一种新的直方图核函数及在图像分类中的应用

基于核方法的支持向量机(SVM)以其良好的推广性在图像分类等领域已经得到广泛应用,运用支持向量机的关键是设计有效的核函数。为克服传统核函数较少融合先验知识的弱点,该文提出基于数据驱动的核函数构建方法;并结合词包(BOW)模型,设计了一种基于TF-IDF规则的加权二次卡方(Weighted Quadritic Chisquared,WQC)距离的直方图核函数;在计算直方图之间距离时充分考虑到不同量化区间的不同区分性能,从而增强核函数对不同类别的区分能力。在Caltech101/256等多个经典图像数据集上的分类实验结果验证了该文方法的有效性。     

基于相似度量的模糊支持向量机算法研究

基于统计学习理论,核被看做是一种相似度测量模型.核函数是支持向量机算法的核心,利用核函数可以将低维不可分数据映射到高维空间,并进行最优分类研究.但孤立点或噪声数据都会影响最优分类平面和最优分类函数,所以提出利用相似度测量构建模糊核函数.相比高斯核函数和模糊sigmoid核函数的分类支持向量模型,本文提出的模糊相似核函数在支持向量机运算中计算成本最低,可以提供更高的准确率,同时可以避免传统模糊核函数的限制.     

基于几何分析的支持向量机推广能力推测模型

利用支持向量机分类器中支持向量分布的几何意义,构造了一种新的与样本分布相关的推广能力预测模型,该模型充分利用了支持向量分布的先验信息,它与统计学习理论中推广能力准则具有一致的几何意义.首先利用支持向量分布的几何意义出发从海量样本中选择有效边界向量代替原有训练样本,然后在有效边界向量中分别计算最小包含半径和最大分类间隔.它不需要求解二次规划就可以得到与训练样本相关的推广能力计算模型,计算量较低.本文最后的最优核函数、核参数选择仿真实验结果表明本文提出的基于几何分析的支持向量机推广能力推测模型的合理性与高效性, 该模型对于解决支持向量机中最优核函数、核参数选择具有重要意义.     

混合核函数SVM在变压器状态评估中的应用

核函数是SVM(Support Vector Machine,支持向量机)的重要组成部分,核函数的选取对分类效果有明显的影响。该文把混合核函数引入到变压器状态评估中。实例分析表明,混合核函数支持向量机提高了状态评估的准确率。     

基于核函数正则变换的HRRP识别法

雷达高分辨距离像包含了目标的结构信息,在雷达目标识别领域有良好的应用前景.应用核函数的分类方法有很强的泛化能力,本文将核函数的思想引入正则变换,提出核函数正则变换,该变换能在考虑各类样本整体和个别特性的同时提取非线性特征,将其与线性支持向量机结合实现目标分类.用实测数据仿真实验,验证了所提方法的有效性.     

基于核函数正则变换的HRRP识别法

雷达高分辨距离像包含了目标的结构信息,在雷达目标识别领域有良好的应用前景.应用核函数的分类方法有很强的泛化能力,本文将核函数的思想引入正则变换,提出核函数正则变换,该变换能在考虑各类样本整体和个别特性的同时提取非线性特征,将其与线性支持向量机结合实现目标分类.用实测数据仿真实验,验证了所提方法的有效性.     

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。     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

基于改进高斯核函数的雷达高分辨距离像目标识别算法研究

针对支持向量机的核函数选择问题,在保形变换方法的基础上,分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法。利用支持向量机的高斯核函数,提出一种基于改进的高斯核函数雷达目标高分辨距离像的研究方法。该方法对SVM的高斯核函数进行改进,并进行核函数选择。通过改进的高斯核函数与多项式核函数进行比较,在Matlab环境下采用两种方法对高分辨距离像进行仿真,仿真方法验证并改进了高斯核函数的有效性。     

高光谱图像分类的全面加权方法研究

像元分类是高光谱数据分析的最基本、最重要内容之一,而基于支持向量机(SVM)的分类方法以其高效性得以广泛使用.原始的SVM分类模型中并没有体现出样本、特征、类别对于分类或分析的不同重要性,从而影响了处理效果.为此,将各样本偏离其类中心的距离映射为样本加权系数;将类内散度矩阵应用于特征加权方法;将SVM方程系统中的单位矩阵对角元素加以调整来完成类别加权.不同加权方法既可以单独使用也可以联合使用.实验表明,所提出的加权方法有助于进一步提高高光谱图像的分类效果.     

