机器学习问题,提出了一种能够根据样本数量的多少合理地控制分类器的推广能力的一种模型选取原则—结构风险最小化原则。支持向量机是在该理论框架下产生的一种学习方法。本文以统计学习理论(Statistic Learning Theory-SLT)和支持向量机(Support Vector Machine-SVM)为基础,开展了以下几个方面的研究工作:首先,深入分析了多光谱数据的特点和传统模式分类方法在多光谱数据分类中面临的困难。把统计学习理论和支持向量机用于多光谱数据分类,有效地克服了Hughes现象,获得了比一般方法更好的分类精度。其次,总结了现有的几种有代表性的多类支持向量机方法,这些方法包括:一对多(one-against-all)、一对一(one-against-one)、有向无环图支持向量机(DAG-SVMs)、决策树分类和全局优化分类(MSVM);还介绍了两种模糊支持向量机方法。提出了两种改进的模糊多类支持向量机方法,它是在全局优化分类(MSVM)的基础上,引入模糊隶属函数,并将其用于多光谱数据分类,提高了数据的分类精度,具有较强的泛化能力。第三,针对传统支持向量机方法中存在对噪声或野点敏感的问题,提出了两种基于支持向量数据描述的模糊多类支持向量机方法。重点在隶属度的选取上不同,在确定样本的隶属度时,不仅考虑了样本与类中心之间的关系,还考虑了类中各个样本之间的关系。一种是基于数据紧描述引入模糊隶属函数;另一种是基于支持向量数据描述引入模糊隶属函数,使用近邻方法提取每个数据点的局部密度。数值实验结果表明,与几种支持向量机方法相比,上述两种基于支持向量数据描述的模糊多类支持向量机方法具有良好的抗噪性能及分类能力。第四,为了减少计算的复杂度,提出了基于聚类的支持向量机反问题求解方法。从实验结果看,基于聚类求解SVM反问题,有效地减少了算法复杂度,提高了计算效率,还研究了最大间隔与两个聚类中两个最近点的距离之间的数量关系。针对线性可分情况,研究表明线性硬间隔分类机的对偶问题与凸壳问题(平分最近点法)是等价的,线性硬间隔分类机的最大间隔与凸壳问题的两个最近点的距离相等:针对非线性可分情况,研究表明线性软间隔分类机的对偶问题与缩小的凸壳问题(推广的平分最近点法)是等价的,线性软间隔分类机的最大间隔与缩小的凸壳问题的两个最近点的距离相等。最后,总结了适合于求解大型问题的训练算法:选块算法(Chuncking),分解算法(Decomposing)和序列最小最优化算法(Sequential Minimal Optimization-SMO)等,这些都是专门针对支持向量机设计的快速算法;然后利用改进的序列最小最优化算法求解模糊多类支持向量机,实验结果显示运行时间减少了,方法是可行的和有效的。
二、一种用于多分类问题的改进支持向量机(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、一种用于多分类问题的改进支持向量机(论文提纲范文)
(1)基于多模型融合的齿轮故障诊断方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 课题的背景及其研究意义 |
1.2 国内外研究现状 |
1.2.1 多模型融合研究现状 |
1.2.2 齿轮故障诊断的研究现状 |
1.3 论文的主要内容、结构及创新点 |
1.3.1 主要研究内容 |
1.3.2 论文结构 |
1.3.3 主要创新点 |
1.4 本章小结 |
第2章 基于多模型融合的齿轮故障诊断方法研究理论基础及框架 |
2.1 引言 |
2.2 基于特征工程的特征选取方法 |
2.2.1 基于变量间信息的特征提取方法 |
2.2.2 基于变量与模式间信息的特征提取方法 |
2.3 基于特征学习的特征选取方法 |
2.3.1 卷积神经网络 |
2.4 分类模型 |
2.4.1 随机森林 |
2.4.2 支持向量机 |
2.5 QPZZ-Ⅱ型实验平台及数据集 |
2.6 基于多模型融合的齿轮故障诊断方法框架 |
2.7 本章小结 |
第3章 基于多模型特征级融合的齿轮故障诊断方法 |
