Basic Statistical Learning Theory of C-Support Vector Clas- sification

2012 ◽  
pp. 155-178
Keyword(s):  
Statistical Learning ◽  
Learning Theory ◽  
Statistical Learning Theory ◽  
Support Vector

Reliability Assessment Methods of Complicated Mechanical Product Based on Statistical Learning Theory

2008 ◽  
Vol 44-46 ◽  
pp. 575-580 ◽  
Author(s):  
X.Y. Shao ◽  
Jun Wu ◽  
Ya Qiong Lv ◽  
Chao Deng
Keyword(s):  
Statistical Learning ◽  
Learning Theory ◽  
Evaluation Method ◽  
Statistical Learning Theory ◽  
Time Series Prediction ◽  
Reliability Evaluation ◽  
Small Sample ◽  
Accelerated Life Test ◽  
System Level ◽  
Support Vector

As the reliability test data of complicated mechanical products is rare in quantity on the system-level and difficult to determine the accurate composition of the life distribution unit as well, the traditional reliability evaluation method based on evolutionary theory has been of little use. And the Statistical Learning Theory begins to be widely focused on as a novel small sample statistic method, which has been mostly applied to pattern recognition, fault detection, time series prediction and so on. This paper creates a new method for reliability evaluation derived from Statistical Learning Theory. By constructing Support Vector Machine with analog reasoning, and solving linear operator equation, the probability density of product can be evaluated directly and then the product reliability index can be obtained. Compared with the traditional way, this method can apparently increase the accuracy and generalization ability of reliability evaluation within limited samples. Finally, this paper presents the bridge of a certain heavy special vehicle as an example to testify the efficiency of this method, and uses the accelerated life test of the vehicle bridge to estimate its reliability.

scholarly journals Geometric approach to statistical learning theory through support vector machines (SVM) with application to medical diagnosis

2008 ◽  
Author(s):  
Μιχαήλ Μαυροφοράκης
Keyword(s):  
Support Vector Machines ◽  
Statistical Learning ◽  
Learning Theory ◽  
Medical Diagnosis ◽  
Statistical Learning Theory ◽  
Geometric Approach ◽  
Support Vector ◽  
Vector Machines

