支持向量机在多用户检测中的应用

基于支持向量机的非线性多用户检测器具有利用较少训练数据检测CDMA通信系统信号、性能稳定的优点。近几年来随着这种检测器应用研究的深入,人们又对其在运算复杂度和速度等方面进行了改进。现介绍支持向量机的基本原理和其在多用户检测中的应用,并简要介绍几种改进型的基于支持向量机多用户检测器。     

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器.该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界，然后通过该边界对样本数据进行分类.文章所获得的学习算法和支持向量机（SVM）和序列最小优化（SMO）算法相比，不仅降低了样本的采集代价，而且在训练速度上有了很大提高.在CBCL人脸库和USPS手写数字识别的实验中，给出了该算法和SVM、SOM算法的实验对比结果，说明了该学习算法的有效性。     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。     

基于多特征融合的层次支持向量机遥感图像云检测

云检测是遥感图像处理和应用的前提,针对遥感图像云检测的准确率容易受到薄云及似云地物影响的挑战,提出一种结合遥感影像灰度、纹理和频率特征的层次支持向量机云检测算法.该方法首先采用简单线性迭代聚类算法将遥感图像分割为像素块,再采用一种层次支持向量机分类器对遥感图像以像素块为单位进行云检测.层次支持向量机的第一层将像素块初步...     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。     

基于支持向量机的医用电子鼻分类器研究

电子鼻主要是一种传感器阵列,具有专一性,能够结合相关的模式来对算法系统进行识别,专门用于识别单一的成分或是其他复杂成分中的气体。医用电子鼻主要用于疾病的诊断,它是根据患者的创口顶空气体以及呼出的气体来进行判断,观察其与正常人是否具有差异。如果与常人的不同,那么可能患上相应的疾病。很多疾病是可以通过特定的气味判断出来的,例如糖尿病会产生一种丙酮具有的甜味,胃病会有口臭发生,还有很多与肝脏等内部器官相关的疾病都会产生一系列的气味。而电子鼻能够有效地对这些气味进行分辨,判断出具体的疾病类型,以对症下药。本文主要对基于支持向量的医用电子鼻分类器进行了分析和研究,希望对疾病的检测和判断起到一定的作用。     

基于模糊支持向量机的网络入侵检测

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。     

基于一类支持向量机的盲元检测方法

利用无监督学习的一类支持向量机（One Class Support Vector Machine,OCSVM）和随机场景图像序列,构造滚动更新的像元分类模型,实现红外焦平面盲元的在线检测。根据正常像元和异常像元数量和灰度特征的差异,以随机图像序列作为输入数据,使用OCSVM建立单一类别的像元分类模型,灰度变化的像元归为一类,其他像元不属于此类。由于随机图像序列的滚动更新,OCSVM模型及支持向量也随之更新。统计支持向量的频次,高频次支持向量对应的像元聚为一类,即为异常像元。以320256中波红外图像序列为例,说明了OCSVM模型进行盲元检测的过程,检测结果与黑体定标的结果一致。基于随机场景和OCSVM模型的盲元检测方法摆脱了定标黑体的约束,提高了盲元检测的灵活性。     

基于双谱奇异值和最优参数支持向量机的目标识别算法

提出了基于双谱奇异值和最优参数支持向量机的目标识别算法。首先从目标距离像的双谱中提取双谱奇异值特征;然后通过实验的方法确定支持向量机参数取值的范围,利用遗传算法获取支持向量机的最优参数;最后应用最优参数支持向量机对3种地面坦克目标进行识别。仿真实验表明,即使在较低的信噪比下该算法仍然可以取得比较高的识别率。     

基于支持向量约简的快速目标检测

支持向量机(SVM)由于其出色的泛化能力,已成为目标检测领域应用最为广泛的分类器之一.然而在检测过程中,过多的支持向量会产生很大的时间开销,从而降低目标检测系统的实时性.针对此问题,提出一种约简支持向量的方法,以降低分类器的决策开销,加快检测速度.此方法采用迭代的方式来估计特征空间中向量的原像,通过构建精简原像集来简化支持向量机,从而达到了提升分类速度的效果.利用精简的SVM结合Selective Search+ BoW模型构建了一款快速检测器,测试结果表明:该检测器能够在保证检测率的前提下,通过约简支持向量,提高目标检测的实时性.     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

基于词向量的SVM集成学习社交网络抑郁倾向检测方法

目前抑郁症的诊断手段单一、诊断率低,为此,文章提出一种基于词向量的SVM集成学习社交网络抑郁倾向检测方法。人工标注和专家校验获得训练数据,使用词向量进行文本向量化。以SVM为基分类器进行Boosting集成学习。实验结果表明,文章提出的模型可以用于抑郁倾向的检测。     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.     