3.1 引言 |
3.2 基于多模型特征级融合的齿轮故障诊断模型 |
3.3 特征融合算法 |
3.4 实验分析 |
3.5 本章小结 |
第4章 基于多模型决策级融合的齿轮故障诊断方法 |
4.1 引言 |
4.2 DS证据理论及改进方法 |
4.2.1 DS理论 |
4.2.2 基于Deng熵和模糊偏好关系的改进DS证据理论 |
4.2.3 实验分析 |
4.3 基于改进DS证据理论的多模型决策融合齿轮故障诊断 |
4.3.1 数据准备 |
4.3.2 实验分析 |
4.4 本章小结 |
第5章 基于多模型决策级融合的齿轮复合故障诊断 |
5.1 引言 |
5.2 齿轮复合故障诊断框架 |
5.3 齿轮复合故障的诊断规则 |
5.4 实验分析 |
5.4.1 基于齿轮复合故障诊断规则的数据划分 |
5.4.2 齿轮复合故障故障诊断结果 |
5.4.3 评价指标分析 |
5.5 本章小结 |
第6章 总结与展望 |
6.1 总结 |
6.2 展望 |
致谢 |
参考文献 |
附录A 主要符号对照表 |
附录B 在学期间发表的学术论文与研究成果 |
(2)Web服务器样本不平衡的入侵检测反向选择算法(论文提纲范文)
摘要 |
Abstract |
1 绪论 |
1.1 研究背景 |
1.1.1 Web服务器入侵检测中的问题 |
1.1.2 Web服务器入侵检测中的反向选择算法 |
1.1.3 不平衡样本对反向选择算法的启示 |
1.1.4 选题来源 |
1.2 研究现状 |
1.2.1 Web服务器入侵检测现状 |
1.2.2 现有入侵检测方法研究 |
1.3 研究目标与内容 |
1.4 本文组织结构 |
2 Web服务器入侵检测中的反向选择算法 |
2.1 入侵检测系统概述 |
2.1.1 入侵检测系统简介 |
2.1.2 Web服务器入侵检测的需求 |
2.1.3 入侵检测分类算法 |
2.2 人工免疫系统的概述 |
2.2.1 生物基础 |
2.2.2 计算机领域的应用 |
2.3 反向选择算法 |
2.3.1 反向选择算法概述 |
2.3.2 反向选择算法的优化 |
2.4 本章小结 |
3 Web服务器入侵检测中的不平衡问题 |
3.1 多分类的方式 |
3.2 不平衡样本的启示 |
3.2.1 现有解决方法 |
3.2.2 评价标准 |
3.3 Web服务器入侵检测中反向选择算法解决不平衡数据的关键问题 |
3.3.1 检测器数量分配 |
3.3.2 类边缘的界定 |
3.3.3 检测器对样本空间的覆盖 |
3.3.4 检测器的重叠 |
3.3.5 不平衡样本处理方法的启示 |
3.4 本章小结 |
4 Web服务器入侵检测中反向选择算法的优化 |
4.1 代价敏感的反向选择算法 |
4.2 边界界定的反向选择算法 |
4.3 检测器分布优化 |
4.4 综合优化的反向选择算法 |
4.5 本章小结 |
5 实验设计与结果分析 |
5.1 实验目的 |
5.2 实验数据集 |
5.3 实验过程 |
5.3.1 实验环境 |
5.3.2 实验步骤 |
5.4 实验结果及分析 |
5.4.1 经典反向选择算法 |
5.4.2 代价敏感的反向选择算法 |
5.4.3 边界界定的反向选择算法 |
5.4.4 综合的反向选择算法 |
5.5 本章总结 |
6 总结与展望 |
6.1 论文工作总结 |
6.1.1 论文主要工作 |
6.1.2 论文创新点 |
6.2 下一步工作 |
参考文献 |
致谢 |
(3)基于SVM及CNN的湍流退化图像分类方法研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 课题背景及研究意义 |
1.2 国内外研究现状 |
1.2.1 湍流现象及其基础理论 |
1.2.2 光学湍流理论 |
1.2.3 湍流强度值测量 |
1.2.4 湍流图像退化模型 |
1.2.5 图像分类 |
1.3 本文研究内容及论文安排 |
第2章 基于高频DCT特征的SVM湍流退化图像分类 |
2.1 引言 |
