无人工样本的SVM遥感图像分类方法

针对遥感图像监督分类方法需要人工提取训练样本的缺陷,提出一种模糊K均值聚类（FCM）提取训练样本、支持向量机（SVM）进行分类的方法。算法首先用FCM进行初步分类得到隶属度矩阵并判断每个样本的类别号;然后根据隶属度矩阵提取每类样本中密集程度较高的样本作为训练样本;最后用SVM对样本进行训练、再次分类。该方法克服了SVM算法需要人工样本的缺点,改善了传统非监督分类算法的性能,UCI标准数据库Iris数据和遥感数据样本的实验结果证明了该方法的可行性。     

一种基于核SMOTE的非平衡数据集分类方法

 本文提出一种基于核SMOTE(Synthetic Minority Over-sampling Technique)的分类方法来处理支持向量机(SVM)在非平衡数据集上的分类问题.其核心思想是首先在特征空间中采用核SMOTE方法对少数类样本进行上采样,然后通过输入空间和特征空间的距离关系寻找所合成样本在输入空间的原像,最后再采用SVM对其进行训练.实验表明,核SMOTE方法所合成的样本质量高于SMOTE算法,从而有效提高SVM在非平衡数据集上的分类效果.     

一种基于混合策略的失衡数据集分类方法

提出了一种有效应用于失衡数据集的分类方法,其核心思想是从样本预处理和分类器改进两方面入手,为失衡数据集的分类问题提供全面的解决方案.首先创造性地采用动态自组织映射聚类的方法对失衡数据集进行重采样,这种采样方法,有效地解决了传统重采样的方法随机性强,人为主观干扰以及信息损失等弊端.随后借助K-近邻规则的思想,对新采集的样本进行剪枝,有效地解决了实际存在的数据混叠现象.算法对SVM的核函数进行等角变换,由此对类边界进行了校准,以适应样本类别失衡的情况.通过对三种算法的对比实验证明了算法在失衡数据集分类上的有效性.本文的算法已经在答案抽取技术中得到了成功应用,并在TREC2006国际QA 评测中得到了客观充分的验证.     

基于改进型深度数据流形的数据分类算法及在人脸中的应用

针对数据分类问题的局限,提出一种基于改进型深度数据流形的数据分类算法并将其应用到人脸识别中。首先,通过采集人脸图像的深度信息,利用稀疏表示对其进行去噪处理;再结合图像的颜色信息,重新生成三维人脸信息数据库,通过对人脸数据的流形分析得到最优的降维结果,按十字十乘交叉验证法的原则选取训练集和测试集,将训练集输入支持向量机算法建立数据分类器;最后,将测试集输入训练完成的分类器中,实现人脸数据分类。选取ORL,Yale两类人脸图像标准数据库与传统人脸识别算法进行交叉对比实验,验证算法的优越性和可行性。实验结果表明：所提出的算法有较高的分类准确率,可有效地完成人脸识别。     

一种改进的并行处理SVM学习算法

支持向量机(SVM)解决小样本、非线性及高维模式识别问题有许多优势,但处理大规模数据集时训练速度缓慢.为此在循环迭代算法的基础上,提出改进的SVM学习算法.该算法将大规模数据集划分为若干个小数据集,然后并行的在各个小数据集上训练SVM,再采用合并算法对SVM进行两两合并,得到最终的SVM.最后通过仿真实验发现,改进的SVM学习算法可以加快训练速度,并具有较高的识别率.     

基于机器学习的文字判别算法

复杂背景下的文字处理一直是OCR领域中的难题。基于SIFT、K-means和SVM三种算法相结合,提出了一种全新的复杂背景下的文字判断方案。在学习阶段利用SIFT进行特征点提取和描述,并用K-means进行聚类,最后用SVM进行学习。在测试阶段对图片进行了SIFT特征点提取,并用学习阶段得到的聚类中心和SVM判决函数进行最终的判断,得出图片中是否含有文字的结果。     

一种改进的图像拼接检测算法

通过对图像拼接技术特点的分析,提出一种基于图像纹理特征分析和马尔科夫模型的改进的拼接图像检测算法。该算法计算图像DCT域上的马尔科夫转移概率矩阵,同时对图像进行纹理分析,得到两类特征共178维。为评估该检测算法的性能,提出了一个具体实现方案,提取了图片数据集的特征,使用支持向量机（Support Vector Machine,SVM）对特征数据进行训练与分类。实验表明,该方法取得了较好的分类效果。     

利用0-1矩阵分解集成的极化SAR图像分类

全极化合成孔径雷达(PolSAR)图像蕴含更丰富的散射信息,具有更多的可用特征。如何使用这些特征是极化SAR图像分类中非常重要的一步,但是目前尚未对此提出非常明确的准则。为了能够有效地解决上述问题,该文提出一种基于特征加权集成的极化SAR图像分类算法。该算法采用0-1矩阵分解集成方法对包括不同特征的数据集进行学习获得相应加权系数,并通过对每个特征集获得的预测结果进行加权集成来提高极化SAR图像分类性能。首先,输入极化SAR数据,获得极化特征作为原始特征集,并对其进行随机抽取获得不同的特征子集;然后,使用0-1矩阵集成算法得到每个特征值相对应的加权系数;最后,通过对各个特征子集的预测结果进行集成得到最终极化SAR图像分类结果。实测L波段和C波段极化数据的实验结果表明,该算法可以有效地提高极化SAR图像分类的准确度。     

一种改进的尺度不变特征识别算法用于建盏釉面的相似性判定北大核心CSCD

为解决建盏真伪区分问题,通过改进的尺度不变特征识别算法,建立实验原型系统,用于识别不同类型釉面的建盏。研究的识别模型在云端上提供服务,以便对建盏釉面的相似性进行判断。该系统采用Streamlit平台构建实验性人机交互界面。针对识别模型,研究开发了基于边界跟随法的图像预处理策略,旨在滤除背景和无关材料特征干扰,提高自然条件下拍摄的图像识别能力,以减少对建盏釉面的误判可能性。利用改进的基于支持向量机(support vector machines,SVM)的尺度不变特征变换(scale-invariant feature transform,SIFT)特征匹配分类策略,设计了多项性能实验,以获得足够的数据集分辨率、SVM最优超参数和初始化所需的最小数据集参数模型。经实验证实,系统可清楚地区分相同类型釉面图案(兔毛釉、滴油釉)的相似性。它使用给定的有限数据集提供高达92.60%的识别准确率,并将单次识别速度提高0.84 s。     

基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine, SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题，提出一种基于孪生支持向量机(Twin SVM, TSVM)增量学习算法，并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术，实现车标的精准定位；然后提取车标图像HOG特征，并通过对矩阵的逆运算进行分解和重组，实现TSVM增量学习。最后利用车标数据集训练分类模型，实现对车标的分类。实验结果表明，文中提出的算法在车标数据集上实现了91.77%的识别率，优于其他几种识别算法，证明了文中提出算法的有效性。