混合核函数

摘要： 为提高磁控溅射镍铬合金薄膜的性能和确定最佳工艺参数条件,建立了一种粒子群-最小二乘支持向量机(PSO-LSSVM)和遗传算法(GA)联合优化算法。以功率、压强、基底温度及偏压为因素设计表面粗糙度和沉积速率的正交试验;采用极差分析法得到工艺参数组合,并分析了该方法存在的不足;通过最小二乘支持向量机分别建立对表面粗糙度和沉积速率的预测模型。为提高预测模型的精度,提出了高斯核函数与多项式核函数的加权混合核函数,采用粒子群算法对权重因子、惩罚因子、高斯核带宽以及多项式阶次进行多目标寻优,得到LSSVM非线性回归预测函数。将回归预测函数作为遗传算法的适应度函数,并确定四种相关因素的约束条件,分别得到了两种性能的最佳工艺参数。

摘要： 本文针对阶跃型滑坡变形定量预测困难,提出一种基于时间序列分解与混合核函数SA-SVR的滑坡位移预测模型。首先基于时间序列分解原理,反复使用指数平滑法将滑坡累积位移分解为趋势项位移和周期项位移,使分解后的趋势项位移较平滑且能保证周期项位移的预测精度。同时针对多项式预测容易过拟合造成预测值偏离真实值的问题,采用K-flod交叉验证的3次多项式对趋势项位移进行预测;通过SVR核函数性质,构造泛化能力和学习能力都较强的混合核函数作为SVR模型的核方法,以滑坡诱发因子作为SVR模型输入向量,以模拟退火算法(SA)对使用混合核函数的SVR模型进行参数寻优,从而建立混合核函数的SA-SVR模型预测周期项位移;最后合并趋势项位移和周期项位移得到总位移预测值。以三峡库区白家包滑坡为例,选取ZG325监测点2012年1月~2020年9月数据进行研究,并以ZG324监测点作为辅助验证。结果表明,相较于传统SVR预测模型,模拟退火算法(SA)在参数寻优方面表现良好,混合核函数对SVR模型更加敏感,能较大幅度提高预测精度,具有较高的应用和推广价值。

摘要： 通过引入多个参量,构造一个定义在全平面上的混合型齐次核函数,并建立具有最佳常数因子的Hilbert型不等式.通过变量代换,将齐次型核函数化为非齐次型,得到含有非齐次核函数的Hilbert型不等式.此外,通过对参数赋予特殊数值,借助正切函数的有理分式展开,建立最佳常数因子与余切函数高阶导数有关的特殊形态的Hilbert型不等式.

摘要： 针对大坝变形影响因素的复杂性以及监测数据的非线性、随机波动大和预测难度大等问题,提出一种改进自适应粒子群(particle swarm,PSO)算法的混合核函数最小二乘支持向量机(least squares support vector machine,LSSVM)模型,实现了大坝水平变形的时间序列预测方法.基于Mercer理论,将多项式核函数和高斯核函数进行线性组合,构建混合核函数,作为LSSVM模型的核函数,并以特征因子与大坝变形间的相互联系为基础,采用动态自适应惯性权重的PSO算法,对混合核函数的LSSVM模型进行参数寻优,以确保建立最佳LSSVM预测模型.将模型应用于丰满大坝,并与传统多项式核函数和传统高斯核函数的LSSVM模型进行对比仿真实验,对所提方法的有效性和准确性进行验证评估.结果表明,该模型在预测精度上有了明显提高,预测性能尤佳.可见改进自适应粒子群的混合核函数LSSVM模型对大坝变形的时间序列预测有良好的实用价值.

摘要： 针对脑核磁共振图像边界不清晰、灰度不均匀和无法准确进行图像分割的问题,提出了一种基于简单线性迭代聚类(SLIC)和马氏距离混合核函数聚类的脑肿瘤图像分割方法.首先,采用各向异性滤波去除脑肿瘤MRI图像中的噪声,并运用SLIC算法对图像进行预分割;其次,对预分割图像使用粒子群算法初始化聚类中心;最后,将传统核模糊C均值聚类(kernel fuzzy c-means clustering)算法中的欧氏距离单一高斯核函数替换为马氏距离混合高斯核函数,把数据由低维空间映射到高维空间,并在高维空间中进行聚类.实验结果表明,所提算法在脑肿瘤图像分割中具有较高的分割精度,其Dice指标和Jaccard指标的平均值分别达到了0.9553和0.9144.

