针对传统支持向量机(SVM)算法在数据不均衡情况下无法有效实现故障检测的不足,提出一种基于过抽样和代价敏感支持向量机相结合的故障检测新算法。该算法首先利用边界人工少数类过抽样技术(BSMOTE)实现训练样本的均衡。为减少人工增加样本带来的噪声影响,利用K近邻构造一个代价敏感的支持向量机(CSSVM)算法,利用每个样本的代价函数消除噪声样本对SVM算法分类精度的影响。将该算法应用在轴承故障检测中,并同传统的SVM算法,不同类代价敏感SVM-C算法,SVM和SMOTE相结合的算法进行比较,试验结果表明当样本不均衡时,建议算法的故障检测性能较其它算法有显著提高。

准确的风电功率预测对于电力系统安全稳定运行具有重要意义，滞后性是产生风电功率预测误差的主要原因，尤其是风速变化较快时，滞后性引起的预测误差较大。考虑到风速波动与风电功率的变化息息相关，提出一种基于风速局部爬坡(LR)误差校正的方法来改善预测风速的滞后性，并将校正后的预测风速及历史功率数据作为输入进行风电功率预测。提出利用灰狼优化(GWO)算法对最小二乘支持向量机(LSSVM)的参数进行优化，以提高风电功率预测的准确性。算例结果表明，所提方法能够有效提高风电功率预测精度。

机器学习——支持向量机程序

本文设计了一种基于支持向量机（SVM）的运动目标识别算法，以对运动目标进行准确的识别和分类。 鉴于支持向量机在小样本，非线性和高维模式识别方面的优势，构造了一种基于支持向量机的分类器。 利用形状特征构成的特征向量分类样本对支持向量机进行训练和分类，结合支持向量机和二叉决策树形成多分类器。 对象特征向量用作SVM的输入，我们将使用分类器对检测到的运动对象进行分类。 实验结果表明，该算法能够准确识别和分类视频图像中的不同对象。

本文基于支持向量机（SVM）和改进的粒子群优化（IPSO）算法（SVM-IPSO）创建了双向预测模型，以预测碳纤维的性能和生产参数。 在SVM中，选择对预测性能有重要影响的参数至关重要。 提出了IPSO对它们进行优化的方法，然后将SVM-IPSO模型应用于碳纤维产量的双向预测。 SVM的预测精度主要取决于其参数，因此利用IPSO来寻找SVM的最佳参数，以提高其预测能力。 受小区通信机制的启发，我们通过将全球最佳解决方案的信息纳入搜索策略来提出IPSO，以提高开发效率，并采用IPSO建立双向预测模型：在前向预测的方向上，我们认为富有成效参数作为输入，属性索引作为输出； 在向后预测的方向上，我们将性能指标视为输入，将生产参数视为输出，在这种情况下，该模型成为新型碳纤维的方案设计。 来自一组实验数据的结果表明，该模型的性能优于径向基函数神经网络（RNN），基本粒子群优化（PSO）方法以及遗传算法和改进的粒子群优化（GA- IPSO）方法在大多数实验中都是如此。 换句话说，仿真结果证明了SVM-IPSO模型在处理预测问题方面的有效性和优势。

采用MATLAB实现支持向量机（SVM）解决二分类问题，分别采用二次规划凸优化求解、半不无穷规划（线性核与非线性核）求解。 带IRIS数据、实验报告与SVM二分类原理数学推导文档，可直接运行，不使用MATLAB的SVM工具箱，比较基础。

多输入多输出非线性系统的最小二乘支持向量机广义逆控制

研究了基于运动想象的皮层脑电信号ECoG的特点,针对BCI2005竞赛数据集I中的ECoG信号,通过提取频带能量获得了想象左手小指及舌头运动时的特征,结合Fisher,SVM-RFE及L0算法对特征进行选择,采用10段交叉验证的方法得到训练数据集在各维特征数下的识别正确率并选出最佳特征组合.结果表明:三种特征选择方法中SVM-RFE算法所选出的特征组合可以获得最低的识别错误率以及最低的特征维数,针对所选出的特征组合,使用训练数据集的特征对线性支持向量机进行训练,使用训练好的模型对测试数据集进行分类,识别正确率可以达到94%.

自适应中心化支持向量机及其在微阵列分类中的应用

为了从高分辨率遥感影像中高精度的提取各种工业固体废物，提出了基于支持向量机（ＳＶＭ）的工业固体废物特征快速提取算法，首先对遥感影像进行各向异性扩散滤波，然后针对高分辨率遥感影像信息量丰富和工业固体废物堆复杂度高的特点，提出基于1-v-1的SVM的多种工业固体废物的多分类策略，在提高精度的同时，兼顾了工业固体废物特征识别的效率。研究结果表明：ＳＶＭ对工业固体废物判别能力比常规方法有更强的优势，从遥感影像中不仅能准确地辨别出工业固体废物堆的线形特征，还能识别出其材质和类型；该算法能同时识别出多种工业固体废物，执行效率更高。