Mobile geo-location algorithm based on LS-SVM

Support Vector Machine (SVM) is a powerful methodology for solving problems in non-linear classification, function estimation and density estimation, which has also led tomany ot her recent developments in kernel based methods in general. This paper presents a highaccuracy and fault-tolerant SVM for the mobile geo-location problem, which is an important component of pervasive computing. Simulation results show its basic location performance, and illustrate impacts of the number of training samples and training area on test location error.     

基于混合核的PSO-SVM的L形天线谐振频率建模

人工神经网络进行建模时通常需要准备大量的数据样本,同时,网络结构一般都比较复杂;而采用支持向量机（SVM）进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,文中提出了一种基于粒子群优化（PSO）算法的新的SVM混合核函数,这种混合核函数是将局部核函数中的柯西核函数和全局核函数中的多项式核函数进行线性组合,且组合系数和各个核函数中的参数采用PSO算法来优化选取。采用UCI数据库中的wine-red数据集对该混合核函数进行了验证,仿真结果表明,该混合核函数可以提高模型的学习能力和泛化能力。最后,将基于混合核函数的PSO SVM方法用于L形微带天线谐振频率建模,进一步证明了这种方法是可行的和有效的。     

A New Semantic Kernel Function for Online Anomaly Detection of Software

In this letter, a new online anomaly detection approach for software systems is proposed. The novelty of the proposed approach is to apply a new semantic kernel function for a support vector machine (SVM) classifier to detect fault‐suspicious execution paths at runtime in a reasonable amount of time. The kernel uses a new sequence matching algorithm to measure similarities among program execution paths in a customized feature space whose dimensions represent the largest common subpaths among the execution paths. To increase the precision of the SVM classifier, each common subpath is given weights according to its ability to discern executions as correct or anomalous. Experiment results show that compared with the known kernels, the proposed SVM kernel will improve the time overhead of online anomaly detection by up to 170%, while improving the precision of anomaly alerts by up to 140%.     

基于SVM新闻文本分类的研究

网络新闻自动分类已经成为当下的热点问题,SVM分类算法是文本分类中应用较为成熟的一种方法.文章针对SVM文本分类中特征选择和核函数选择的两个重要问题,在新闻文本实验环境下进行了探讨,结果表明使用互信息特征选择法且特征数在4000左右,使用SIGMOID核函数的情况下准确率与召回率均可达到97％的分类效果.     

采用混合核支持向量机的DOA估计

人工神经网络( ANN)进行建模时通常需要准备大量的数据样本,同时网络结构一般都比较复杂;而采用支持向量机( SVM)进行建模时,不同核函数有不同的效果,各有利弊,且选取SVM模型参数的理论支撑尚不完整。为了解决这些问题,提出了一种基于混合核函数的支持向量机来改善来波到达角( DOA)的估计性能,并结合二进制粒子群算法( PSO)来对混合核函数进行参数寻优。该混合核函数由全局核函数和局部核函数构成,提高了SVM的泛化能力和学习能力。首先通过拟合多项式函数,验证了该混合核SVM的有效性。将该方法用于DOA估计建模,在不同信噪比和快拍数下,通过与径向基函数( RBF)神经网络、基于各单一核函数的SVM和MUSIC算法预测结果对比,混合核SVM均方差有所降低,提高了DOA估计的精度且有更好的稳定性。     

低复杂度的快速降尺寸视频转码算法

为了降低降尺寸视频转码的运算复杂度,提出一种基于支持向量机的快速转码模式决策算法。首先从输入的高分辨率视频码流中的编码信息里选取多维特征向量,并选择与模式特征匹配的核函数训练SVM分类器模型,建立高分辨率视频编码信息与降尺寸视频宏块编码模式之间的相关性;然后构建分层式SVM分类器对降尺寸视频中宏块模式进行阶梯式预测分类,以此缩减预测模式数量,提高转码效率。实验结果证明,算法可以节省高达67.31%的运算量,同时保证转码后视频的高质量。     

一种改进的支持向量机模式分类方法

支持向量机(Support Vector Machine,SVM)是在统计学习理论基础上发展起来的一种新的机器学习方法,已成为目前研究的热点,并在模式识别领域有了广泛的应用.首先分析了支持向量机原理,随后引入一种改进的径向基核函数,在此基础上,提出了一种改进核函数的SVM模式分类方法.与基于IRIS数据,进行了计算机仿真实验,与基干模糊k-近邻的模式分类仿真结果比较,结果表明改进的SVM方法分类性能比模糊k-近邻算法(Fuzzy k-Nearest Neighbor,FKNN)的分类性能更好,运算时间更短,更易于实时实现.