摘要： 脑核磁共振图像常常受到噪声的影响,且有灰度不均、边界模糊的特点,使得传统聚类算法无法获得理想的脑部肿瘤分割结果,为此提出一种基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法.该方法首先采用改进的引导滤波算法对图像进行预处理,解决平滑图像时不能保留图像边缘的问题;然后将传统核模糊C-均值聚类算法(Kernel fuzzy C-means clustering)中的单一高斯核函数替换为混合高斯核函数,将数据由低维空间映射到高维特征空间;最后将马尔科夫随机场的先验概率引入,对算法的目标函数进行修正,进一步增强算法的抗噪性.实验结果表明,所提方法在去除噪声的同时,能够有效保留图像的边缘信息,PSNR值相比传统算法提升0.8041~2.0962 dB,SSIM值相比传统算法提升0.0312~0.0654,且算法分割精度更高,Dice指标和Jaccard指标的平均值分别达到0.9551和0.9141.

摘要： 脑核磁共振图像常常受到噪声的影响,且有灰度不均、边界模糊的特点,使得传统聚类算法无法获得理想的脑部肿瘤分割结果,为此提出一种基于边缘保持滤波和改进核模糊聚类的脑肿瘤图像分割方法.该方法首先采用改进的引导滤波算法对图像进行预处理,解决平滑图像时不能保留图像边缘的问题;然后将传统核模糊C-均值聚类算法(Kernel fuzzy C-means clustering)中的单一高斯核函数替换为混合高斯核函数,将数据由低维空间映射到高维特征空间;最后将马尔科夫随机场的先验概率引入,对算法的目标函数进行修正,进一步增强算法的抗噪性.实验结果表明,所提方法在去除噪声的同时,能够有效保留图像的边缘信息,PSNR值相比传统算法提升0.8041～2.0962 dB,SSIM值相比传统算法提升0.0312～0.0654,且算法分割精度更高,Dice指标和Jaccard指标的平均值分别达到0.9551和0.9141.

摘要： 由于山岭公路隧道施工安全风险大小与各安全风险影响因子之间存在非线性映射关系,引入混合核函数和粒子群算法,建立基于粒子群算法优化混合核极限学习机的山岭公路隧道施工安全风险评估方法.该方法依据山岭公路隧道地质与施工特征,建立隐含层节点特征映射混合核函数,采用粒子群算法对训练样本进行模型训练,同时对映射函数中混合核函数参数进行最小均方差寻优,获得山岭公路随道施工安全风险评估的混合核极限学习机模型并进行算例验证,结果表明所建模型可靠.

摘要： 传统PM2.5预测方法获取污染物浓度数据需要大型精密仪器,成本较高.本文尝试利用图像数据进行PM2.5浓度预测.大气PM2.5浓度的变化与图像的暗通道强度、对比度和HSI(Hue-saturation-intensity)颜色差异有密切联系.大气中PM2.5浓度的升高会导致非天空区域的暗通道强度值下降,图像对比度下降和HSI空间颜色差异变小.通过分析PM2.5浓度与图像特征的关系,提出了一种基于图像混合核的列生成空气质量PM2.5预测模型.首先,以1h为采样周期,每日8:00～17:00为采样范围,采集多种天气条件下的景物图像,提取图像的对比度、暗通道强度和HSI颜色差异共5个图像特征.其次,数据存在样本规模大、样本不平坦分布等特点,单个核函数构成的预测模型难以满足预测精度需求,因此本文按照核结构从简单到复杂的原则,选择线性核函数、多项式核函数和高斯核函数三种核函数建立组合模型.然后计算每个核基于训练样本的Gram矩阵,并将所有Gram矩阵并列成一个混合核矩阵.利用列生成算法和混合核矩阵建立预测模型,求解模型参数.最后,进行仿真实验,实验结果表明本文提出的可满足预测精度要求,与单核预测模型相比,该预测模型预测精度更高,模型稳定性更好.计算复杂度分析结果显示基于图像混合核的列生成模型与单核预测模型相比计算量无明显增加.

