在LDA建模的基础上,使用各种分类器对文本分类,即利用LDA的建模结果提高分类效率和精度。
2024-03-25 09:50:13 1.36MB
1
首先基于特征融合思想,采用氨基酸组成、熵密度和自相关系数结合的方式构建 190 维特征向量进行特.征表达,与仅考虑氨基酸组成信息的传统方法相比,能更好地表达蛋白质结构信息。然后利用 LDA(Linear .Discriminant Analysis)方法进行降维,降低计算复杂性,加强同类样本间的相关性。接下来选用支持向量机作为.分类器进行定位预测,最后采用留一法在 Gram-negative 和 Gram-positive 数据集上进行交叉检验。实验结果表明,.多特征结合的方法优于传统的氨基酸组成方法和简单的自相关系数方法,证明了新方法的有效性。
2024-03-23 08:48:32 414KB
1
SVM算法最初是为二值分类问题设计的,当处理多类问题时,就需要构造合适的多类分类器。   目前,构造SVM多类分类器的方法主要有两类   (1)直接法,直接在目标函数上进行修改,将多个分类面的参数求解合并到一个最优化问题中,通过求解该最优化问题“一次性”实现多类分类。这种方法看似简单,但其计算复杂度比较高,实现起来比较困难,只适合用于小型问题中;   (2)间接法,主要是通过组合多个二分类器来实现多分类器的构造,常见的方法有one-against-one和one-against-all两种。
2024-03-06 22:44:41 2KB 支持向量机 svm多分类
1
本项目基于朴素贝叶斯和SVM 分类模型,通过对垃圾邮件和正常邮件的数据训练,进行相关词汇词频的统计分析,实现垃圾邮件的识别功能。本项目包括3个模块:数据模块、模型构建、附加功能。需要Python 3.6 及以上配置,在Windows 环境下载Anaconda 完成Python 所需的配置,也可以下载虚拟机在Linux 环境下运行代码。从github 网站下载与python PIL 库配搭使用的文字引擎pytesseract,将PIL 文件夹里的.py 文件,改为相应pytesseract.exe 路径。注册百度云账号,分别建立图像文字识别和图像识别的小程序。
1
为了提高瓦斯涌出量预测的精度和预测模型的泛化能力,提出了一种基于蚁群算法(ACO)优化支持向量机(SVM)参数的瓦斯涌出量预测方法。在SVM所建立预测模型中各个参数的取值区间内,采用蚁群优化算法计算预测模型各个参数的最佳值,基于最佳参数的SVM建立瓦斯涌出量预测模型。结果表明:采用未优化的SVM建立的预测方法,其个别预测误差相对较大,最大误差为8.11%,平均误差为4.68%,采用ACO对于预测模型的参数进行优化后,预测性能有显著提高,最大误差为4.37%,平均误差为2.89%,表明所建议的方法是有效、可行的。
1
为了准确预测瓦斯涌出量,提出了一种基于模糊聚类和支持向量机(SVM)的瓦斯涌出量预测方法。将瓦斯涌出量相关影响因素作为特征空间中的样本,采用模糊C均值聚类对特征空间中的样本进行聚类分析,对于所得到的不同类别样本分别建立SVM预测模型。结果表明:采用单纯的SVM预测方法,对于不同特征的样本的预测个别预测误差相对较大,其最大误差为8.11%,平均误差为4.68%,采用文中所建议的用FCM对样本分类后再进行SVM预测,预测精度有明显改善,最大误差和6.94%,平均误差为3.35%,表明所建议的方法是有效和可行的。
2024-03-04 09:40:13 212KB 瓦斯涌出量 模糊C均值聚类
1
针对当前瓦斯实时监测工作存在的被动局面,结合当前的无线传输技术,提出一种基于CAN+ZigBee的瓦斯实时监测系统。系统中,以ZigBee+CC2530作为采集节点,完成巷道内空气湿度、风速、瓦斯浓度等的采集,并通过ZigBee路由节点将数据传输给后台监控主机。最后通过多源信息融合技术和GA-SVM完成对瓦斯浓度的预测。以某煤矿巷道作为研究对象,对其瓦斯浓度的实际值与测量值进行对比,得到其两者变化趋势大致吻合,验证了方案的可行性。
1
PSO SVM粒子算法优化的支持向量机,pso粒子群优化算法,matlab源码
2024-02-27 16:12:12 2KB
1
鉴于传统单一预测对非平稳信号处理不佳且滤波不足、预测精度不够等缺点,提出基于SVM-Wavelet组合算法对通风机进行故障预测,运用小波进行信号滤波和特征提取,结合SVM训练样本建立模型,最终在与Matlab无缝连接的Lab VIEW上位机软件中实现模型预测。
2024-02-27 12:08:27 1.01MB 故障预测 SVM-Wavelet LabVIEW
1
SVM-Light详细使用说明,资料,SVM使用必备
2024-02-24 15:53:43 206KB SVM-Light
1