改进的支持向量机算法及其在入侵检测中的应用

**资讯http://www.***.*** **资讯http://www.***.*** **资讯http://www.***.***

通过对支持向量机核函数的分析发现,当对样本的各个特征赋予不同大小的尺度参数时,可以避免冗余特征干扰分类,增强关键特征在分类中的作用,提高支持向量机分类器的学习和泛化能力。在此基础上,提出一种具有不同特征尺度参数的支持向量机(简称多尺度支持向量机),并通过遗传算法最小化loo(leave-one-out)泛化错误上限估计,根据各个特征的识别能力赋予其不同大小的尺度参数。将多尺度支持向量机用于轴承故障诊断,实验结果表明,与传统的单尺度参数支持向量机相比,多尺度支持向量机具有更好的泛化能力。对压缩机气阀的故障识别表明,尺度参数的大小直接反映了对应特征识别能力的大小,因此可以依据尺度参数的大小进行特征选择,保留关键特征,剔除冗余特征。

采用小波分析的方法对地铁原始监测数据进行去噪处理,将得到的平稳可靠的监测数据用于建立支持向量机训练集,进行沉降预测.实际沉降数据处理和预测结果显示,小波分析方法能够准确提取监测数据中的沉降趋势性信息,w-svm组合算法能够显著提高沉降预测的精度.

支持向量机及其在岩土工程中的应用——在智能岩石力学的研究方法中，专家系统方法是基于专家和经验判断进行问题求解的非数值分析方法，因为领域知识获取的困难，限制了其发展；而神经网络方法是基于大样本的一种方法，其推广能力较差．为了克服专家系统知识获取...

在智能岩石力学的研究方法中,专家系统方法是基于专家和经验判断进行问题求解的非数值分析方法,因为领域知识获取的困难,限制了其发展;而神经网络方法是基于大样本的一种方法,其推广能力较差.为了克服专家系统知识获取的“瓶颈”问题和人工神经网络的推广能力差的问题,基于统计学习理论的支持向量机方法为岩土工程的智能化研究提供了新的途径.主要介绍了支持向量机方法及其在岩土工程领域的应用现状,并指出其理论存在的问题和未来的发展方向.

利用粒子群算法对入侵检测神经网络模型进行优化。仿真结果表明,与bp神经网络和ga神经网络相比较,具有较强的逼近和容错能力、较快的收敛速度和较好的检测效果。

论述了数据挖据和遗传算法在入侵检测中的应用,详细描述了模糊关联规则和模糊频繁序列挖掘,并进一步介绍了如何采用遗传算法优化模糊集合隶属函数,从而达到改善入侵检测系统性能的目的。

支持向量机最初只能用以解决二分类问题,对于多类故障,只能通过组合二分类器间接应用于多类分类问题。本文提出一种基于二叉树多分类算法对变压器中常见故障进行了模式识别,并与传统多分类算法作对比。根据svm理论结合二叉树方法建立变压器故障诊断模型,通过vs2008对其进行了验证,结果表明该方法能有效地、准确地识别故障模式,具有较高的推广性。

利用遗传算法对传统的支持向量机进行改进,提出ga-svm房地产估价模型,并运用到房地产估价的预测中,通过与支持向量机模型、bp神经网络模型和市场比较法的对比研究发现,该方法估价预测精度要明显高于bp神经网络模型和市场分析法,略高于支持向量机模型,所以ga-svm房地产估价模型更具有推广性,更适合于有限样本的房地产价格估价。

提出一种基于遗传算法和支持向量机的故障诊断方法,利用遗传算法对故障特征集和支持向量机的参数同时进行优化,然后把优化选择的故障特征输入支持向量机进行故障识别。既剔除了故障特征的冗余性、减少了计算量,又解决了支持向量机的参数难以选择等问题。诊断实例表明,该方法能利用较少的故障特征得到较高的诊断精度。

针对最小二乘支持向量机在利用产生于工业现场的非理想数据集进行建模预测时,稀疏化模型鲁棒性差的问题,提出了一种基于模糊c均值聚类和密度加权的稀疏化方法.首先通过模糊c均值聚类将训练样本划分为若干个子类;然后计算每个子类中各样本的可能贡献度,依次从每个子类中选取具有最大可能贡献度的样本作为支持向量;最后更新每个样本的可能贡献度,继续从各个子集中增选支持向量,直至稀疏化后的模型性能满足要求.仿真结果和磨机负荷实际应用表明,该方法能够兼顾模型在整体样本集和各工况子集上的性能,在实现模型稀疏化的同时,能够显著改善最小二乘支持向量机模型的鲁棒性.

支持向量机在地基沉降预测中的应用——尝试把最近发展起来的支持向量机(svm)引入地基沉降的预测中．支持向量机是基于统计学习理论框架下的一种新的通用机器学习方法．本文提出了基于支持向量机的地基沉降预测方法，并在matlab中编制了相应的支持向量机程序，建...