摘要： 核函数在支持向量机中起到关键作用,然而金融高频数据挖掘的经验分析表明,尽管各种核函数秉性各异,但是选择不同的核函数对结果的影响并不显著.研究发现,主要是因为共同支持向量的比例很高,存在很大程度的一致性.这种情况下,采用混合核函数是得不偿失的.另一方面,从支持向量机提出的逻辑背景——统计学习理论——来看,混合核函数也不是被鼓励的做法.退一步,模型并不是现实的复制,而只是现实的抽象和简化,所以,应该学会在既不偏离现实太远又能把握重要的本质特征之间折衷,而不是在模型的复杂程度上做徒劳的努力.

摘要： 为了提高模型的泛化能力和精度．提出了一种基于混合核函数的支持向量机(SVM)建模方法。所提出的混合核函数由径向基函数和多项式函数加权组合而成，克服了支持向量机模型中单个核函数的局限性。并利用量子粒子群算法(QPSO)对惩罚系数、核参数以及混合权重系数进行综合寻优，求取最优化参数组合，从而提高模型的精度。采用锌湿法冶炼净化过程现场数据对建模的方法进行了测试，结果表明，所提出的混合核函数支持向量机模型具有较好的泛化性能和预测精度，预测结果满足现场工艺生产的要求。

摘要： 针对边坡稳定问题,建立了基于和声搜索(HS)与支持向量机(SVM)的边坡安全系数预测模型.在边坡安全系数预测过程中,HS-SVM充分发挥了SVM收敛速度快、准确率高、全局最优、泛化能力强等优势;同时,采用HS算法对泛化能力、插值能力均较强的混合核函数参数组合进行全局寻优;利用拉丁超立方抽样(LHS)构建和声记忆库,使和声记忆库更具代表性,加快搜索速度.以预测值平均绝对误差(MAE)最小化为寻优目标,通过编写Matlab程序实现HS-SVM对边坡安全系数的精准、高效预测.实例证明,相比于其他算法,HS-SVM不仅具有更高效的计算速度,而且计算精度高,可广泛应用于实际工程中.

摘要： 针对电主轴系统特点,提出基于改进核主元分析的故障检测方法,引入混合核函数的定义,将多项式核和径向基核的混合核方法与主元分析方法(PCA)相结合,解决采用单一核函数诊断故障时的高误诊率问题.首先对数据进行预处理,然后使用混合核函数对数据矩阵进行映射,映射到高维特征空间,使非线性数据变量变为线性数据变量,并使用PCA提取变量数据的高维空间相关特征确定主元个数,最后根据混合非线性主元特征计算出的T2和Q统计量,实现在线故障检测.该方法改进传统的核函数的选取方法,充分考虑工业过程中的非线性,更精确地描述工业过程特性,可以准确、有效地检测出电主轴系统故障.对田纳西-伊斯曼(TE)过程以及电主轴系统的应用实例证明该方法的可行性.

摘要： 在Bagging和Boosting方法的基础上,提出一种改进的支持向量机集成方法以进一步提高集成的泛化性能.给出一种基于混合核函数和相关参数并行扰动的个体支持向量机生成方法,有更多的模型扰动参数可以进一步提高集成的差异度,相应的集成方法分别命名为HK BaggingSVM和HKBoostingSVM.另外,当生成一个个体支持向量机后,采用测试方法确保集成的正确率。在标准UCI和StatLog数据集合上的仿真实验结果表明,HKBaggingSVM和HKBoostingSVM两种集成学习方法可以得到更高的分类性能和推广能力.

摘要： 为利用不同边坡稳定预测方法的特征信息,改进预测质量,提出了一种基于微粒群优化--支持向量机(PSO-SVM)的边坡稳定性非线性组合预测模型.该模型能够利用边坡的特征参数快速预测出边坡的稳定性,且在建模过程中可对不同建模方法的特征信息进行整合,避免了单一方法的偶然性.为提高SVM的学习、泛化能力,采用混合核函数,并用具有并行性和分布式特点的PSO算法优化选择SVM模型参数.利用该非线性组合预测模型对73个边坡实例进行学习,对另外10个边坡实例进行推广预测,研究结果表明,该模型较好地整合了不同建模方法的特征信息,较单一模型、加权组合模型和BP网络组合模型具有更高的预测精度和更小的峰值误差,为边坡稳定性评价提供了一种新的途径.