2.2 图像离散余弦变换 |
2.3 图像高频DCT特征提取 |
2.4 PCA降维 |
2.4.1 主成分分析的原理 |
2.4.2 主成分分析的意义 |
2.5 支持向量机 |
2.5.1 最优分类超平面 |
2.5.2 线性支持向量分类机 |
2.5.3 非线性支持向量分类机 |
2.5.4 支持向量机的优缺点 |
2.6 SVM多分类及其优缺点 |
2.6.1 一对其余法 |
2.6.2 一对一法 |
2.6.3 DAG-SVM |
2.6.4 DT-SVM |
2.7 基于高频DCT特征的SVM湍流退化图像分类方法 |
2.8 本章小结 |
第3章 基于CNN及其模型改进的湍流退化图像分类 |
3.1 引言 |
3.2 CNN核心思想 |
3.2.1 局部感受野 |
3.2.2 权值共享 |
3.3 CNN结构模型 |
3.3.1 卷积层 |
3.3.2 池化层 |
3.3.3 全连接层 |
3.3.4 局部响应归一化层 |
3.3.5 激活函数 |
3.4 CNN训练过程 |
3.4.1 前向传播算法 |
3.4.2 后向传播算法 |
3.4.3 权值更新 |
3.5 softmax回归分类 |
3.6 LeNet-5 网络及其改进 |
3.6.1 LeNet-5 网络 |
3.6.2 网络模型改进 |
3.7 本章小结 |
第4章 实验结果与分析 |
4.1 实验数据 |
4.2 实验环境 |
4.3 实验评价指标 |
4.4 实验结果与分析 |
4.4.1 基于高频DCT特征的SVM湍流退化图像分类实验 |
4.4.2 基于CNN的湍流退化图像分类实验 |
4.5 本章小结 |
第5章 总结与展望 |
5.1 全文总结 |
5.2 后续展望 |
致谢 |
参考文献 |
攻读硕士学位期间取得的成果 |
(4)基于支持向量机的聚类研究(论文提纲范文)
摘要 |
abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 聚类方法研究现状 |
1.2.2 支持向量机研究现状 |
1.3 主要内容和结构安排 |
1.3.1 论文主要内容 |
1.3.2 论文结构安排 |
第2章 聚类与支持向量机相关技术 |
2.1 聚类相关技术 |
2.1.1 聚类的基本概念 |
2.1.2 典型的聚类算法公式及原理 |
2.2 支持向量机相关技术 |
2.2.1 支持向量机的基本概念 |
2.2.2 常见的支持向量机模型公式及原理 |
第3章 支持向量机与聚类融合思路分析 |
3.1 支持向量机与聚类融合的必备条件 |
3.2 种子点与种子集概念的提出 |
3.3 采用部分真实标签获得种子点 |
3.4 采用聚类集成方法获得种子点 |
3.5 采用内部评价指标获得种子点 |
3.5.1 基于K-means算法及对应内部评价指标获得种子点 |
3.5.2 基于密度峰值聚类算法及对应内部评价指标获得种子点 |
3.6 种子点选取方式总结与讨论 |
第4章 基于种子点的支持向量机聚类模型 |
4.1 模型框架概述 |
4.2 模型目标公式的提出与推导 |
4.2.1 目标公式的提出 |
4.2.2 目标公式的推导 |
4.3 模型的讨论 |
4.3.1 关于种子点选取比例的讨论 |
4.3.2 关于惩罚系数大小设置的讨论 |
第5章 实验 |
5.1 实验数据集与对比算法 |
5.1.1 实验数据集 |
5.1.2 对比算法 |
5.2 实验评价指标 |
5.2.1 准确率评价指标 |
5.2.2 加权F值评价指标 |
5.2.3 统计检验 |
5.3 实验结果对比与分析 |
5.4 SSVMC与 C-SVM的对比实验 |
结论与展望 |
致谢 |
参考文献 |
攻读硕士学位期间发表的论文及科研成果 |
(5)几类支持向量机的性能比较(论文提纲范文)
摘要 |
abstract |
前言 |
第一章 支持向量机简介 |
1.1 基本概念 |
1.2 硬间隔支持向量机 |
1.3 软间隔支持向量机 |
第二章 八类支持向量机的性能比较 |
2.1 最小二乘SVM |