Η παρούσα διατριβή πραγματεύεται το πρόβλημα της Αναγνώρισης Προτύπων, στο πλαίσιο της Μηχανικής Μάθησης (ML) και, ειδικότερα, του πεδίου της Θεωρίας Στατιστικής Μάθησης (STL), μέσω των Μηχανών Διανυσμάτων Στήριξης (SVM). Η εργασία αυτή εστιάζει στην γεωμετρική ερμηνεία των SVM, που πραγματοποιείται μέσω της έννοιας των Συρρικνωμένων Κυρτών Περιβλημάτων (RCH), και της επίπτωσης που έχει στην ανάπτυξη νέων, αποδοτικών αλγορίθμων για την επίλυση του γενικού προβλήματος βελτιστοποίησης των SVM. Η συνεισφορά της παρούσης εργασίας συνίσταται στην επέκταση του μαθηματικού πλαισίου των RCH, στην ανάπτυξη νέων γεωμετρικών αλγορίθμων για τα SVM και, τέλος, στην εφαρμογή των SVM στο πεδίο της Ανάλυσης Ιατρικής Εικόνας και Διάγνωσης (Μαστογραφία). Επέκταση πλαισίου γεωμετρικών SVM. Η γεωμετρική ερμηνεία των SVM στηρίζεται στην έννοια των Συρρικνωμένων Κυρτών Περιβλημάτων. Αν και η γεωμετρική προσέγγιση των SVM παρέχει διαισθητική κατανόηση, η χρησιμότητά της ήταν περιορισμένη λόγω του γεγονότος ότι τα RCH ορίζονται μέσω συρρικνωμένων κυρτών συνδυασμών των σημείων εκπαίδευσης και, συνεπώς, το αντίστοιχο πρόβλημα βελτιστοποίησης παρουσιάζεται να έχει συνδυαστική πολυπλοκότητα. Επεκτείναμε το πλαίσιο των RCH με έναν αριθμό από θεωρητικά αποτελέσματα, που περιορίζουν την έκφραση των ακρότατων σημείων των RCH και παρέχουν αναλυτικό τύπο για την προβολή τους σε συγκεκριμένη κατεύθυνση. Τα αποτελέσματα αυτά οδήγησαν στην ανάπτυξη νέων, πολύ αποδοτικών αλγορίθμων για τα SVM. Νέοι SVM αλγόριθμοι. Οι γνωστοί (και επαρκώς μελετηθέντες ως προς τη σύγκλιση) γεωμετρικοί αλγόριθμοι πλησιέστερου σημείου, i) του Gilbert και ii) των Schlesinger-Kozinec, τροποποιήθηκαν (με βάση τα παραπάνω θεωρητικά αποτελέσματα) για την επίλυση του γενικού, δηλ., του μη-γραμμικού, μη-διαχωρίσιμου προβλήματος βελτιστοποίησης των SVM. Οι νέοι αυτοί γεωμετρικοί αλγόριθμοι για SVM εφαρμόστηκαν και ελέγχθηκαν πάνω σε δημοσίως διαθέσιμα σύνολα δεδομένων ελέγχου και παρουσίασαν σημαντικό πλεονέκτημα ως προς την απόδοση, σε σύγκριση με τους ταχύτερους αντίστοιχους αλγεβρικούς αλγορίθμους. Εφαρμογές - Μαστογραφία. Το πεδίο της Ανάλυσης Ιατρικής Εικόνας και Διάγνωσης (και ειδικότερα της Μαστογραφίας που εξετάζεται στην παρούσα εργασία) είναι ιδιαίτερα κρίσιμο για την κοινωνία, αλλά συνάμα πολύ απαιτητικό από την σκοπιά της Πληροφορικής. Στην παρούσα Διατριβή, εξετάστηκε και αποτιμήθηκε η αξία ενός συνόλου από ποιοτικά και ποσοτικά χαρακτηριστικά υφής και μορφολογίας (χρησιμοποιώντας μεθόδους στατιστικής και μορφοκλασματικής ανάλυσης)• παράλληλα, χρησιμοποιήθηκαν αρκετές μεθοδολογίες μηχανικής μάθησης, π.χ., Τεχνητά Νευρωνικά Δίκτυα (ΑΝΝ) και SVM, για να διαχωρίσουν τους κακοήθεις από τους καλοήθεις μαστογραφικούς όγκους. Τα SVM υπερείχαν σε απόδοση έναντι των υπολοίπων ταξινομητών.

Leak Detection Method Based on Support Vector Machine

2008 ◽  
Author(s):  
XiaoJing Fan ◽  
LaiBin Zhang ◽  
Wei Liang ◽  
ZhaoHui Wang
Keyword(s):  
Support Vector Machine ◽  
Statistical Learning ◽  
Learning Theory ◽  
Statistical Learning Theory ◽  
Leak Detection ◽  
Small Sample ◽  
Support Vector ◽  
Svm Classifier ◽  
Risk Minimization ◽  
Sample Set

Assumptive and uncertain factors, few leak samples, complex non-linear pipeline systems are the problems often involved in the process of pipeline leak detection. Furthermore, the pressure wave changes of leakage are similar to these of valve regulation and pump closure. Thus it is difficult to establish a reliable model and to distinguish the leak signal pattern from others in pipeline leak detection. The veracity of leak detection system is limited. This paper presents a novel technique based on the statistical learning theory, support vector machine (SVM) for pipeline leak detection. Support Vector Machine (SVM) is learning system that uses a hypothesis space of linear functions in a high dimensional feature space, trained with a learning algorithm from optimization theory that implements a learning bias derived from statistical learning theory. SVM is based on the principle of structure risk minimization as opposed to the principle of empirical risk minimization in conventional techniques. Thus, SVM has good performance for classification over small sample set. In this paper, an overview of the limitations of traditional statistics and the advantage of statistical learning theory will be introduced. In this paper, an SVM classifier is used to classify the signal pattern with few samples. Firstly, the algorithm of the SVM classifier and steps of using the model to identify leakage signals are studied. Secondly, the classification results of the experiment show that SVM classifier has high recognition accuracy. In addition, SVM is compared with neural network method. Then the paper concludes that in terms of classification ability and generalization performance, SVM has clearly advantages than neural network method over small sample set, so SVM is more applicable to pipeline leak detection.

Sign in / Sign up

Export Citation Format

Share Document