导读:本文包含了支持向量机多分类论文开题报告文献综述及选题提纲参考文献，主要关键词:酗酒,脑电信号,支持向量机,功率谱
支持向量机多分类论文文献综述
丁尚文,王纯贤[1]（2019）在《基于支持向量机的酗酒脑电信号分类研究》一文中研究指出酗酒会对脑认知功能产生严重损伤。为了检测长期饮酒人员是否有酗酒倾向问题,提出一种基于支持向量机的酗酒脑电信号特征分类识别方法。借助叁类评估参数,实现了对健康者和酗酒者脑电信号定量分析。研究结果发现,能量评估参数是一种新的最佳评估分类因子,采用θ能量评估参数利用支持向量机能够对两类不同特征的脑电信号进行分类识别,识别精度最高达到90%。该方法能够为长期饮酒人员是否有酗酒倾向提供一种新的辅助检测方法,有助于提醒长期饮酒群体对健康给予关注。(本文来源于《自动化仪表》期刊2019年11期）
魏鑫,张雪英,李凤莲,胡风云,贾文辉[2]（2019）在《面向非平衡数据集分类的改进模糊支持向量机》一文中研究指出为提高模糊支持向量机在非平衡数据下的性能,提出基于信息熵的改进模糊支持向量机。综合考虑输入样本的不确定性和输入样本到类中心的距离,构造基于信息熵和基于类中心的模糊隶属度函数,将二者融合成一种新的模糊隶属度函数;为更有效地对非平衡数据集进行分类,将非平衡调节因子加入到模糊支持向量机模型中。实验数据集来自两部分,分别为非平衡公共数据集和脑卒中TCD数据集,基于公共数据集的实验结果表明,该方法能够有效提升分类性能,其中Se最高提升了71.43%,基于脑卒中TCD数据集实验结果表明,对正常人与斑块患者构成的非平衡数据集来说,在非平衡率为12.8时,较已有FSVM-CIL方法,本文方法可使其Gm提升4.94%。(本文来源于《计算机工程与设计》期刊2019年11期）
冯起斌,李鸿燕[3]（2019）在《基于多分类支持向量机和主体延伸法的基音检测算法》一文中研究指出低信噪比环境下的基音检测颇具难度却极有现实意义,传统基音检测在此背景下效果不佳。因此,提出一种基于多分类支持向量机的基音检测算法。该算法使用语音信号的静态帧级特征对多分类支持向量机进行监督训练,计算出各帧语音可能的几个基音大小,作为对应的基音候选值,并使用主体延伸法对得到的候选基音状态进行处理,结合帧与帧之间的时序信息,在候选基音中选取合适值连接起来得到被测语音的基音状态估计曲线。将该算法与相关方法进行比较,实验结果表明,该方法有效提升了低信噪比环境下的基音检测率,在不同强度的噪声干扰下仍能保持良好的鲁棒性。(本文来源于《现代电子技术》期刊2019年22期）
宋彦,武峥,罗川,景英川[4]（2019）在《基于加权支持向量机的多分类概率估计》一文中研究指出多分类问题与概率估计在各大领域尤其是生物学和医学方面具有许多重要的应用。支持向量机作为在许多分类问题中都能取得高准确率的算法,却不能对类别进行概率估计。文章提出一种基于加权支持向量机的多分类概率估计算法,该算法将支持向量机作为基础模型,以分类准确率衡量算法的表现,利用不平衡数据对分类结果的影响,对分类样本的损失函数进行加权处理,根据权重求得类别的概率估计值。通过数值模拟和实证研究,验证了本文所提出的多分类概率估计方法在多分类问题中的分类预测效果显着优于其他通过概率估计进行分类的方法。(本文来源于《统计与决策》期刊2019年21期）
王磊,孙晋海,李拓键[5]（2019）在《基于支持向量机和随机森林的健身人群分类器优化研究》一文中研究指出健康是个人全面发展、追求美好生活、实现个人梦想的基石,也是生产力发展、社会文明进步的标志。健身行为是人们出于对健康的追求、在各种内外部刺激影响下产生的活动。健身人群具有不同的心理特征和行为特征,健身指导应针对不同特点进行分类,以提高指导效率。高效地提取健身人群分类特征、优化健身人群分类器,对预测特征人群健身行为模式和优化激励干预方案具有重要意义。本研究对健身行为的影响因素进行系统的文献梳理后,从健康行为自我认知、锻炼内驱力、锻炼条件、锻炼效果感知、锻炼坚持质量五个方面设计了分量表,最终筛选出与健身行为紧密相关的80个指标,形成健身行为调查问卷。在此基础上,本研究提出了一种基于两步聚类和支持向量机的健身人群分类方法。本次调研对2376名在校大学生进行了问卷发放,回收有效问卷2250份,有效率94.6%,年龄平均年龄为19.891.39岁。其中,健康行为自我认知分量表本次调研中α=0.85,锻炼内驱力分量表α=0.91,锻炼条件分量表α=0.87,锻炼效果感知分量表α=0.90、锻炼坚持质量分量表α=0.83。为保证分类模型的外推性和计算效率,本研究对上述调研获得的健身行为数据的特点进行深度剖析以求针对数据特点选择恰当的分类算法。本研究涉及的健身行为数据特点:(1)属性多。