简介：对肿瘤样本进行准确的分型识别是有效治疗肿瘤的前提。首先，利用方差滤波方法选择肿瘤表达谱中具有最大方差的部分基因作为识别特征集，然后，利用支持向量聚类对肿瘤表达谱进行分型识别。针对多类型样本情况和支持向量聚类中出现的孤立点聚类问题，分别提出了有效的解决办法。对两个肿瘤表达谱数据的测试结果显示，基于支持向量聚类的方法能够准确地对肿瘤样本进行分型识别，同时能够自动发现肿瘤样本真实的亚型数量。

简介：目前很多已知的聚类算法对于异常点的处理存在不合理的问题,将模糊集和粗糙集的相关理论加人到支持向量聚类算法中,可增加异常点处理的合理性,并得到一种新的改进算法,将其称为模糊一粗糙支持向量聚类算法.当支持向量集作为一个特殊的聚类,通过元素间的亲密程度,模糊边界的隶属度可以被计算出来.而下近似集包含的样本点建立在算法训练阶段获得的超球体内.在检测异常值和计算任意轮廓的聚类方面,该算法具有较大的优势和潜力.

简介：文档聚类在Web文本挖掘中占有重要地位．是聚类分析在文本处理领域的应用。文章介绍了基于向量空间模型的文本表示方法，分析并优化了向量空间模型中特征词条权重的评价函数，使基于距离的相似性度量更为准确。重点分析了Web文档聚类中普遍使用的基于划分的k-means算法．对于k-means算法随机选取初始聚类中心的缺陷．详细介绍了采用基于最大最小距离法的原则，结合抽样技术思想，来稳定初始聚类中心的选取，改善聚类结果。

简介：利用粗糙集的约简算法及类边界集分别选出影响绩效的核心因素和样本的边界集，将其应用于C-均值聚类网络得到具有概率信息（权重）的样本，作为支持向量机（SVM）的输入建立员工绩效评估模型。实例表明，该方法拟合率高，且性能优于SVM算法。

简介：ICO（InitialCoinOfferin曲传销是一种未经批准非法公开融资和非法发售代币票券的新型金融传销模式，严重干扰金融秩序、破坏社会稳定。如何有效地实施ICO监管并对ICO进行传销定性成为经济犯罪侦查研究的重要方向之一．针对此问题．提出了一种基于支持向量机的ICO传销类罪模型．利用该模型对难以定性的ICO进行分类．从而实现对未定性的ICO进行判定．采集了180种ICO相关数据．提取出15个ICO传销类罪模型的评价指标．建立了基于支持向量机的ICO传销类罪模型．对难以定性的ICO进行分类．随后利用150组ICO数据作为支持向量机的学习样本．再对30组ICO合法性进行分类研究．实验结果表明该模型的分类结果准确率高达90％．在ICO传销类罪推定上具有良好的应用。今后．可以利用深度学习的方法对ICO的定性问题进一步分析。

简介：可靠的语音端点检测算法是稳健语音识别系统所必须的。针对现有算法在噪声环境下的稳健性问题，提出了基于单类SVM（supportVecforMachine）的端点检测算法。通过对多特征信息进行在线学习与综合，以及采用双层决策机制，有效提高了语音检测的稳健性。实验表明，算法在多种噪声环境和信噪比条件下有效，明显提高了语音识别系统在噪声环境下的识别率。

简介：针对网络学习者及其对案例访问的模糊性提出采用模糊聚类的方法对学习者和案例进行聚类分析。在算法中，以各学习者对案例的访问次数、时间、学习效率等刻画学习者对案例的关注程度建立模糊相似矩阵，再由平方法求出模糊等价矩阵，然后进行聚类分析。通过具体实例阐述算法的计算过程，证明算法实现的可行性和有效性。

简介：摘要：本文探讨了支持向量机（SVM）在入侵检测中的应用。入侵检测是网络安全的重要领域，旨在识别和阻止恶意攻击。支持向量机是一种统计学习方法，通过构建最优超平面将不同类别的样本分开。本文研究表明，基于支持向量机的多类分类算法在入侵检测中具有良好的性能。它能够有效地识别和分类各种入侵行为，如端口扫描、拒绝服务攻击和恶意软件等。此外，通过参数调整和特征选择，算法的准确性和鲁棒性可以进一步提高。然而，支持向量机在训练时间、计算复杂度和大规模数据集处理方面仍面临挑战。未来的研究可以集中在提高算法效率和扩展性，以满足不断增长的入侵检测需求。

