导读:本文包含了多核支持向量机论文开题报告文献综述及选题提纲参考文献，主要关键词:个人信用评估,支持向量机,核函数,组合核
多核支持向量机论文文献综述
张玥,赵凯,黄全生[1]（2019）在《组合核支持向量机个人信用评估模型》一文中研究指出针对支持向量机模型在分类问题中的广泛应用,提出了一种新的基于支持向量机的个人信用评估模型,通过对支持向量机直方图交叉核、热核特征核、杰卡德距离核和余弦广义距离核4种核函数的组合处理,构造了投票矩阵;通过实际数据实验,获得了良好的分类结果,同时证明了支持向量机自适应组合核加权模型在信用评分系统中具有良好的性能;因此,这种基于支持向量机的个人信用评估模型可以帮助银行或贷款人做出正确的决策。(本文来源于《重庆工商大学学报(自然科学版)》期刊2019年05期）
吴青,臧博研,祁宗仙,张昱[2]（2019）在《基于压缩感知的多核稀疏最小二乘支持向量机》一文中研究指出为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。(本文来源于《系统工程与电子技术》期刊2019年09期）
赵婉婉,任静,刘燕南,武东辉,余凯[3]（2019）在《基于AdaBoost多核支持向量机的跌倒检测研究》一文中研究指出针对传统的跌倒检测模型实时性低、误报率高的问题,提出AdaBoost多核支持向量机模型(ADB-MKSVM),用于对跌倒动作进行检测识别.该模型基于改进的AdaBoost模型框架,将多核支持向量机作为基分类器,并集合这些基分类器构成一个更强的最终分类器;依据人体动作数据分布和每次训练集中各样本的分类是否正确,以及上次的总体分类准确率,来确定每个样本的权值,采用权重动态分配的方法提高跌倒动作的识别率.测试结果表明,该模型具有良好的分类性能,且传感器绑于腰部位置可有效提高跌倒动作的检测效果,其准确率为99. 33%,跌倒检出率为63. 6%,跌倒检测错误率为1. 62%.(本文来源于《轻工学报》期刊2019年03期）
陶学文,奕伟波,陈龙,何峰,綦宏志[4]（2019）在《复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法》一文中研究指出相对于传统的想象动作脑-机接口,复合肢体想象动作脑-机接口有效提升了指令复杂度,具有更好的中风后康复治疗潜力,但当前较低的识别精度限制了其临床应用。为提升复合肢体动作想象相关脑电信号特征的特异性并降低不同通道间的信息混淆,提出了一种基于脑电流形特征信息刻划的黎曼核支持向量机递归特征筛选方法(Riemann kernel support vector machine recursive feature elimination, RKSVM-RFE)。采集了10位被试在进行想象7种不同肢体部位动作时的脑电信号数据,利用RKSVM-RFE方法进行特征优化和建模,对脑电数据对应的运动意图进行识别。结果显示,基于所提方法的平均识别正确率达到了77%,相比于经典的CSP方法提高了近7%,并且能够消减近50%的脑电信息采集通道,可有效降低系统复杂性。研究结果为基于想象动作脑-机接口的康复技术发展提供了新的思路,值得进一步发展。(本文来源于《机械工程学报》期刊2019年11期）
张娇阳[5]（2019）在《基于多核学习的支持向量机方法研究》一文中研究指出20世纪60年代Vapnik等人提出了统计学习理论。基于该理论,于90年代给出了一种新的学习方法——支持向量机。该方法显着优点为根据结构风险最小化归纳准则,有效地避免了过学习、维数灾难和局部极小等传统机器学习中存在的弊端,且在小样本情况下仍然具有良好的泛化能力,从而该算法受到了广泛的关注。但是,随着支持向量机的不断发展和应用,其也逐渐显现出一些局限。其一,支持向量机对孤立点和噪音数据是非常敏感的。为了解决此问题,Lin等人提出了模糊支持向量机的概念,即将样例的模糊隶属度引入到支持向量机中。模糊支持向量机在一定程度上降低了噪声点和孤立点对最终决策函数的影响,提高了支持向量机的抗噪音能力。其二,核函数与核参数的选择,对学习性能有至关重要的影响,然而目前还没有关于核函数以及核参数选取的有效手段。近年来多核学习已成为机器学习领域广大学者的研究热点。即用多个核相结合来代替单个核函数。多个核函数往往可以更加充分地刻画数据间的相似性,尤其是复杂数据间的相似性。从而多核相结合可以较准确的表达数据的相似性。作为核方法的重要成果,多核学习能够克服核函数核参数选择这一难题。本文为了同时解决核函数选择难题和对噪音数据敏感问题,将多核学习方法引入到支持向量机中,提出了多核模糊支持向量机与多核支持向量回归机。基于多核学习的模糊支持向量机方法在保持模糊支持向量机抗噪音能力的前提下,显着提高了算法效率,具有重要理论与实际意义。多核学习方法目前在支持向量回归机中应用较少,本文为了解决支持向量回归机中的核函数核参数选择难题,将基于核对齐的多核学习方法引入到支持向量回归机中。