介绍了支持向量机回归算法,运用matlab编写了相应程序,并对两个地下工程实例进行了预测.通过与灰色预测和人工神经网络预测结果的对比,可以看出支持向量机方法不论是在学习过程还是预测过程,都具有更高的优越性,可以应用于实际工程.

针对电梯的几种常见故障,论文采用了最小二乘支持向量机(ls-svm)诊断的方法。采集电梯几种故障状态下的振动信号,用最优小波包的理论分析计算故障振动信号的能量分布,将其能量分布与时域指标相结合,以构造故障特征向量,作为ls-svm的输入来识别电梯的故障原因,并采用遗传算法优化ls-svm的相关参数。通过对电梯六种常见故障的诊断结果表明,基于遗传算法优化的最小二乘支持向量机用于电梯故障诊断是一种有效的方法。

公路客运量数据受多种因素影响而呈现非线性等特点,为了提高其预测精度,文中提出粒子群算法(pso)优化支持向量机(svm)的公路客运量预测模型,利用pso寻优能力突出的优点,对支持向量机的参数进行优化选择,并用优化后的支持向量机模型对公路客运量进行预测。研究结果显示,相比bp神经网络和传统的svm预测方法,基于pso-svm的预测精度更高。

为解决bp神经网络应用于入侵检测时检测率较低、训练时间过长的问题,对改进差分进化算法(samde)优化bp神经网络并用于入侵检测的可行性进行研究。该算法引入模拟退火算法(sa)和一种融合de/rand/1与de/best/1的变异算子对差分进化算法进行改进以提高其全局寻优能力。用改进后的算法优化bp神经网络权值阈值。通过逐次的迭代训练使bp神经网络收敛,将优化过的bp神经网络用于入侵检测。仿真实验结果显示,优化的bp网络在收敛速度和精度方面有明显提升,用于入侵检测时提高了检测准确率,缩短了训练时间。

针对最小二乘支持向量机在电力负荷预测应用中的参数优化问题,将改进粒子群算法引入到最小二乘支持向量机参数中,建立一种新型的电力负荷预测模型(ipso-lssvm)。首先将最小二乘支持向量机参数编码为粒子初始位置向量;然后通过粒子个体之间的信息交流、协作找到最小二乘支持向量机的最优参数,并针对标准粒子群算法的不足进行相应改进;最后将其应用于电力负荷建模与预测,并通过仿真对比实验测试其性能。实验结果表明,ipso-lssvm可以获得较高准确度的电力负荷预测结果,大幅度减少了训练时间,满足电力负荷在线预测要求。

支持向量机在公路软基沉降预测中的应用——针对公路软土地基沉降发生的过程多变量、强耦合、强干扰、大滞后的复杂特性，提出利用支持向量机(supportvectormachine，svm)对公路软基进行沉降预测建模，使用加栽过程中的沉降观测数据作为训练样本集，建立可依据...

研究利用土壤样本实验反射光谱,分析了土壤镁(mg)含量与土壤反射光谱的关系,比较了主成分回归分析(pcr)、偏最小二乘回归分析(plsr)和支持向量机回归分析(svmr)等方法,以及土壤反射光谱及其变换光谱与土壤mg含量之间的估算模型,为土壤mg含量高光谱估算提供依据。结果表明:pcr、plsr、svmr3种建模方法在mg含量的估算中,svmr的估算精度相对较高,估算精度平均达到80.96%,分别比pcr和plsr提高了6.16%、4.20%;对于不同的数学变换处理方法,一阶微分变换相对较好,估算精度平均为80.76%,分别比反射率、倒数对数变换提高了4.95%、4.61%。因此,运用土壤反射光谱一阶微分变换的svmr进行建模,可以相对较好地估算全mg含量,精度达84.04%。

基于支持向量机方法的深基坑变形预测——提出了深基坑变形预测的一种新方法，即支持向量机方法．该方法根据有限的学习样本，建立了各种影响因素和深基坑变形之问的一种非线性映射．基于已有的深基坑变形资料，采用支持向量机模型，对深基坑现场实例进行了预测，...

研究电路的故障问题,应提高快速性和准确性。为提高仿真电路故障诊断效率,给出了一种基于改进支持向量机的仿真电路故障诊断方法。首先通过小波包变换实现了信号的能量特征提取,根据主元分析完成了特征压缩;其次针对支持向量机多分类一对一方法存在的不可分类区,将其与最近邻分类法相结合,实现了电路的故障诊断,并提出了一种混合遗传算法实现了小波函数和支持向量机参数的同步选择;最后通过一仿真电路的仿真实验,与bp,rbf和pnn等神经网络对比,结果显示基于支持向量机的方法诊断精度最高,达到98%,为设计提供参考依据。

结合支持向量机模型和小波框架理论,建立了沉降预测模型,并对杭州市某小区的危旧建筑物进行了沉降预测,结果表明该模型预测精度较高,可以较好地预测建筑物沉降的发展趋向,适用于建筑沉降预警工作。