Adaptive image replica detection based on support vector classifiers

This paper presents a system for image replica detection. The idea behind the proposed approach is to adapt a system for detecting the replica of a specific reference image. The system is then able to classify test images as replicas of the reference image or as unrelated images. More precisely, the test procedure is as follows. A set of features is extracted from a test image, representing texture, colour and grey-level characteristics. These features are then feed into a preprocessing step, which is fine-tuned to the reference image. Finally, the resulting features are entered to a support vector classifier that determines if the test image is a replica of the reference image. Experimental results show the effectiveness of the proposed system. Target applications include search for copyright infringement (e.g. variations of copyrighted images) and known illicit content (e.g. paedophile images known to the police).     

DDoS detection based on wavelet kernel support vector machine

To enhance the detection accuracy and deduce false positive rate of distributed denial of service （DDoS） attack detection, a new machine learning method was proposed. With the analysis of support vector machine （SVM） and the wavelet kernel function theory, an admissive support vector kernel, which is a wavelet kernel constructed in this article, implements the combination of the wavelet technique with SVM. Then, wavelet support vector machine （WSVM） is applied to DDoS attack detections and as a classifying means to test the validity of the wavelet kernel function. Simulation experiments show that under the same conditions, the predictive ability of WSVM is improved and the computation burden is alleviated. The detection accuracy of WSVM is higher than the traditional SVM by about 4%, while its false positive is lower than the traditional SVM. Thus, for DDoS detections, WSVM shows better detection performance and is more adaptive to the changing network environment.     

Rayleigh信道下的支持向量机多用户检测方法

在BPSK调制的DS-CDMA中,基于支持向量机(Support Vector Machine,SVM)的多用户检测方法采用支持向量机的分类方法将接受向量分成+1和-1两类,达到检测的目的。与MMSE方法不同的是,支持向量机分类器的目的是找出一个能将训练向量中信号为+1和信号为-1的两类数据分离的最佳分离超平面。从数值仿真结果可以看出,在Rayleigh信道,这种支持向量机的多用户检测方法与MMSE多用户检测器相比,输出能达到较低的误码率。     

基于Boosting与SVM的入侵检测技术

为克服目前很多入侵检测方法存在成功率低以及误警率高的缺点,将Boosting与SVM算法结合,使用小训练样本对SVM进行训练,得到分类器,然后使用Boosting方法进一步提高SVM的泛化能力.在Matlab 2009版本下,采用KDD99入侵检测数据进行了仿真实验.仿真实践证明,这种技术可提高分类精度和准度,提高了入侵检验的成功率.     

利用支持向量机的飞机目标检测

为了在有干扰弹和飞机机型不定的情况下检测出天空背景中的飞机,通过自动阈值分割和腐蚀膨胀运算找出图像中的疑似区,提取其灰度方差、不变矩特征和像素比组成特征向量,应用支持向量机作为分类器对疑似区进行判别,判断其是否为飞机,选取典型的飞机图像作为正样本,选取干扰弹图像作为负样本.用不同背景和飞机机型的图像进行试验,证明该方法能很好地提出疑似区并有效地对疑似区进行检测识别出飞机目标.     

基于多特征和最小二乘支持向量机相融合的行人检测模型

为了提高行人检测正确率,提出一种基于多特征融合和最小二乘支持向量机的行人检测模型。首先提取行人的相位一致性特征和梯度直方图特征,然后采用粒子群算法选择最优特征子集,最后将最优行人检测特征子集输入到最小二乘支持向量机对学习和分类,并采用对模型性能采用仿真实验进行测试。结果表明,相对于其它行人检测模型,本文模型不仅提高了行人检测率、降低了虚警率,而且加快行人检测效率,具有较强的鲁棒性。