本文主要工作及取得的成果如下:1.将多个核函数直接相加的多核方法与模糊支持向量机模型相结合,提出了基于粗糙集隶属度的模糊多核支持向量机。在UCI数据上实验对比表明,本文提出的方法比经典支持向量机、模糊支持向量机和多核支持向量机在预测精度方面表现优异。2.将基于核对齐的多核学习方法引入到模糊支持向量机中,提出了基于核对齐的模糊多核支持向量机。根据最大化组合核与理想核之间的相似性,计算核权重,得到的组合核更精确地刻画数据间的相似性。在UCI数据上实验结果验证了本文所提方法有效性。3.将基于核对齐的多核学习方法引入到支持向量回归机中,提出了基于核对齐的多核支持向量回归机。实验结果表明,多核支持向量回归机在预测精度上能与最优的支持向量回归机方法保持一致甚至更好,在计算开销上,多核支持向量回归机方法要远优于支持向量回归机。(本文来源于《北京建筑大学》期刊2019-06-01）
臧博研[6]（2019）在《多核支持向量机关键技术研究》一文中研究指出支持向量机(Support Vector Machine,SVM)是由学者Vapnik提出的一种基于统计学习理论(Statistical learning theory,SLT)的机器学习方法。Vapnik等学者利用结构风险误差最小化原则替代传统的经验风险误差构造SVM模型。自SVM被提出以来,就受到海内外学者的广泛关注与研究,在SVM模型的基础上,引申发展出来多种改进模型:孪生支持向量机(Twin Support Vector Machine,TWSVM),最小二乘支持向量机(Least Square Support Vector Machine,LSSVM),支持向量回归机(Support Vector Regression,SVR)等。SVM最初是在线性分类情况下构造出来的,对于非线性问题通常采用核技巧来处理,利用核函数将数据映射到高维空间进行训练。目前常见的核函数有:线性核、多项式核、径向基核等,但这些都是对于数据进行单核训练,对于一些异构高维的复杂数据往往达不到很好的处理效果,因此学者们提出了多核学习(Multi-Kernel Learning,MKL)的机器学习方法,利用多个不同核的有机组合来达到对训练数据不同维度的特征映射,达到更好的训练效果。针对SVM及其改进算法在复杂数据训练情形下所存在的问题,本文所做的研究如下:1.提出了基于压缩感知的多核稀疏最小二乘支持向量回归机(Multi-kernel Sparse Least Squares Support Vector Regression,MKS-LSSVR)。和标准SVM不同,LSSVR将所有的数据当作支持向量来进行训练,丧失了稀疏性。压缩感知(Compressive Sensing,CS)理论的优化目标形式与LSSVR模型一致,而CS重构算法是一种很高效的稀疏算法,利用CS重构算法求解LSSVR的优化模型,得到稀疏解。用扩张核法得到多核训练模型,进行求解与训练,并对不同模型的优缺点对比分析。2.提出了多尺度核最小二乘支持向量回归机(Multi-Scale kernel Least Squares Support Vector Regression,LSSVR)。由小波分解理论可以知道,任何函数都可以由一组小波函数线性组合构成,将LSSVR的目标函数分解成两个函数,并对新的目标函数进行回归,经过多次迭代逼近,提高了回归精度。3.提出了小波核函数TWSVM,并将其拓展到LSTSVM。结合小波核得出多尺度小波核TWSVM模型,避免TWSVM求解过程中可能出现的奇异性问题,同时提高了模型对于异构高维数据的训练精度。小波核是一类可以近似逼近任意函数的一簇函数。利用小波核构造核函数矩阵,具有正交或近似正交的特性,避免了矩阵奇异性问题,保留了更多的样本分布细节。(本文来源于《西安邮电大学》期刊2019-05-01）
李春茂,周妺末,刘亚婕,高波,吴广宁[7]（2018）在《基于邻域粗糙集与多核支持向量机的变压器多级故障诊断》一文中研究指出针对传统变压器故障诊断过程中故障征兆与故障类型间映射关系的不确定性及模糊性问题,根据粗糙集知识与多核学习理论,构建了一种变压器多级故障诊断模型。该方法基于溶解气体分析(DGA)诊断标准,以5种特征气体及16种气体比值作为初始特征量,并利用邻域粗糙集知识按属性重要度大小获取在所诊断故障类型上高重要度的最小故障特征信息集。在深入挖掘DGA所含故障信息的基础上,建立分级故障诊断模型,以二分类支持向量机作为分类器,利用最小故障特征信息集进行多级故障诊断。此外,采用反正切变换处理各输入特征,避免了油中溶解气体长尾分布而导致的误分情况;同时,各支持向量机皆采用多核学习,以解决单核支持向量机数据敏感性强,鲁棒性低的缺陷。实例分析表明:与传统特征量相比,新提出特征量下的各诊断层准确率均能较稳定的达到88%以上,且最小运行时长可达0.337 5 s,具备提高分类精度,减小运行时间与算法结构的明显优势。另外,与传统故障诊断方法相比,该多级诊断的模型不仅能更深层次挖掘故障特征信息,降低冗余特征信息的复杂性,并且可有效提高诊断平均准确率3%以上,具有更高的准确度与可靠性。(本文来源于《高电压技术》期刊2018年11期）