个体健身行为的实施与坚持是一个复杂的系统,该系统面对系统内部及外部两部分因素的影响,作用机制不明确,在数据上表现为属性数量多且层次复杂。(2)类别多。健身行为个体基于突出特征的组合复杂且形式多样,分型必然趋向于多元化。(3)分类不平衡。由于本研究是对自然存在的全体健身行为总体进行的抽样调研,在抽样合理、聚类提取的特征组合合理的情况下,不同类别分组个案数势必不均衡。为优化健身人群分类器训练样本集分类标签的准确性、提高分类效率,本研究本着尊重健身行为特征自然聚类客观性的原则,选择首先通过无监督机器学习的两步聚类算法对训练样本集进行聚类分析。两步聚类算法适用于大型数据集的聚类,它通过两步实现数据聚类,能够同时处理数值型变量和分类型变量,能够高效诊断样本中的离群点和噪声数据,能够满足本研究的数据特点和聚类需求。聚类后,得到数据集分类标签与最终聚类中心值,根据聚类中心值提取行为特征,命名人群。数据集通过两步聚类获得类别标记,生成分类器机器学习训练集。其次,分类器学习算法本研究选择同时使用泛化能力较强的随机森林算法和不平衡分类表现优异的支持向量机算法对数据进行学习和测试,以便选择更为优化的分类算法以推广使用。使用同一数据集,生成随机森林分类器和支持向量机分类器,选用OOB方法比较两种分类器的正确率。研究结果显示:(1)两步聚类将健身人群划分为八类,聚类结果良好偏差。对比最终聚类中心点各指标特征后,提取具有代表性的指标特征,对健身人群进行命名,分别为A运动伙伴型,B偶像仰慕型,C成就激励型,D亲情社交型,E时尚炫耀型,F实用养生型,G解压享受型,H技能知识型。(2)支持向量机的分类效果好于随机森林分类器。随机森林分类器对于训练集,正确率为84.63%,错误率为15.37%,正确率较高,模型拟合效果好;测试集正确率为74.29%,错误率为25.71%,模型效果较好,有良好的外推效果。而支持向量机分类器对于训练集,正确率为99.94%,错误率为0.06%,正确率较高,模型拟合效果好;测试集正确率为92.37%,错误率为7.63%,模型效果较好,有良好的外推效果。两个比较来看,支持向量机的分类效果无论是在训练集上还是测试集上均远好于随机森林模型,值得进一步推广。基于上述工作本研究得出以下结论:(1)健身行为数据属性多且层次复杂,基于这种多属性数据的不平衡多分类问题,可以使用基于两步聚类和支持向量机的健身人群分类方法,基于支持向量机的健身人群分类器效果远好于随机森林分类器,模型效果良好,具有良好的外推效果,能够极大提高健身人群的分类效率。(2)预测变量重要性集中于健康行为自我认知和锻炼内驱力,二者相关因素应成为未来健身行为预测的研究重点。根据计算结果预测变量重要性排名前五位的分别是:A3"我从不熬夜(凌晨12点之后算熬夜)";A38"即使在外旅游、出差或休假期间,我仍会坚持锻炼";A26"因为我想锻炼肌肉,以便更好看";A9"跟一年前相比,我认为自己现在的健康状况更好";A54"我不容易找到合适的锻炼场所"。预测变量前五位分别属于:健康行为自我认知(A3、A9)、锻炼内驱力(A38、A26)、锻炼条件(A54)叁个分量表,其中健康行为自我认知和锻炼内驱力两个部分占比较大,在在一定程度上说明了这两部分指标应是未来健身行为预测研究关注的重点。(本文来源于《第十一届全国体育科学大会论文摘要汇编》期刊2019-11-01）
孙志鹏,崔青,张志磊,王涛,张天伟[6]（2019）在《多分类支持向量机在电力变压器故障诊断中的应用》一文中研究指出支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好地解决了小样本、高维数、非线性等学习问题。支持向量机分类性能的好坏很大程度依赖于核函数与核参数的选取。目前常用的参数寻优方法有网格搜索法、遗传算法和粒子群优化算法。本文提出了一种基于支持向量机多分类的电力变压器故障诊断模型,以变压器油中5种特征气体作为输入,5种故障状态作为相应的输出,选用高斯径向基核函数,使用网格搜索法获取最优参数C、g。经实验表明,该模型准确率为83.3%,具有较好的实用性。(本文来源于《电气技术》期刊2019年10期）
李亦滔[7]（2019）在《基于支持向量机的改进分类算法》一文中研究指出为了进一步提高支持向量机分类的准确性和泛化能力,提出一种基于支持向量机的改进二叉树分类算法.首先介绍支持向量机的基本原理,总结了常见的多分类器分类算法及其特点,结合现有分类算法的优点,为分类器引入了不同的权值,提出二叉树改进分类算法,有效避免了常用分类算法不足.通过仿真实验,与典型的多类分类算法对比,验证该算法的有效性,为多类分类预测研究提供了一条有效的途径.(本文来源于《计算机系统应用》期刊2019年10期）