2.2 光滑支持向量分类机 |
2.3 孪生支持向量分类机 |
2.4 孪生有界支持向量分类机 |
2.5 投影TSVM |
2.6 拉格朗日TSVM |
2.7 基于局部信息的TSVM |
2.8 拉普拉斯TSVM |
2.9 比较结果 |
第三章 七类TSVM改进模型的性能比较 |
3.1 多类SVMs |
3.2 孪生K类 SVM |
3.3 最小二乘Twin KSVM |
3.4 “一对多”LST-KSVM |
3.5 “一对一”LST-KSVM |
3.6 加权损失TSVM |
3.7 基于信息粒度的加权线性损失多类TSVM |
3.8 比较结果 |
第四章 总结与展望 |
参考文献 |
致谢 |
攻读硕士学位期间发表的学术论文 |
(6)基于改进SVM的游乐场机械设备故障诊断及应用研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 课题研究的背景与意义 |
1.1.1 研究背景 |
1.1.2 研究意义 |
1.2 故障诊断技术研究现状与发展趋势 |
1.2.1 机械设备故障诊断技术国内外研究现状 |
1.2.2 机械设备故障诊断技术发展趋势 |
1.3 核心技术发展现状与前景 |
1.4 研究的可行性分析 |
1.5 主要研究内容及创新点 |
1.5.1 研究的主要内容 |
1.5.2 研究的创新点 |
1.6 本章小结 |
第二章 游乐场机械设备振动机理及故障特征 |
2.1 过山车的结构特征 |
2.1.1 过山车结构组成 |
2.1.2 过山车结构简化模型 |
2.1.3 过山车受力分析 |
2.1.4 过山车故障特点 |
2.2 过山车失效形式及检测方法 |
2.2.1 过山车故障发展过程 |
2.2.2 过山车故障检测方法 |
2.3 振动机理 |
2.3.1 振动机理分析 |
2.3.2 实例分析 |
2.4 过山车振动数学模型 |
2.5 过山车故障信号特征分析 |
2.5.1 轴承外圈故障振动信号特征分析 |
2.5.2 轴承内圈故障振动信号特征分析 |
2.5.3 滚动体故障振动信号特征分析 |
2.6 本章小结 |
第三章 改进的支持向量机及信号特征提取 |
3.1 混沌算法提取诊断信号特征 |
3.1.1 特征提取方法概述 |
3.1.2 混沌搜索特征提取 |
3.2 支持向量机 |
3.2.1 支持向量机的发展史 |
3.2.2 支持向量的应用 |
3.2.3 支持向量机的优缺点 |
3.2.4 支持向量机研究难点 |
3.3 模拟退火算法改进支持向量机 |
3.3.1 核函数 |
3.3.2 SA |
3.3.3 线性不可分问题求解 |
3.3.4 SVM参数模拟退火算法寻优及分类训练 |
3.3.5 SAA-SVM实验 |
3.4 万有引力搜索算法改进支持向量机 |
3.4.1 GSA |
3.4.2 GSA-SVM |
3.4.3 目标函数 |
3.4.4 CGSA-SVM |
3.4.5 改进核函数CGSA-SVM实验 |
3.5 本章小结 |
第四章 基于改进支持向量机的机械故障诊断 |
4.1 故障诊断的步骤 |
4.2 过山车故障诊断实验设计 |
4.2.1 实验目的 |
4.2.2 实验设备及数据 |
4.2.3 实验原理 |
4.2.4 实验步骤 |
4.3 改进支持向量机模型建立 |
4.3.1 故障信号采集 |
4.3.2 故障信号处理 |
4.3.3 故障识别 |
4.3.4 故障结果输出 |
4.4 实验及分析 |
4.4.1 CSAASVM实验结果与分析 |
4.4.2 CGSA-SVM实验结果与分析 |
4.5 本章小结 |
第五章 总结与展望 |
5.1 研究总结 |
5.2 未来展望 |
参考文献 |
攻读学位期间发表的学术论文及取得的相关科研成果 |
致谢 |
(7)基于马氏距离的度量学习算法研究及应用(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 课题研究背景与意义 |
1.2 度量学习的基本原理 |
