在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合...在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。展开更多
支持向量机的一对一多分类算法具有良好的性能,但该算法在分类时存在不可分区域,影响了该方法的应用。因此,提出一种一对一与基于紧密度判决相结合的多分类方法,使用一对一算法分类,采用基于紧密度决策解决不可分区,依据样本到类中心之...支持向量机的一对一多分类算法具有良好的性能,但该算法在分类时存在不可分区域,影响了该方法的应用。因此,提出一种一对一与基于紧密度判决相结合的多分类方法,使用一对一算法分类,采用基于紧密度决策解决不可分区,依据样本到类中心之间的距离和基于kNN(k nearest neighbor)的样本分布情况结合的方式构建判别函数来确定类别归属。使用UCI(university of California Irvine)数据集做测试,测试结果表明,该算法能有效地解决不可分区域问题,而且表现出比其它算法更好的性能。展开更多
窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供...窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。展开更多
针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐...针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐优化算法(red fox optimization,RFO)的寻优精度,重构其全局搜索公式,并融合精英反向学习策略。采用基准测试函数对IRFO算法进行仿真实验,实验表明,IRFO算法比RFO算法、粒子群算法、灰狼优化算法寻优能力更强,综合性能更优。基于船舶备件历史数据,建立IRFO-SVR船舶备件预测模型,通过对比其他模型的预测结果,表明IRFO-SVR的预测效果更佳。展开更多
文摘在模糊多分类问题中,由于训练样本在训练过程中所起的作用不同,对所有数据包括异常数据赋予一个隶属度。针对模糊支持向量机(fuzzy support vectormachines,FSVM)的第一种形式,引入类中心的概念,结合一对多1-a-a(one-against-all)组合分类方法,提出了一种基于一对多组合的模糊支持向量机多分类算法,并与1-a-1(one-against-one)组合和1-a-a组合的分类算法比较。数值实验表明,该算法是有效的,有较高的分类准确率,有更好的泛化能力。
文摘支持向量机的一对一多分类算法具有良好的性能,但该算法在分类时存在不可分区域,影响了该方法的应用。因此,提出一种一对一与基于紧密度判决相结合的多分类方法,使用一对一算法分类,采用基于紧密度决策解决不可分区,依据样本到类中心之间的距离和基于kNN(k nearest neighbor)的样本分布情况结合的方式构建判别函数来确定类别归属。使用UCI(university of California Irvine)数据集做测试,测试结果表明,该算法能有效地解决不可分区域问题,而且表现出比其它算法更好的性能。
文摘窃电量的追回是窃电检测的最终目的,准确的窃电时间识别是进行窃电量精确估算的重要依据。然而,现有窃电检测方法侧重于识别窃电行为,对窃电时间缺乏深入分析,亟需研究基于窃电用户自身计量数据的窃电时间识别模型,为窃电量的估算提供依据。针对窃电时间识别问题,提出一种基于Transformer与单分类支持向量机(one-class support vector machine,OCSVM)的半监督窃电数据分类方法。首先,对用户负荷数据按日进行切割,将窃电时间识别问题转化为窃电日负荷数据判别问题;然后,使用Transformer作为重构模型学习用户的正常用电模式与规律,以重构出基于用户日负荷数据的重构值;最后,将构造重构误差曲线作为OCSVM的输入,构造正常用电行为的决策边界,进而判别出窃电数据,以实现窃电时间识别。根据南方某省智能电表用户数据进行算例分析,验证了该方法的可行性和有效性,实验结果表明该方法具有较好的灵敏性和鲁棒性。
文摘针对以往船舶备件需求预测精度不高,无法满足船舶综合保障的实际问题,文章建立一种基于改进红狐优化算法(improved red fox optimization,IRFO)的支持向量机回归(support vector regression,SVR)的船舶备件预测模型。为进一步提高红狐优化算法(red fox optimization,RFO)的寻优精度,重构其全局搜索公式,并融合精英反向学习策略。采用基准测试函数对IRFO算法进行仿真实验,实验表明,IRFO算法比RFO算法、粒子群算法、灰狼优化算法寻优能力更强,综合性能更优。基于船舶备件历史数据,建立IRFO-SVR船舶备件预测模型,通过对比其他模型的预测结果,表明IRFO-SVR的预测效果更佳。