韦修喜,黄华娟,周永权[8]（2019）在《基于AP聚类的约简孪生支持向量机快速分类算法》一文中研究指出孪生支持向量机TWSVMs分类过程的计算量和样本的数量成正比,当样本个数较多时,其分类过程将会比较耗时。为了提高样本集的稀疏性,从而提高TWSVMs的分类速度,提出了一种基于AP聚类的约简孪生支持向量机快速分类算法FCTSVMs-AP。首先对原始数据集进行AP聚类操作。聚类的中心为约简后新的样本集,按照分类误差最小的原则构建优化模型,用二次规划方法求解新的决策函数的系数,并证明了当样本集压缩时,收紧新的快速决策函数和原始决策函数之间的误差等价于在样本空间对原始数据集进行AP聚类操作。在人工数据集和UCI数据集上的实验表明,保持分类精度的损失在统计意义上不明显的前提下,FCTSVMs-AP可以通过有效压缩样本数量的方式提高分类速度。(本文来源于《计算机工程与科学》期刊2019年10期）
何焱[9]（2019）在《文本分类中支持向量机研究》一文中研究指出随着我国现代科技的快速发展,文本分类逐渐在信息化技术与数字化技术领域得到重视。利用计算处理系统处理文本信息,能够有效提升文本分类的质量与效率,提升数据信息的利用率,从而促进信息化技术的普及。而支持向量机是处理文本内容,加强文本分类速度,并通过文档建模、中文分词、分类器评估等形式,构建出的行之有效的统计语言模型,它可以推动文本分类工作的发展。本文结合国内外研究现状,探析文本分类内涵及支持向量机原理,提出基于支持向量机的文本分类算法。(本文来源于《河南科技》期刊2019年29期）
左喻灏,贾连印,游进国,张丹威[10]（2019）在《基于Relief-F特征加权的模糊支持向量机的分类算法》一文中研究指出传统基于样本与类中心的欧氏距离构造模糊支持向量机隶属度函数的方法将所有特征同等对待,并未考虑不同特征对样本与类中心距离的影响。针对这一问题,提出基于Relief-F特征加权的模糊支持向量机分类算法。首先通过Relief-F算法计算各特征权重并剔除权重较小的特征;然后应用特征权重计算样本到所属类中心的加权欧氏距离;最后,基于加权欧氏距离构造隶属度函数。该方法在考虑到特征重要性对分类效果影响的同时,通过权重阈值剔除权重较小的特征,从而将数据降维,提高了分类准确度和训练效率。实验结果表明:与支持向量机和传统基于距离构造隶属度的模糊支持向量机相比,基于Relief-F特征加权的模糊支持向量机具有更高的训练效率和分类准确率。(本文来源于《化工自动化及仪表》期刊2019年10期）
支持向量机多分类论文开题报告
（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：
为提高模糊支持向量机在非平衡数据下的性能,提出基于信息熵的改进模糊支持向量机。综合考虑输入样本的不确定性和输入样本到类中心的距离,构造基于信息熵和基于类中心的模糊隶属度函数,将二者融合成一种新的模糊隶属度函数;为更有效地对非平衡数据集进行分类,将非平衡调节因子加入到模糊支持向量机模型中。实验数据集来自两部分,分别为非平衡公共数据集和脑卒中TCD数据集,基于公共数据集的实验结果表明,该方法能够有效提升分类性能,其中Se最高提升了71.43%,基于脑卒中TCD数据集实验结果表明,对正常人与斑块患者构成的非平衡数据集来说,在非平衡率为12.8时,较已有FSVM-CIL方法,本文方法可使其Gm提升4.94%。
（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。
支持向量机多分类论文参考文献
[1].丁尚文,王纯贤.基于支持向量机的酗酒脑电信号分类研究[J].自动化仪表.2019
[2].魏鑫,张雪英,李凤莲,胡风云,贾文辉.面向非平衡数据集分类的改进模糊支持向量机[J].计算机工程与设计.2019
[3].冯起斌,李鸿燕.基于多分类支持向量机和主体延伸法的基音检测算法[J].现代电子技术.2019
[4].宋彦,武峥,罗川,景英川.基于加权支持向量机的多分类概率估计[J].统计与决策.2019
[5].王磊,孙晋海,李拓键.基于支持向量机和随机森林的健身人群分类器优化研究[C].第十一届全国体育科学大会论文摘要汇编.2019
[6].孙志鹏,崔青,张志磊,王涛,张天伟.多分类支持向量机在电力变压器故障诊断中的应用[J].电气技术.2019
[7].李亦滔.基于支持向量机的改进分类算法[J].计算机系统应用.2019
[8].韦修喜,黄华娟,周永权.基于AP聚类的约简孪生支持向量机快速分类算法[J].计算机工程与科学.2019
[9].何焱.文本分类中支持向量机研究[J].河南科技.2019
[10].左喻灏,贾连印,游进国,张丹威.基于Relief-F特征加权的模糊支持向量机的分类算法[J].化工自动化及仪表.2019