简介：摘要：持向量数据描述算法（SVDD）是一种近年来运用得越来越多的单分类算法，具有很好的泛化能力，且运用核函数能有效解决“维数灾难”问题，可以较好的划分交通流数据分布特征。虽然在传统的SVDD只关注正类样本，能很好的通过单类数据进行机器学习，但我们又可以使用负类样本点来更好的完善SVDD所构造的超球面的分类性能。这就提出了带负类样本的支持向量数据描述算法（SVDD-NE）。之后通过对比不同分类算法的性能来验证SVDD-NE方法的有效性。最后将SVDD-NE运用于实际道路交通流数据的拥堵判别，用来增加道路拥堵的判别方法，实验证明该方法可以较好的支持道路车流拥堵情况识别，为诊断道路运作情况提供了技术基础。

简介：支持向量机(SVM)是一类新型机器学习方法,其理论基础是统计学习理论,由于其出色的学习性能而成为当前国际机器学习领域的研究热点.该文首先阐述统计学习的核心内容,然后对SVM及其应用进行研究,最后讨论了SVM的局限和有待研究的问题.

简介：摘要支持向量机是一种新的机器学习方法，由于其出色的学习性能，该技术已成为当前国际机器学习界的研究热点。对SVM训练算法的最新研究成果进行了综述，着重说明了各种的算法的思路和优缺点。总结了支持向量机理论及其应用的现状，对支持向量机的未来发展方向进行了展望。

简介：摘要：本文选取F-score分类模型和ROC曲线作为指标，针对于题目中特别提出的不能把坏客户归类为好客户，F-score检验还考虑到了坏客户评价的重要性，即召回率和准确率的权重问题，此时召回率权重较大，是本文信用评估模型的评价的重点。对于数据不平衡的情况，ROC曲线不受样本数量的影响，能较为准确地评价两类用户样本数据下的模型的预测能力。

简介：

简介：支持向量机是机器学习和数据挖掘领域的热门研究课题之一，作为一种尚未完全成熟的技术，目前仍有许多不足，其中之一就是没有统一的模型参数选择标准和理论。在具体使用中，对支持向量机性能有重要影响的参数包括惩罚因子C，核函数及其参数的选取。文章首先分析了模型参数对支持向量机性能的影响，然后对几种常用的模型参数选择方法进行介绍，分析以及客观评价，最后概括了支持向量机模型参数选择方法的现状，以及对其发展趋势进行了展望。

简介：在不均衡数据集下,SVM分类超平面的偏移,使得基于KKT条件进行样本选择的增量学习算法性能不佳,针对该问题,提出动态代价的SVM增量学习算法,该算法依据各类样本密度之间的关系动态计算类的错分代价,减少每次迭代中分类超平面偏移造成的错误累积,保证依据KKT条件选取样本的准确性,使得每次迭代选取的样本都包含当前分类器缺少的空间信息,提高最终分类器在不均衡数据集下的分类性能.最后,在UCI数据集上的仿真实验结果表明该算法能够提高不均衡数据下的分类性能.

简介：摘要本文分析了汽车行业基于不同思想的各类大数据聚类算法，用户应该根据实际应用中的具体问题具体分析，选择恰当的聚类算法。聚类算法具有非常广泛的应用，改进聚类算法或者开发新的聚类算法是一件非常有意义工作，相信在不久的将来，聚类算法将随着新技术的出现和应用的需求而在汽车行业得到蓬勃的发展。

简介：摘要双聚类（Biclustering）算法在数据挖掘中是一个新兴的算法，对于矩阵类型的数据，其聚类效果很好。本文浅述了双聚类算法的基本特点，并提出了用迭代的双聚类算法对未知的数据进行分类，并对一组数据进行了测试，其分类表现不错。

简介：陈老师在文[1]中，对涉及等式AP=mAB＋nAc的向量问题，提出了一种基向量的处理策略．读后受益匪浅．

简介：支持向量机是借助于最优化方法解决机器学习问题的新工具,它最初于20世纪90年代所提出,近年来在其理论研究和算法实现方面都取得了突破性进展,开始成为克服“维数灾难”和“过学习”的有力手段。文章基于对支持向量机的理解,整理了在SAS软件中支持向量机的不同应用的研究文献,以期对信息管理方法研究提供参考。

简介：本文提出了一种基于模糊支持向量机的网络入侵检测方法。通过在样本中引入模糊隶属度,来减小噪声数据和孤立点的影响。根据网络入侵检测的特征,选择合适的核函数,构建了适合于网络入侵检测的模糊支持向量机分类器。实验表明这种分类器应用于网络入侵检测是可行的,有效的。