基于支持向量机优化的人体动作识别方法

针对传统的基于支持向量机(SVM)在人体运动识别方法中仅单一地采用"一对一"识别策略并输出识别结果,忽略动作种类较多的时候,导致的识别效率低下,识别精确度不高的情况,提出了UPOP策略。UPOP策略采用了基于SVM的改进策略进行动作的识别,在识别的时候根据分类器的识别精度对DAG SVM策略进行改进,并在输出结果的时候输出识别结果和相对应的置信度,利用置信度对识别结果进行处理。通过实验,文中方法的识别率为98.3%,验证了UPOP策略的有效性,实现了高效率、高准确度的人体动作识别。     

基于猫群聚类算法的二叉树SVM蛋白质结构类预测

针对传统的基于二叉树SVM分类模型存在不可区分域和误差积累的缺陷,本文提出了一种基于猫群聚类算法的二叉树SVM分类方法,利用猫群聚类算法在各个节点自适应构造二叉树结构。以蛋白质序列的氨基酸相互作用和疏水模式为分类特征,采用本文算法对蛋白质结构类进行预测,实验结果表明,与其他算法相比较,本文算法具有较高的预测精度。     

运用高阶累积量和SVM的调制自动识别

针对数字信号调制模式识别问题,提出了运用高阶累积量和二叉树支持向量机（SVM）进行 自动识别的算法。该算法首先使用信号的四阶、六阶、八阶累积量构造了5个新的分类特征 ,然后利用二叉树支持向量机分类器实现了8种信号的有效分类。仿真结果表明,该算法优 于直接多类分类支持向量机算法,在信噪比大于5 dB时,识别率达到90%以上。     

基于SVM的通信设备部件识别研究

为解决大型通信设备的部件识别问题,提出了一种将SIFT特征和SVM相结合的分类方法。首先,通过SIFT算法得到样本图片的feature集即特征向量,并通过K-means聚类算法得到中心矩阵,再分别将所有feature集与中心矩阵作欧氏距离计算并统计最小值位置,即可得到输入数据;然后,采用以高斯径向基函数为核函数的一对多SVM分类器进行训练;最后,对新的输入数据进行检测,并得到输出结果。试验结果表明,基于SVM的分类方法能够有效提高分类正确率,并达到92%以上。     

雷达目标一维距离像识别方法研究

提出了一种基于小波包分析和二叉树支持向量机相结合的雷达目标一维距离像识别方法.该方法充分利用了小波包对信号的时频分解和支持向量机在小样本分类中的优势,可以改善目标的特征稳定性,提高识别性能.通过采用聚类分析中的均值距离来生成二叉树,将分类器分布在各个节点上,构成了多类支持向量机,减少了分类器数量和重复训练样本的数量.对...     

基于特征空间分解与融合的语音情感识别

提出了一种语音情感识别中特征空间的优化方法。针对情感类别两两之间的区分度,优化了情感对各自的特征空间,考察了多类分类器分解为两类分类器的方法,采用置信度判决融合的方法进行两类分类器组的重组,实验中比较了单个多类分类器和两类分类器组的识别性能。结果表明,在同等条件下性能提升了8个百分点以上,对多类分类器进行分解,优化每个情感对各自的特征空间,并进行融合的方法适合语音情感识别,对特征空间的优化效果显著。      

一种基于遗传算法的SVM决策树多分类方法

在当前的机器学习领域,如何利用支持向量机（SVM）对多类目标进行分类,同时提高分类器的分类效率已经成为研究的热点之一,有效地解决此问题对于提高目标的识别概率具有较大意义。本文针对SVM多分类问题提出了一种基于遗传算法的SVM最优决策树生成算法。算法以随机生成的决策树构建的SVM分类器对同一测试样本的分类正确率作为遗传算法的适应度函数,通过遗传算法寻找到最优决策树,再以最优决策树构建SVM分类器,最终实现SVM的多分类。将该算法应用于低空飞行声目标识别问题,实验结果表明,新方法比传统的1-a-1、1-a-r、SVM-DL和GADT-SVM方法有更高的分类精度和更短的分类时间。      

基于自适应类别权重的HRRP决策融合识别

针对雷达高分辨率距离像(HRRP)识别中因特殊样本和分类器误判而出现的错误分类问题,提出了一种基于自适应类别权重的多分类器决策融合识别方法。该方法结合K-最近邻思想,利用最近邻和相似度准则挑选与测试样本对应的训练样本集,构造混淆矩阵自适应完成分类器置信度的计算和筛选,最终获得目标各类别权重,输出分类结果。基于实测数据的研究结果表明,相较于以上任意单个分类器和传统决策融合方案,文中提出的融合识别方法识别率有明显提高,并且随着噪声的增大,该方法的优势愈加突显。     

基于多特征提取和粒子群算法的图像分类

现有图像分类大都采用单一特征,不能利用多个特征之间性能互补优势,且将特征选择与分类器构造分割开来,影响图像分类的精度和分类器的泛化能力。针对以上问题提出一种基于混沌二进制粒子群算法(CBPSO)的特征选择和SVM参数同步优化方法,利用图像的综合特征,将特征选择和SVM分类器构造结合同步优化,仿真实验结果表明,该算法能同步找出最优的特征子集和合适的SVM参数,提高了图像分类精度和分类器泛化能力。     