1.3 度量学习的研究现状 |
1.3.1 非监督度量学习 |
1.3.2 基于概率模型的度量学习算法 |
1.3.3 基于支持向量机的度量学习算法 |
1.3.4 基于Adaboost的度量学习算法 |
1.3.5 在线度量学习算法 |
1.3.6 度量学习算法的应用 |
1.4 距离度量学习几个待解决的关键问题 |
1.5 论文的主要研究内容 |
第2章 用于支持向量机分类的度量学习算法 |
2.1 引言 |
2.2 相关工作 |
2.2.1 支持向量机和K近邻分类器的关系 |
2.2.2 支持向量机和K近邻算法在不同情况下的比较 |
2.2.3 和马氏距离的联系 |
2.3 度量学习和支持向量机的统一算法框架 |
2.3.1 基于马氏距离的径向基核函数 |
2.3.2 学习基于马氏距离径向基核函数的支持向量机分类器 |
2.3.3 用于高维数据集的压缩表示法 |
2.3.4 多类别数据分类的情况 |
2.4 实验结果 |
2.4.1 性能指标 |
2.4.2 与先进分类算法性能比较 |
2.4.3 实验结果讨论 |
2.5 本章小节 |
第3章 基于三元约束与信息熵的度量学习算法 |
3.1 引言 |
3.2 预备知识 |
3.2.1 布莱格曼矩阵散度 |
3.2.2 信息熵 |
3.3 基于三元约束与信息熵的距离度量学习算法 |
3.3.1 训练约束的比较和选取 |
3.3.2 在线距离度量学习框架 |
3.3.3 高维数据的压缩表示方法 |
3.3.4 动态三元约束构建策略 |
3.4 实验结果 |
3.5 本章小节 |
第4章 用于多变量时间序列分类的度量学习算法 |
4.1 引言 |
4.2 预备知识 |
4.2.1 动态时间规整 |
4.3 基于马氏距离的动态时间规整 |
4.4 用于多变量时间序列的度量学习算法 |
4.5 实验结果 |
4.5.1 与目前最先进算法的性能比较 |
4.5.2 计算效率分析 |
4.5.3 参数对性能的影响分析 |
4.6 本章小节 |
第5章 基于马氏距离的度量学习算法的应用 |
5.1 基于度量学习的人脸表情识别 |
5.1.1 基于度量学习的人脸表情识别算法框架 |
5.1.2 人脸表情识别实验结果 |
5.2 基于度量学习的图像检索 |
5.2.1 基于度量学习的图像检索算法框架 |
5.2.2 图像检索实验结果 |
5.3 使用度量学习的基于数据驱动的故障检测 |
5.3.1 基于度量学习算法的故障检测框架 |
5.3.2 故障检测实验结果 |
5.4 本章小节 |
结论 |
参考文献 |
攻读博士学位期间发表的论文及其他成果 |
致谢 |
个人简历 |
(8)基于PCA特征选择与优化纠错编码的网络流量分类研究(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究目的和意义 |
1.2 网络流量分类概述 |
1.2.1 不同层面的网络流量分类 |
1.2.2 不同方法的网络流量分类 |
1.3 网络流量分类国内外发展现状 |
1.3.1 网络流量分类国外发展现状 |
1.3.2 网络流量分类国内发展现状 |
1.4 本文主要工作及结构安排 |
第二章 多分类支持向量机理论 |
2.1 支持向量机(SVM)理论 |
2.1.1 支持向量机基本原理 |
2.1.2 支持向量机算法 |
2.2 一对多多分类方法 |
2.3 一对一多分类方法 |
2.4 决策导向无环图多分类方法 |
2.5 纠错输出编码多分类方法 |
本章小结 |
第三章 一种基于改进PCA的网络流量特征选择算法 |
3.1 网络流量特征选择 |
3.1.1 网络流量特征选择概述 |
3.1.2 网络流量特征选择的应用 |
3.2 主成分分析(PCA)原理 |
3.2.1 主成分分析概述 |
3.2.2 主成分分析应用 |
3.2.3 主成分分析算法分析 |
3.3 基于改进PCA的网络流量特征选择算法 |
3.3.1 算法理论分析 |
3.3.2 算法描述 |
3.4 实验与分析 |
3.4.1 实验条件 |
