导读:本文包含了二叉树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:内燃机,改进二叉树,支持向量机,分类识别
二叉树支持向量机论文文献综述
蔡艳平,张恒,石林锁,张世雄[1]（2019）在《基于改进二叉树支持向量机的内燃机故障识别》一文中研究指出为提高内燃机在强耦合、弱信号条件下的故障诊断精度,提出一种基于改进二叉树支持向量机(SVM)的内燃机故障诊断方法.首先对样本的可分性测度进行重新定义,以此训练出的支持向量机模型更大程度上减少了样本错分的可能性,通过对仿真数据的分类识别,验证了有效性.以BF4L1011F型内燃机为诊断对象,分别提取振动信号的数据域及图像域特征,对比不同多分类算法识别结果,所提方法表现出更高的识别准确率.(本文来源于《内燃机学报》期刊2019年04期）
王建建,何枫[2]（2019）在《基于二叉树的半监督叁分类光滑支持向量机研究》一文中研究指出文章对半监督叁分类光滑支持向量机进行研究。首先,针对二叉树结构的分类顺序对分类精度影响的问题,提出采用基于类间相似方向数生成偏二叉树支持向量机的方法判别分类顺序。其次,将此判别方法应用于半监督叁分类中,提出了基于类间相似方向数的半监督叁分类光滑支持向量机算法。最后,进行五组数值试验。结果表明,与全监督叁分类算法相比,本文算法得到的准确率相对要高,且能在已标记样本比例较少的情况下得到较高的准确率,从而表明了本文的半监督二叉树叁分类光滑支持向量机具有优越性。(本文来源于《统计与决策》期刊2019年11期）
姜赛达[3]（2018）在《基于二叉树支持向量机的高职高专院校教学评价研究》一文中研究指出为提高高职高专院校教学质量的评价精度和效率,结合高职高专院校教学过程和评价体系,提出基于欧氏距离的二又树支持向量机(Distance binary tree SVM,简称DBT-SVM)算法的高职高专院校教学质量评价模型。该模型中的算法结合了聚类中的关于类距离的概念,是二叉树支持向量机的改进算法,使最先分离出的类在上层节点处分开。经过实例测试,该算法相比其他算法在识别率和分类训练时间都有所提升。该模型可以满足高职高专院校教学质量的评价要求。(本文来源于《电脑知识与技术》期刊2018年24期）
陈柏志,石宇强,詹钧凯,邬江波[4]（2018）在《改进二叉树支持向量机及其TE过程故障诊断》一文中研究指出针对层次结构对二叉树支持向量机分类性能影响较大的问题,提出了一种改进的完全二叉树支持向量机构建方法。基于帕累托原则以核心圈样本最近类间距离和类内计算半径圈样本平均密度建立了类间差异性估计策略,将类间距离大且类内样本分布紧密的类别最先分离出来,并提出了构建完全二叉树的算法步骤。通过在UCI标准数据集上与其他SVM多类分类算法作比较,验证了改进算法的优越性。以TE过程故障诊断为研究对象,基于核主成分分析提取故障特征,应用改进的二叉树支持向量机实现了故障的准确识别。(本文来源于《西南科技大学学报》期刊2018年02期）
冷强奎,刘福德,秦玉平[5]（2018）在《一种基于混合二叉树结构的多类支持向量机分类算法》一文中研究指出为提高多类支持向量机的分类效率,提出了一种基于混合二叉树结构的多类支持向量机分类算法。该混合二叉树中的每个内部结点对应一个分割超平面,该超平面通过计算两个距离最远的类的质心而获得,即该超平面为连接两质心线段的垂直平分线。每个终端结点(即决策结点)对应一个支持向量机,它的训练集不再是质心而是两类(组)样本集。该分类模型通常是超平面和支持向量机的混合结构,其中超平面实现训练早期的近似划分,以提升分类速度;而支持向量机完成最终的精确分类,以保证分类精度。实验结果表明,相比于经典的多类支持向量机方法,该算法在保证分类精度的前提下,能够有效缩短计算时间,提升分类效率。(本文来源于《计算机科学》期刊2018年05期）
王建建,何枫[6]（2018）在《基于类间相似方向数的二叉树支持向量机》一文中研究指出二叉树支持向量机是多分类的方法之一,其分类效果与二叉树结构有很大的关系。文章针对二叉树结构的分类顺序对分类精度影响的问题,改进了一种类间相似方向,并结合距离,提出了类间相似方向数作为生成偏二叉树支持向量机的多分类方法,弥补了距离不能很好地反映类分离度的缺陷。采用生成二叉树结构的方法进行数据实验分析,表明该方法具有较高的分类精度和分类效率。(本文来源于《统计与决策》期刊2018年04期）
