基于改进蝙蝠算法的工业控制系统入侵检测

针对蝙蝠算法（BA）易陷入局部极小的缺点,提出了两点改进：（1）在蝙蝠位置更新时考虑了当前局部最优解分布对算法的影响;（2）将差分进化算法（DE）中的变异操作迁移到蝙蝠算法中,采用随机性变异的方式增加了种群多样性,提升了算法局部搜索能力,并通过典型测试函数验证了本文算法的优越性。将该算法用于工业控制系统（ICS）入侵检测中支持向量机（SVM）分类器的参数优化,使用工控入侵检测标准数据集进行仿真研究。结果表明,与DE、粒子群算法（PSO）和遗传算法（GA）等优化算法相比,其优化的SVM入侵检测模型在检测率、漏报率和误报率等指标上都有显著提升。     

基于离散粒子群和支持向量机的故障诊断方法

针对与故障不相关的变量会影响分类器性能，从而导致故障诊断正确率下降，提出一种将离散粒子群算法（PSO）与支持向量机（SVM）相结合寻找故障特征变量的优化算法。该算法实现了数据降维和故障特征保留，有效地提高了故障诊断性能。基于连续搅拌釜式反应器（CSTR）的仿真实例验证了该算法古白有诗性．     

一种改进的SOM神经网络在污水处理故障诊断中的应用

自组织映射（SOM）神经网络初始权值的选取对神经网络的性能有重要的影响。采用改进的帝国竞争算法（ⅡCA）优化局部权重失真指数（LWDI）寻优SOM神经网络的初始权值;利用改进后的SOM神经网络（ⅡCA-SOM）对污水处理过程数据进行聚类和故障诊断。实验结果表明,与传统的SOM算法相比,ⅡCA-SOM算法取得了更好的聚类效果,且故障诊断的误诊率更低。     

小波核极限学习机及其在醋酸精馏软测量建模中的应用

传统的机器学习算法一般通过迭代进行参数寻优,导致学习速度慢,且容易陷入局部最小值。针对这个问题,提出了一种基于小波核函数的极限学习机（KEML）的软测量建模方法,将支持向量机（SVM）中核函数的思想运用到极限学习机（EML）中,避免了SVM训练速度慢以及ELM算法不稳定的缺点。将KEML算法运用于醋酸精馏的软测量建模问题中,仿真实验结果验证了该算法的学习速度是SVM的92倍,且算法的精度以及模型的泛化能力都有所提高。     

基于支持向量机的PSA制氧机气控阀故障诊断

目的 提出一种故障诊断方法,以有效诊断变压吸附（Pressure Swing Adsorption,PSA）制氧机气控阀故障类别,防止因气控阀故障造成PSA制氧机无法工作。方法 运用时域和频域分析方法分析气控阀动力信号,选取表征典型故障的特征值,并运用选出的特征值对支持向量机（Support Vector Machine,SVM）训练,获得准确的SVM模型。使用该SVM模型对待测气控阀压力信号进行故障标签分类。结果 选取10个维修返厂气控阀进行无标签验证,每个气控阀采集200组数据,放入该SVM模型中进行故障诊断。实验结果与SVM模型预测结果完全相同,实验验证准确率为100%。结论 提出一种基于时域、频域特征与SVM模型相结合的制氧机气控阀故障诊断方法,通过此方法可高效地诊断气控阀的故障类别,实现准确更换或修复气控阀内元件,为后续气控阀故障诊断提供思路和方法。     

二进制量子粒子群优化算法及其在化工过程故障诊断中的应用

针对实际化工生产过程中故障数据缺乏,采用适合小样本问题的支持向量机(SVM)对化工过程稳态故障进行诊断。为了保证在线故障诊断的实时性,消除高维监控数据以及系统噪声对故障诊断的干扰,提出了一种新的基于二进制量子粒子群优化(BQPSO)算法和SVM的故障特征选择方法。仿真实验表明:BQPSO算法具有良好的全局搜索能力,能够快速、准确地搜索到故障特征变量;而基于特征选择的SVM故障诊断方法能可靠地实现对复杂化工过程的在线故障诊断。     