3.4.2 实验数据准备 |
3.4.3 实验对比与分析 |
本章小结 |
第四章 一种优化Hadamard纠错编码的网络流量分类新算法 |
4.1 纠错输出编码(ECOC)原理 |
4.1.1 纠错输出编码概述 |
4.1.2 纠错输出编码的应用 |
4.1.3 纠错输出编码算法分析 |
4.2 Hadamard矩阵 |
4.2.1 Hadamard矩阵概述 |
4.2.2 Hadamard矩阵构造方法 |
4.3 基于优化Hadamard纠错编码的网络流量分类算法 |
4.3.1 算法理论分析 |
4.3.2 算法描述 |
4.4 实验与分析 |
4.4.1 实验条件 |
4.4.2 实验数据 |
4.4.3 实验对比与分析 |
本章小结 |
结论 |
参考文献 |
攻读硕士学位期间发表的学术论文 |
致谢 |
(9)支持向量机在遥感数据分类中的应用新进展(论文提纲范文)
1 引 言 |
2 SVM原理 |
2.1 二类分类问题 |
2.2 多类分类问题 |
3 SVM在遥感数据分类中的应用进展 |
3.1 SVM多光谱及高光谱影像分类 |
3.2 SVM用于多源遥感信息融合分类 |
3.3 SVM用于多时相遥感影像分析及变化检测 |
4 新型SVM算法在遥感分类中的应用进展 |
5 结 论 |
(10)基于支持向量机的多光谱数据分类(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 多光谱数据的研究现状 |
1.3 多光谱数据分类的主要方法和原理 |
1.4 本文的研究内容 |
第2章 统计学习理论和支持向量机方法 |
2.1 引言 |
2.2 机器学习的基本知识 |
2.3 统计学习理论的简要介绍 |
2.4 支持向量机 |
2.5 支持向量机分类 |
2.6 小结 |
第3章 模糊多类支持向量机 |
3.1 多类支持向量机 |
3.2 模糊支持向量机 |
3.3 第一种改进的模糊多类支持向量机 |
3.4 第二种改进的模糊多类支持向量机 |
3.5 小结 |
第4章 基于支持向量数据描述的模糊多类支持向量机 |
4.1 引言 |
4.2 基于数据紧描述的模糊多类支持向量机 |
4.3 基于支持向量数据描述的模糊多类支持向量机 |
4.4 小结 |
第5章 支持向量机反问题和最大间隔 |
5.1 引言 |
5.2 支持向量机反问题 |
5.3 基于聚类的支持向量机反问题 |
5.4 凸壳和最大间隔 |
5.5 小结 |
第6章 快速支持向量机学习算法 |
6.1 引言 |
6.2 SMO及改进的SMO |
6.3 模糊多类支持向量机的快速算法 |
6.4 小结 |
第7章 总结与展望 |
7.1 主要贡献与创新 |
7.2 研究展望 |
参考文献 |
攻读博士学位期间科研工作情况 |
致谢 |
四、一种用于多分类问题的改进支持向量机(论文参考文献)
- [1]基于多模型融合的齿轮故障诊断方法研究[D]. 饶雷. 贵州大学, 2020(04)
- [2]Web服务器样本不平衡的入侵检测反向选择算法[D]. 杨晨. 武汉大学, 2019(06)
- [3]基于SVM及CNN的湍流退化图像分类方法研究[D]. 匡恒. 重庆交通大学, 2019(06)
- [4]基于支持向量机的聚类研究[D]. 周恒学. 西南交通大学, 2019(03)
- [5]几类支持向量机的性能比较[D]. 尹丽东. 聊城大学, 2019(01)
- [6]基于改进SVM的游乐场机械设备故障诊断及应用研究[D]. 周志官. 上海工程技术大学, 2016(01)
- [7]基于马氏距离的度量学习算法研究及应用[D]. 梅江元. 哈尔滨工业大学, 2016(02)
- [8]基于PCA特征选择与优化纠错编码的网络流量分类研究[D]. 王洪智. 大连交通大学, 2014(10)
- [9]支持向量机在遥感数据分类中的应用新进展[J]. 张睿,马建文. 地球科学进展, 2009(05)
- [10]基于支持向量机的多光谱数据分类[D]. 鲁淑霞. 河北大学, 2007(03)