张加建[7]（2017）在《基于模糊二叉树的支持向量机算法研究及应用》一文中研究指出支持向量机自20世纪90年代由Vapnik提出以来,就以其卓越的学习能力成为了机器学习的研究热点。传统的支持向量机是研究两类分类的,而实际应用中多类分类更加常见,同时实际应用中会遇到大量模糊信息,如何将其更好的应用于多类分类领域以及克服模糊信息的干扰是支持向量机研究的重点。本文针对现有的模糊二叉树支持向量机在树形结构的构造和隶属度函数的构造方法上存在的不足进行了改进,其主要工作如下:1.针对模糊二叉树支持向量机现有的树形结构构造方法的缺点,提出了基于k-means聚类算法的构造方法,这是一种自下而上的树形结构的构造方法,通过对样本不断的聚类,使得每次不同类的结合更加合理,且对构造的树形结构不强求为完全正态的,更加符合实际情况,同时通过数值实验验证了这种方法的有效性。2.研究了模糊二叉树支持向量机的隶属度函数,提出了基于相关系数的隶属度函数构造方法,根据样本点的相关程度赋予不同的值,以此来实现样本的模糊化处理,从而避免了样本密度不均造成的影响,并通过数值实验验证了其可行性。3.提出了一种改进的模糊二叉树支持向量机,并将其与1-v-rSVMs和1-v-1SVMs作分类性能的比较实验,结果表明改进的模糊二叉树支持向量机总体性能高于1-v-rSVMs和1-v-1SVMs的性能。最后,对论文进行了总结,并对今后的工作做出了展望。(本文来源于《山东科技大学》期刊2017-05-01）
张加建[8]（2016）在《模糊二叉树支持向量机算法研究》一文中研究指出支持向量机算法是90年代由Vapnik等人在统计学习理论的基础上提出的一种新式的机器学习算法,由于其卓越的学习能力,尤其是泛化能力,从而引起了人们对这一领域的极大关注。传统支持向量机是做二元分类的,而现实中更多的是多类分类。现有的多类分类算法中,二叉树支持向量机整体性能优于"一对一"、"一对多"等其它多类分类方法,但是二叉树支持向量机由于存在"差错积累"问题,使得分类准确率较低。本文针对二叉树支持向量机分类精度较低的缺点,将模糊支持向量机与二叉树支持向量机相结合,将模糊技术应用到支持向量机中,从而提高了分类准确率。(本文来源于《科技视界》期刊2016年23期）
吴恩英,吕佳[9]（2016）在《基于二叉树支持向量机多类分类算法的研究》一文中研究指出基于二叉树的支持向量机多类分类算法虽然在目前现有的多类分类算法中总体性能较优,但是仍然存在分类精度和分类效率不高的问题。针对这些问题,提出了一种新的基于欧氏距离的二叉树支持向量机(Distance binary tree SVM,简称DBT-SVM)多类分类算法,该算法综合地考虑了两类最近样本的欧式距离、类中心的欧氏距离对分类的影响,并且使最容易分离的类能优先分离出来。通过在UCI标准数据集上进行实验验证,结果表明该算法行之有效。(本文来源于《重庆师范大学学报(自然科学版)》期刊2016年03期）
李赢,舒乃秋[10]（2016）在《基于模糊聚类和完全二叉树支持向量机的变压器故障诊断》一文中研究指出为提高电力变压器故障诊断准确率,提出基于模糊聚类和完全二叉树支持向量机的故障诊断模型,即通过模糊C均值聚类,对样本采用完全二叉树结构逐层划分,直至最后得到各故障分类。该方法克服了一般方法对故障划分不明确、分类重迭和不可分等缺点。试验表明,相比改良叁比值法、支持向量机分类"一对一"和"一对多"组合,该方法在电力变压器故障诊断中具有最高的诊断准确率。(本文来源于《电工技术学报》期刊2016年04期）
二叉树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：
文章对半监督叁分类光滑支持向量机进行研究。首先,针对二叉树结构的分类顺序对分类精度影响的问题,提出采用基于类间相似方向数生成偏二叉树支持向量机的方法判别分类顺序。其次,将此判别方法应用于半监督叁分类中,提出了基于类间相似方向数的半监督叁分类光滑支持向量机算法。最后,进行五组数值试验。结果表明,与全监督叁分类算法相比,本文算法得到的准确率相对要高,且能在已标记样本比例较少的情况下得到较高的准确率,从而表明了本文的半监督二叉树叁分类光滑支持向量机具有优越性。
（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。
二叉树支持向量机论文参考文献
[1].蔡艳平,张恒,石林锁,张世雄.基于改进二叉树支持向量机的内燃机故障识别[J].内燃机学报.2019
[2].王建建,何枫.基于二叉树的半监督叁分类光滑支持向量机研究[J].统计与决策.2019
[3].姜赛达.基于二叉树支持向量机的高职高专院校教学评价研究[J].电脑知识与技术.2018
[4].陈柏志,石宇强,詹钧凯,邬江波.改进二叉树支持向量机及其TE过程故障诊断[J].西南科技大学学报.2018
[5].冷强奎,刘福德,秦玉平.一种基于混合二叉树结构的多类支持向量机分类算法[J].计算机科学.2018
[6].王建建,何枫.基于类间相似方向数的二叉树支持向量机[J].统计与决策.2018
[7].张加建.基于模糊二叉树的支持向量机算法研究及应用[D].山东科技大学.2017
[8].张加建.模糊二叉树支持向量机算法研究[J].科技视界.2016
[9].吴恩英,吕佳.基于二叉树支持向量机多类分类算法的研究[J].重庆师范大学学报(自然科学版).2016
[10].李赢,舒乃秋.基于模糊聚类和完全二叉树支持向量机的变压器故障诊断[J].电工技术学报.2016