基于混合学习框架的SVM反馈算法研究

 基于支持向量机（SupportVectorMachine,SVM）理论的相关反馈技术是可有效提高图像检索性能的重要手段之一。然而,大多数SVM反馈算法普遍受到小样本问题的制约。本文综合了集成学习、半监督学习和主动学习三种方法的技术特点,提出一种混合学习框架下的SVM反馈算法。该算法在Boosting迭代过程中使用了未标记图像,以增加个体SVM之间的差异,从而获得高效的集成学习模型。同时,高效的集成学习模型更有利于寻找富有信息（most informative）图像,从而也提高了用户主动反馈的效率。实验结果及对比分析表明,混合学习策略可有效改进相关反馈的性能。     

基于支持向量机的极化SAR图像分类

与传统最大似然（ML）分类器相比，支持向量机（SVM）在小训练样本时仍具有良好的分类性能，目前已广泛应用于多个领域。该文在极化SAR特征提取的基础上，将SVM应用于极化SAR图像分类，分析了分类器参数对分类性能的影响。利用NASA／JPL实验室AIRSAR系统的L波段旧金山全极化SAR数据比较了SVM和ML的分类性能，并进一步给出了基于SVM的国内某地区双极化SAR图像分类结果。     

基于支持向量机的脑部MR图像细分类

本文提出了基于支持向量机的脑部MR图像细分类器,采用纹理与形状特征相结合方式表达图像,应用StARMiner算法对特征进行选择和计算特征加权系数,最后用支持向量机理论设计分类器对脑部图像进行精细分类。经反复实验优化各参数,粗略分类率可以达到92.10%。细分类可应用于特定人体部位图像的检索系统,以检索出更精确的图像,并且缩减检索空间,提高检索效率。     

基于支持向量机的企业信用风险评估研究

介绍了小样本学习的通用学习算法——支持向量机（SVM）,建立了基于SVM的企业信用风险评估模型,并将支持向量机非线性分类器应用于信用风险的评估中.分析对比了选取不同核函数和参数的实验结果,同时实验结果表明,相比传统的人工神经网络,SVM在有限样本情况下具有良好的泛化能力.     

凸组合核函数的支持向量机高光谱图像分类

支持向量机的高光谱图像分类中,单核函数存在局限性。为了提高分类器的分类精度和支持向量机模型的泛化能力,利用高斯径向基核和多层感知核进行凸组合构造复合核函数支持向量机,证明了该函数满足作为核函数的判决Mercer条件,并进一步将凸组合核函数支持向量机应用到高光谱图像分类中,完成了建模和实验验证。实验结果表明,凸组合核函数具有较好的鲁棒性,且该类支持向量机的分类精度和KAPPA系数较单核SVM均得到了有效的提高,是一种解决多分类问题行之有效的分类器。     

基于综合特征和SVM相关反馈的图像检索

提出综合纹理、颜色和形状特征的图像检索方法。首先采用Gabor小波计算ROIs(Regions of Interest)的位置和数目;然后在ROIs中,使用Gabor小波提取纹理特征,采用YUV空间直方图和颜色矩表示颜色特征,使用Zernike矩提取形状特征。为了提高图像检索的准确度,最后采用基于支持向量机(SVM)的相关反馈算法。实验结果表明,提出的方法具有较好的检索性能。     

一种基于PSOSVM的盲隐写分析方法

针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法（PSO）的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。     

基于GWO-SVM的红外热成像低零值绝缘子识别

为了准确识别电网中的低零值绝缘子,提高劣化绝缘子诊断的准确率,提出了一种使用灰狼算法优化（grey wolf optimizer, GWO）与二进制支持向量机（support vector machine, SVM）分类器相结合的模型,对红外图像中的低零值绝缘子进行自动检测。首先对绝缘子红外图像进行增强,利用Ostu算法对红外图像进行分割,并对得到的二值图像进行倾斜角度矫正和切割,提取绝缘子串的有效区域,然后将图像特征用于向量机的分类识别。实验结果表明,灰狼算法优化支持向量机比常用的网格搜索算法（grid search, GS）、粒子群优化算法（particle swarm optimization, PSO）等得到的分类模型能更准确、有效地对低零值绝缘子进行识别,且准确率更高。     

基于小波包和支持向量机的故障诊断方法研究

基于支持向量机（SVM,support vector machine）对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM（least squares support vector machines）进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。     

结合肤色分割的支持向量机人脸检测方法

人脸检测是人脸识别与图像及视频检索的一项重要任务。本文提出了一种结合分割与模板匹配-支持向理机(Support Vector Machines,SVM)的正面人脸检测算法。算法在肤色区域分割基础上，输入图像采用基于Harr小波描述的特征提取方法，然后结合平均脸模板匹配利用 SVM分类器进行分类。实验结果表明该算法十分有效。