MSCT孤立肺小结节的神经网络模型的应用研究分析

目的研究神经网络模型（SVM）在MSCT孤立肺小结节（SPN）良恶性判断中的应用。方法收集2000例经病理证实的SPN临床表现及影像学特征,采用SPSS13.0统计学软件将各观察指标进行多因素回归分析,与SPN病理相关指标作为SVM分析参数,对1500例进行训练,另对500例进行预测,对照病理结果分析。结果与病理对照,500例SVM中良性正确预测238（98.5%）例,错误预测4（1.5%）例;恶性正确预测250（97%）例,错误预测8（3%）例。结论 SVM能有效地对SPN良恶性进行较精确的预测,对医生正确诊断有很好的帮助。     

基于改进量子遗传算法的小波神经网络优化及其软测量应用

针对简单量子遗传算法在优化高维问题寻优速度慢、收敛率低的缺陷,提出一种改进的量子遗传算法,通过搜索各种群中最优染色体组成当前最优个体,并依此个体来确定量子门的全局最优搜索方向.将改进算法用于优化小波神经网络,藉此建立了4-CBA浓度的软测量模型.仿真结果表明:与简单量子遗传算法相比,改进算法对复杂优化问题具有全局快速寻优性能.     

基于高斯过程和改进教与学优化算法的甲醇合成转化率软测量

针对高斯过程软测量建模过程中,常用的共轭梯度法难以完成高维协方差矩阵的超参数确定等问题,引入了教与学优化算法(TLBO)对高斯过程的训练过程进行了优化,提高了模型训练速度。并对基本的教与学优化算法做出了相应的改进:一是改进了算法的"学生阶段";二是增加了"课外阅读阶段",提高了算法的性能。将这一建模方法应用于甲醇合成转化率测量中,结果表明,该方法具有较好的估计精度。     

基于混合编码遗传算法的最优跟踪门

跟踪算法优化可以提高跟踪质量,选择恰当的跟踪门是优化跟踪算法的关键措施之一。本文提出了一种基于混合编码的遗传算法,用于杂波环境下目标跟踪过程中跟踪门参数的离线优化。该算法将二进制编码与浮点数编码结合,对跟踪门的形状和大小进行混合编码,选择跟踪精度性能指标构造遗传算法的适应度函数,以此将跟踪算法的优化问题转化为遗传算法寻优,在不同杂波环境下优化跟踪门参数设置。     

基于支持向量机的模糊小波神经网络

针对高维输入小波网络的初始参数和网络结构非常复杂且计算量大的问题,提出用支持向量机(SVM)确定小波网络的初始参数和网络结构的方法。首先,使用有监督模糊聚类算法从聚类中抽取模糊规则,然后对每一个规则的后件使用支持向量机方法确定小波网络的结构和初始参数,最后采用梯度下降方法调节模糊小波网络中的参数,使得模糊小波网络输出与期望输出之间的误差较小。仿真结果表明:该算法与传统的模糊神经网络(FNN)相比显著提高了分类精度。     

基于混合核函数的PSO-SVM分类算法

在数据挖掘中,支持向量机是被广泛应用的一种分类算法,其核函数的选择及参数的设定没有有效的标准。本文采用混合核函数构造兼顾学习能力和泛化性能的支持向量机算法,并利用粒子群算法来确定支持向量机的参数。应用基于混合核函数的PSO SVM算法对一个经典的分类测试数据集进行分类,将该算法与单一核函数支持向量机算法的分类结果进行比较,结果表明所提出的算法的分类性能有明显提升。     

Feature Selection and Parameters Optimization of Support Vector Machines Based on Hybrid Glowworm Swarm Optimization for Classification of Diabetic Retinopathy