路燕,盛姝[8]（2018）在《基于支持向量机优化参数的集成多核典型相关分析》一文中研究指出提出一种可有效处理多个数据集合之间变量关系的集成多核典型相关分析方法,构造一个特殊的核函数,使其更好地将原始样本数据映射到高维空间;基于支持向量机,在选择一个优化参数的基础上最大化多组数据集变量间的关系,以寻求整体相关性最大。在多特征手写体数字库上的实验证明,相比传统的典型相关分析与核典型相关分析方法,基于优化参数的集成多核典型相关分析方法具有更优的性能。(本文来源于《科技管理研究》期刊2018年15期）
张金刚,陈永强,雷霞,鲍晓婷,余飞鸿[9]（2018）在《基于小波分析的并行膜混合核支持向量机月度负荷预测》一文中研究指出针对现代电力系统月负荷数据的趋势增长性和波动性的非线性特征,提出了一种基于小波变换的混合支持向量机负荷预测模型。通过小波变换将负荷序列分解为不同尺度的子序列,考虑负荷的季节波动性,将温度因素作为输入变量,构建混合核函数LWPSO-LSSVM。将负荷子序列分别放入膜系统的基本膜中进行并行预测,然后对子序列预测数据进行重构得到预测结果。利用四川省某地区电网负荷数据进行应用研究,结果表明所提出的模型较传统核函数支持向量机预测精度和效率有明显提高。(本文来源于《水电能源科学》期刊2018年06期）
梁成[10]（2018）在《基于小波核支持向量机回归的股指期货价格预测》一文中研究指出本文是基于小波核支持向量机回归的股指期货价格预测方案,之所以选择预测股指期货的价格主要是受到了金融市场特殊状况的影响。在2015年股指期货遭遇了史上最严调控,2017年后调控有所放开,但是股指期货市场仍然面临着成交量底下,流动性不足的情况。传统的多因子选股alpha策略在股票市场上建立多头,在股指期货市场上建立完全对冲风险的空头头寸,以此来获得稳定的超额收益。但在股指期货受限之后,这种策略受到了巨大的挑战,股指期货的交易量无法满足完全对冲风险的需要,于是一些私募机构转向使用灵活择时对冲策略,而一些中小金融机构选择不对冲或者建立股指期货单边头寸的方法来进行投资。在这种情况下,能否准确预测股指期货的价格就显得至关重要。本文借鉴了小波核函数的构造方法,通过给出3种小波核函数预计算矩阵的方式将小波基函数带入到了支持向量机回归模型当中,建立了基于小波核支持向量机回归模型,然后通过遗传算法以及粒子群算法优化小波核支持向量机回归模型的参数,得到小波核支持向量机回归的最优参数,并由此对中国市场上的叁种股指期货主力合约的收盘价做出预测,最终通过合理性检验发现小波核支持向量机回归的预测性能优于普通核函数。(本文来源于《上海师范大学》期刊2018-05-01）
多核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：
为了提高稀疏最小二乘支持向量机对高维、异构数据的泛化性能,提出新型的基于压缩感知的稀疏多核最小二乘支持向量机算法。首先根据压缩感知理论,用正交匹配追踪算法对最小二乘支持向量机的支持向量进行稀疏化,再利用线性多核扩展法求出新的核函数矩阵。将新的核矩阵应用到最小二乘支持向量机,得到稀疏多核最小二乘支持向量机的解,用稀疏的支持向量实现函数回归。理论分析与数据实验对比结果表明该模型对于高维、异构数据能够更快更准确地进行训练,大大提高了模型的泛化能力和运算速度。
（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。
多核支持向量机论文参考文献
[1].张玥,赵凯,黄全生.组合核支持向量机个人信用评估模型[J].重庆工商大学学报(自然科学版).2019
[2].吴青,臧博研,祁宗仙,张昱.基于压缩感知的多核稀疏最小二乘支持向量机[J].系统工程与电子技术.2019
[3].赵婉婉,任静,刘燕南,武东辉,余凯.基于AdaBoost多核支持向量机的跌倒检测研究[J].轻工学报.2019
[4].陶学文,奕伟波,陈龙,何峰,綦宏志.复合肢体想象动作脑-机接口中黎曼核支持向量机递归特征筛选方法[J].机械工程学报.2019
[5].张娇阳.基于多核学习的支持向量机方法研究[D].北京建筑大学.2019
[6].臧博研.多核支持向量机关键技术研究[D].西安邮电大学.2019
[7].李春茂,周妺末,刘亚婕,高波,吴广宁.基于邻域粗糙集与多核支持向量机的变压器多级故障诊断[J].高电压技术.2018
[8].路燕,盛姝.基于支持向量机优化参数的集成多核典型相关分析[J].科技管理研究.2018
[9].张金刚,陈永强,雷霞,鲍晓婷,余飞鸿.基于小波分析的并行膜混合核支持向量机月度负荷预测[J].水电能源科学.2018
[10].梁成.基于小波核支持向量机回归的股指期货价格预测[D].上海师范大学.2018