支撑矢量推广能力分析

本文针对两种不同用途的支撑矢量机,分类支撑矢量机和回归支撑矢量机,分别证明了它们的一些几何性质,从这些性质出发讨论了这两种支持矢量机对新增样本的推广能力,新增样本对支撑矢量,非支撑矢量的影响以及新增样本本身的一些特点,得到了一些非常有价值的结论,从这些结论可以看出支撑矢量机对新增样本具有良好的推广能力,即对新增样本的良好的包容性和适应性,并且支撑矢量机是一种可积累的学习模型。     

线性规划支撑矢量机

本文通过对统计学习理论中一些重要结论,特别是线性函数VC维数的分析,得到了一种线性规划支撑矢量机,包括线性规划线性支撑矢量机和线性规划非线性支撑矢量机.在线性规划支撑矢量机中,对其VC维数界作了适当的放宽.文中最后对人工和实际样本进行了实验,结果说明了线性规划支撑矢量机在推广能力上较好地逼近了原支撑矢量机,而在计算复杂度上明显低于原支撑矢量机.     

支撑矢量预选取的中心距离比值法

支撑矢量机为小样本模式识别提供了一新的途径,但其支撑矢量的选择相当困难,也成为其应用的瓶颈问题.对此,本文提出了一种能够预先选取支撑矢量的方法——中心距离比值法.该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度.文中给出的仿真实验结果也验证了该方法的有效性和可行性.类似的结果在国内外还未见报导.     

一种基于支撑矢量机的多用户检测算法

与现有的机器学习算法相比,在样本有限的情况下,支撑矢量机具有更强的分类推广能力.本文将支撑矢量机与多用户检测相结合,提出了一种新型的多用户检测算法.理论推导和仿真结果表明该算法的有效性.     

回归型支撑矢量机的罚函数法及其改进算法研究

介绍了用于回归估计的支撑矢量机,针对标准罚函数法训练速度慢和不能有效区分不同样本重要程度的问题,将两种改进算法用于支撑矢量机的回归估计,并通过仿真实验分析了算法的训练效果,证明了算法的可行性。     

自适应支撑矢量机多用户检测

最佳多用户检测器是非线性检测器,特征码不完全正交时,线性检测器很难逼近最佳检测器.通常无线通信信道具有时变性,要求多用户检测算法具有自适应性.本文提出了一种自适应支撑矢量机方法,并把它用于信道时变情况下的多用户检测.一方面由于支撑矢量机引入的结构风险不仅包括经验风险最小化,而且又包括了容量控制项,这使得支撑矢量机多用户检测推广能力较好且对训练要求的样本数也大大下降;另一方面由于支撑矢量机的非线性特性可以比线性检测器更好地逼近最佳检测器.仿真结果较好地证实了该方法的可行性和有效性.     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理,并利用支撑矢量机对雷达目标一维像进行了识别.识别的结果表明了该方法的优越性,并显示它可以对残缺不全的样本进行识别.     

支撑矢量预选取的双色Voronoi图方法

支撑矢量机是在统计学习理论的基础上发展出来的一种新的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,在支撑矢量机中,支撑矢量的选取相当困难,成为其应用的瓶颈问题。该文利用Voronoi图在特征空间特有的构造特性,提出了一种预先选取支撑矢量的新方法双色Voronoi图方法。该方法针对数据在空间的分布特性,在训练支撑矢量机以前,利用样本数据的双色Voronoi图确定候选的支撑矢量,然后在这些预选的矢量上进行学习。试验证明了该方法的有效性及可行性。     

基于支撑矢量机的通信信号调制识别方法研究

提出了一种应用小波变换提取分类特征的基于支撑矢量机的通信信号调制识别方法。使用多个支撑矢量机分类器构成一个多类分类器用于多类信号的调制识别。在中频进行处理,不需要同步信息;利用支撑矢量机具有更好的推广能力,可以使用较少的训练样本。计算机仿真结果表明该方法可以很好地工作于信噪比变化范围较大的通信环境。     