Diabetic Retinopathy (DR) has been a leading cause of blindness in case of human beings falling between the ages of 20 and 74 years. This will have a major influence on both the patient and the society as it can normally influence the humans in their gainful years. An early DR detection is quite challenging as it may not be detected by humans. There are several techniques and algorithms that have been established for detecting the DR. These techniques have been facing problems to achieve effective sensitivity, accuracy, and specificity. In order to overcome all these problems, the work has proposed one more such effective algorithm for image processing in order to increase the efficiency and also identify easily the DR diseases. A major challenge in the task is the automatic detection of the microaneurysms. In this work, the Support Vector Machine (SVM) parameters optimized with Glowworm Swarm Optimization (GSO) and Genetic Algorithm (GA) is used to classify the DR. Because the SVM parameter C and γ to control the performance of the classifier. For this work, the SVMs get fused with the hybrid GSO-GA along with the feature chromosomes that are generated that will thereby direct the GA search to a straight line of the error of optimal generalization in their super parameter space. This GSO algorithm will not have memory and the glow worms will not retain any information in memory. The results of the experiment prove that this method had achieved a better performance.     

一种几何图形目标的检测之遗传算法

提出一种遗传算法用来检测图像中的几何图形。将待检测几何图形的参数,采用浮点数编码。参照经典的HOUGH变换,构造个体的适应度函数。采用最优保存策略,将群体中适应度最高几位的个体,直接复制到下一代群体中,其余的个体,使用多点交叉运算和均匀变异运算,形成新的个体,遗传到下一代群体中。当满足算法结束条件时,将群体中适应度最高的个体经解码后,作为检测出来的几何图形的参数。本文提出的遗传算法,能够消除噪声干扰,收敛性好,计算结果精确。与经典的HOUGH变换相比,本算法时间和存储空间开销小,易于计算机编程的实现。     

一种几何图形目标的检测之遗传算法

提出一种遗传算法用来检测图像中的几何图形，将待检测几何图形的参数，采用浮点数编码。参照经典的HOCGH变换，构造个体的适应度函数，采用最优保存策略，将群体中适应度最高几位的个体，直接复制到下一代群体中，其余的个体，使用多点交叉运算和均匀变异运算，形成新的个体，遗传到下一代群体中，当满足算法结束条件时，将群体中适应度最高的个体经解码后，作为检测出来的几何图形的参数。本文提出的遗传算法，能够消除噪声干扰，收敛性好，计算结果精确，与经典的HOUGH变换相比，本算法时间和存储空间开销小，易于计算机编程的实现。     

基于同轴相衬成像方法与支持向量机算法的早期骨性关节炎的鉴别诊断

目的 利用同轴相衬成像(in-line phase contrast imaging,IL-PCI)技术与支持向量机(support vector machine,SVM)算法对正常与早期骨性关节炎(osteoarthritis,OA)软骨组织建立分类模型.方法 研究样本分别来自接受人工膝关节置换手术及创伤性关节损伤患...     

An Expert Support System for Breast Cancer Diagnosis using Color Wavelet Features

Breast cancer diagnosis can be done through the pathologic assessments of breast tissue samples such as core needle biopsy technique. The result of analysis on this sample by pathologist is crucial for breast cancer patient. In this paper, nucleus of tissue samples are investigated after decomposition by means of the Log-Gabor wavelet on HSV color domain and an algorithm is developed to compute the color wavelet features. These features are used for breast cancer diagnosis using Support Vector Machine (SVM) classifier algorithm. The ability of properly trained SVM is to correctly classify patterns and make them particularly suitable for use in an expert system that aids in the diagnosis of cancer tissue samples. The results are compared with other multivariate classifiers such as Na?ves Bayes classifier and Artificial Neural Network. The overall accuracy of the proposed method using SVM classifier will be further useful for automation in cancer diagnosis.     

基于脑电信号的ILDB情感特征提取算法

近年来,随着信号处理和机器学习技术的快速发展,基于脑电信号的情感识别越来越受到重视。特征提取是情感识别过程中的关键一步。本文提出了改进的局域判别基(Improved Local Discriminant Bases,ILDB)算法,提取信号局域判别基各子空间的能量和系数均值特征构成特征向量,利用SVM分类器进行分类,通过对特征向量类可分性及分类正确率的评估,表明ILDB算法提取的特征具有可分性且分类正确率较高。ILDB算法的通道最高平均分类正确率达到88%,通道最高平均分类正确率比LDB算法提高4.4%和7.2%,所有通道平均分类正确率比LDB算法提高10.1%和9.8%。