摘要： 针对支持向量机(SVM)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的相关向量机(RVM)用于大坝安全预警模型的构建.核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用自适应粒子群算法能有效地对核参数进行寻优.将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高.

摘要： 针对支持向量机(SVM)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的相关向量机(RVM)用于大坝安全预警模型的构建.核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用自适应粒子群算法能有效地对核参数进行寻优.将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高.

摘要： 针对支持向量机(SVM)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的相关向量机(RVM)用于大坝安全预警模型的构建.核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用自适应粒子群算法能有效地对核参数进行寻优.将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高.

摘要： 针对支持向量机(SVM)存在支持向量个数较多、核函数要求严格等不足,将性能更出色的相关向量机(RVM)用于大坝安全预警模型的构建.核函数及其参数对RVM模型的性能有着重要的影响,组合局部核函数和全局核函数的混和核函数能提高模型的拟合精度和泛化能力,利用自适应粒子群算法能有效地对核参数进行寻优.将上述组合算法用于大坝安全模型的建立,实例分析表明,基于上述算法模型的性能得到了一定程度的提高.

摘要： 本发明提出了一种基于普通函数和内核函数混合调用控制流图的智能主动软件防护方法，所述方法包括函数调用序列正常模式构建和程序异常判定两阶段。在函数调用序列正常模式构建阶段中，首先基于用户给定的软件功能列表、功能与源代码中入口函数的映射关系，通过静态分析软件的源代码，得到以功能为单位、代码块粒度的控制流图；紧接着，基于代码块粒度的控制流图生成普通函数和内核函数混合调用控制流图，并将上述混合控制流图转化为自动机，作为软件函数级粒度的调用序列正常模式。

摘要： 本发明公开了一种基于混合降维与核函数极限学习机的水质软测量方法，该方法考虑到互信息衡量污水处理中两种组分之间的非线性相关性，皮尔逊系数考虑两种组分之间的线性相关性对数据进行预处理降维，以及极限学习机的学习速度极快，且模型估计精度较高等特点，并结合核函数不需要知道显式定义映射函数、隐含层神经元个数，从而节省了神经元个数优化时间，提高了估计性能，并采用多次采样求平均的方法，进一步降低算法对计算设备的要求，在保证性能的前提下，有效降低了计算复杂度。该方法可以快速有效估计氨氮离子浓度，有效避免了由于传感器性能及污水处理自身的特性对出水水质所带来的影响，从而提高了污水处理工艺的效率及出水水质。

摘要： 本发明公开了一种基于机器学习的混合核函数室内定位方法。首先，建立指纹地图库并以该指纹库为训练数据集；然后，利用加权求和的方法构造混合核函数，并采用机器学习算法中的支持向量回归算法和v折交叉验证方法训练得出混合核函数的最佳权重系数和最佳核参数；最后，在权重系数和核参数最佳的前提下，对训练数据集进行离线训练学习，从而分别得出x坐标和y坐标的拟合函数，再利用该拟合函数对目标接收到的RSSI值进行在线学习，从而得出目标的位置坐标。与传统的室内定位算法：BP神经网络算法、K近邻算法、线性核函数算法、多项式核函数算法和高斯核函数算法相比，本发明的算法定位精度更高。

摘要： 本发明提出了一种混合傅里叶核函数支持向量机文本分类方法。所述方法根据支持向量机中各种核函数不同的学习、泛化能力，进而通过线性加权混合多项式与傅里叶核函数，组成新的混合傅里叶核函数；由于核函数的学习能力以及泛化能力很大程度上影响支持向量机分类效果，因此把多项式核函数与傅里叶核函数相结合。本发明方法继承了傅里叶核函数的高学习能力与多项式核函数的泛化能力，提高了支持向量机分类器的性能；并且与单核中的多项式核函数、高斯核函数、傅里叶核函数以及混合核函数中的多项式与高斯核组合核函数比较，混合傅里叶核函数具有更好的泛化、学习能力，文本分类效果最佳。