用于一维图像识别的支撑矢量机方法

研究了支撑矢量机的分类机理，并利用支撑矢量机对雷达目标一维像进行了识别，识别的结果表明了该方法的优越性，并显示它可以对残缺不全的样本进行识别。     

基于主动学习的支持向量机算法

针对支持向量机（svM）模型不能有效处理海量数据挖掘的问题,提出一种改进的基于主动学习的支持向量机（AL_SVM）方法。该方法首先将训练集随机划分为多个独立同分布的子集,并选择其中一个子集作为初始训练集来训练SVM得到初始分类器和支持向量集,然后根据已经得到的分类器信息在剩余样本集中选择对于分类器改进作用最大的有价值样本。并与已得到的支持向量集合并构成新训练集,以更新分类器,从而在保留重要支持向量信息的前提下,去除大量不重要的支持向量,一定程度上避免了过学习问题,提高了学习效率。实验表明,AL_SVM方法能够在保持学习器泛化能力的同时提高其学习效率。     

基于K最近邻的支持向量机快速训练算法

传统支持向量机训练大规模样本时间和空间开销大,使其应用受到了很大限制。为了提高支持向量机的训练速度,根据支持向量机的基本原理,应用K最近邻思想来筛选训练样本集,提出了基于K最近邻的支持向量机快速训练算法(KNN-SVM)。算法首先选取一部分最有可能成为支持向量的样本——边界向量,然后用边界向量集代替训练样本集进行支持向量机训练,大幅度减少了训练样本的数量,使支持向量机的训练速度显著提高。同时,由于边界向量包含了支持向量,因此,支持向量机的分类能力没有受到影响。仿真实验结果表明,与传统支持向量机相比,在分类精度相同的情况下,算法能够有效地提高支持向量机的训练速度,而且还可以提高支持向量机的分类速度和推广能力。     

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.     

一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

基于支持向量机方法的噪声图像分割

图像分割是计算机视觉领域的关键技术之一。支持向量机方法被认为是好的学习分类方法之一,特别在小样本、高维情况下,具有较好的泛化性能。针对噪声图像的分割,提出了模糊权重支持向量机方法。分割实验表明,与经典支持向量机方法相比,模糊权重支持向量机方法具有更强的抗噪性。     

基于加权多宽度高斯核函数的聚类算法

针对在支持向量聚类,当样本分布不均匀时,单宽度的高斯核限制了支持向量机泛化性能,影响了聚类效果的问题,提出一种基于加权多宽度高斯核函数的支持向量聚类算法。加权多宽度高斯核函数比单宽度的高斯核有更多的可调参数,通过多参数调节,可提高泛化能力,改善聚类效果。仿真实验表明,与单宽度的高斯核相比,加权多宽度高斯核可以有效聚类,从而证明了该算法的有效性。     

A NEW HYPERSPHERE SUPPORT VECTOR MACHINE ALGORITHM

The hypersphere support vector machine is a new algorithm in pattern recognition. By studying three kinds ofhypersphere support vector machines, it is found that their solutions are identical and the margin between two classes of samples is zero or is not unique. In this letter, a new kind ofhypersphere support vector machine is proposed. By introducing a parameter n（n〉1）, a unique solution of the margin can be obtained.Theoretical analysis and experimental results show that the proposed algorithm can achieve better generalization performance.     

复杂分类问题支持向量机的简化

对于复杂分类问题,不可避免的会有错分情况,此时支持向量机的支持向量较多,影响了识别速度.为了解决这个问题,我们提出了基于最小错分间隔的分类思想,并在此基础上得出了一种新的简化支持向量机.与普通支持向量机相比,这种简化支持向量机有较少的支持向量、较高的识别速度,而且实验结果表明,它的识别精度完全可以与普通支持向量机的识别精度相媲美,甚至更优.