辐射源个体特征识别技术及在短波电台识别上的应用

辐射源个体特征识别是频谱管理、通信对抗领域的一项重要技术,文章将通信辐射源个体特征识别作为一个模式识别问题处理,分析了常用于识别的瞬态信号特征和稳态信号特征的特点,以稳态信号的杂散输出特征为基础,设计了一种工程中可用的SVM分类器算法完成短波电台个体识别。     

一种基于SVM的多目标模糊识别方法

支持矢量机是近年来在统计学习理论的基础上发展起来的一种新的模式识剐方法，在解决小样本、非线性及高维模式识剐问题中表现出许多特有的优势。本文重点分析了支持矢量机多分类问题中存在的错分、拒分现象，提出了一种基于支持矢量机特征空问的模糊隶属度函数。多目标识剐的仿真结果表明，采用这种模糊隶属度函数，能够减少目标的错分和拒分数量，提高识剐率。     

使用粒子群算法进行特征选择及对支持向量机参数的优化

特征选取和参数设置是提升支持向量机分类器的效果的两个主要手段.为了将两者结合起来,实现同步优化,以达到更好的分类效果,设计了一种基于粒子群算法的分类器优化算法.新算法对粒子采用2进制编码的,设计适合的目标函数,同步进行特征选择和支持向量机参数的优化.经过对比验证,新方法能够更加准确的得到待分类数据的特征子集跟支持向量机参数,最终得到更优的处理结果.     

一个基于神经树结构的模式分类系统

目前，广泛应用于解决模式识别问题的方法有：分类树和层次前馈神经网络，本文提出了一种基于神经树结构的模式分类新方法，该方法使用小规模的神经网络作为分类树的节点，提取模式中非线性特征信息，实验结果表明，该方法一方面中以减小分类树用于模式识别产生的误差和分类树中节点的数目，另一方面可以缩短训练神经网络所需的时间。     

基于SVM决策树的网络流量分类

提出一种用支持向量机(SVM)决策树来对网络流量进行分类的方法,利用SVM决策树在多类分类方面的优势,解决SVM在流量分类中存在的无法识别区域和训练时间较长的问题。对权威流量数据集进行了测试,实验结果表明,SVM决策树在流量分类中比普通的"一对一"和"一对多"SVM方法具有更短的训练时间和更好的分类性能,分类准确率可以达到98.8%。     

Support Vector Machine Training for Improved Hidden Markov Modeling

We present a discriminative training algorithm, that uses support vector machines (SVMs), to improve the classification of discrete and continuous output probability hidden Markov models (HMMs). The algorithm uses a set of maximum-likelihood (ML) trained HMM models as a baseline system, and an SVM training scheme to rescore the results of the baseline HMMs. It turns out that the rescoring model can be represented as an unnormalized HMM. We describe two algorithms for training the unnormalized HMM models for both the discrete and continuous cases. One of the algorithms results in a single set of unnormalized HMMs that can be used in the standard recognition procedure (the Viterbi recognizer), as if they were plain HMMs. We use a toy problem and an isolated noisy digit recognition task to compare our new method to standard ML training. Our experiments show that SVM rescoring of hidden Markov models typically reduces the error rate significantly compared to standard ML training.     

LIBS结合GA-BP神经网络与GA-SVM对塑料分类研究北大核心CSCD

塑料制品回收力度小、重复利用率低,造成环境污染和资源浪费,因此对废旧塑料精确分类是提高塑料回收的关键。本文采用激光诱导击穿光谱(LIBS)技术结合遗传算法优化误差反向传播神经网络(GA-BP)和支持向量机(GA-SVM)对常见的10种塑料进行分类识别。利用LIBS技术对塑料样品进行处理,分别采集每种塑料样品100组光谱。对采集到的原始光谱做滤波和归一化处理,提取光谱中14条主要的特征谱线,分别建立GA-BP神经网络和GA-SVM模型。实验结果表明,GA-BP神经网络对塑料的识别性能优于GA-SVM,其中GA-BP神经网络识别精度为99.25%,原因是GA-SVM利用升维算法实现对数据集的分类,在塑料样品种类多的情况,分类效果不及GA-BP神经网络。因此,利用LIBS技术结合不同的识别算法,可以实现对多种塑料样品的分类,也为研究不同算法对塑料样品分类识别提供研究思路。     

基于SVM分类机的入侵检测系统

本文设计并实现了一种基于SVM分类机的入侵检测系统。它收集并计算除服务器端口之外TCP／IP的流量特征，使用SVM算法进行分类，从而识别出该连接的服务类型，通过与该,连接服务器端口所表明服务类型的比较，检测出异常的TCP连接，在此基础上，本文深入探讨了TCP连接的观察时间、所取特征数目和SVM的核函数的选取对检测效果的影响。实验结果表明，本系统能够有效地检测出异常TCP连接。