摘要： 本发明公开了一种基于密度权重和混合核函数的SVDD雷达目标一维距离像识别方法，属于雷达目标识别领域。由于K型核函数具有泛化能力强，有利于提取训练数据的全局特性，避免了径向基核函数复杂的指数运算，同时具有多项式核函数计算量小和径向基核函数逼近精度高的优点。而径向基核函数具有很好的局部特性，因此本发明将K型核函数与径向基核函数进行组合替代传统的SVDD算法中的核函数；同时，本发明采用基于截断距离的局部密度算法在高维核特征空间中计算支持向量与训练样本数据之间的局部密度，根据密度的分布，调整超闭球的形状，有效的提高了雷达一维距离像单类目标的识别性能。

摘要： 本发明公开一种利用混合核函数支持向量机位移预测模型实现三自由度交直流混合磁轴承位移自检测的方法，以磁轴承控制电流为输入样本，径向和轴向位移为输出样本，采集样本数据，选用混合核函数，通过粒子群算法优化支持向量机性能参数，利用训练样本和性能参数训练最小二乘支持向量机，建立非线性预测模型，将预测模型串接到三自由度交直流混合磁轴承之前，与线性闭环控制器相连，加上扩展的电流滞环三相功率逆变器和开关功率放大器共同构成磁轴承位移闭环控制，实现三自由度交流混合磁轴承无位移传感器自检测。

摘要： 本发明提供一种基于混合核函数SVM分类器的SAR图像分类方法，包括如下步骤：S1、传统特征提取；S2、PCA降维：对传统特征进行PCA降维，获得新特征；S3、SVM参数优化：通过所述步骤S2中得到的PCA降维后的新特征，利用交叉验证寻优算法，将图像按照6：1划分为两部分，对于其中占比为七分之六的部分进行SVM模型的训练，以寻求最优的混合核函数参数组合；S4、分类结果获取：通过所述步骤S3中获取的最优的混合核函数参数组合对分类样本剩下的七分之一进行分类实验，获取最终分类结果。直接使用SVM方法识别的准确率仅有72％，本发明实施例使用PCA降维后的结果准确率有所提升。

摘要： 本发明提供了一种利用混合核函数的磨削面形预测方法、系统及终端设备，方法包括：设置不同的输入变量，对晶圆进行磨削，其中，所述输入变量包括姿态调节参数、加工参数和磨削过程参数中的至少一个；测量磨削后的晶圆厚度，提取晶圆的面形特征作为输出变量；基于混合核函数的方法改进支持向量回归算法；采用改进支持向量回归算法建立输入变量与输出变量之间的映射关系，得到面形预测模型。本发明基于混合核函数的方法改进支持向量回归算法，采用改进支持向量回归算法建立了晶圆磨削的面形预测模型，提高了模型的预测精度和泛化性能，提高了预测的准确性和可靠性。

摘要： 本发明属于电力系统技术领域，公开了一种基于混合核函数自适应融合的电力系统短期负荷预测方法，从局部核函数和全局核函数库中各选取核函数并分配权重变量组成混合核函数，将该权重变量与核函数自身的参数放在一起组合成新的参数状态向量，并建立非线性的参数估计模型；然后基于参数估计模型利用高阶容积卡尔曼滤波对参数状态进行估计，使得局部核函数和全局核函数能自适应的融合，并利用训练好的神经网络对电力负荷进行预测。本发明提出基于混合核函数自适应融合的电力系统短期负荷预测方法，选择最优的神经网络混合核函数融合系数，提高负荷预测精度。

摘要： 本发明公开了一种基于混合核函数凸包近似的滚动轴承异类检测方法，包括以下步骤：测量振动对象的振动加速度信号，提取振动信号的多尺度模糊分布熵；将得到的熵值选择前五个值后得到新的特征向量；随机选择一部分正常样本作为训练样本，训练基于混合核函数凸包近似的单分类分类器；将测试样本输入训练好的分类器中，根据分类结果识别滚动轴承故障与否。本发明提出的混合核函数凸包近似的滚动轴承异类检测方法，在模式识别的过程中具有较高的识别度。