支持向量机在仓储物害虫分类识别中的应用研究

仓储物害虫自动分类识别是储粮生态系统中的重要研究课题之一。近年来，支持向量机以其出色的学习性能，已成为机器学习领域的一个研究热点。本文在研究支持向量机理论的基础上，将支持向量机引入仓储物害虫的分类识别中。实验表明，该方法与传统的神经网络方法相比，克服了后者固有的过学习和欠学习问题，并且对复杂模式的识别能力较强，达到了较高的识别率，这为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

近红外光谱检测技术在仓储害虫识别中的应用

简要介绍了近红外光谱检测技术的发展过程及在仓储害虫识别应用中的基本原理,通过对近红外光谱检测技术在国内外仓储害虫识别中的发展状况的分析,提出了在仓储害虫识别中采用近红外光谱检测技术与图像处理识别技术结合的研究新思路。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

基于支持向量机的实际调制信号识别

提出一种基于支持向量机的实际调制信号自动识别新方法。利用支持向量机把分类特征向量映射到一个高维空间，并在高维空间中构造最优分类超平面以实现信号分类。计算机仿真结果表明，该方法对实际采集的信号具有很好的分类性能。     

基于人脸表情与生理信号的多模态情绪识别研究

利用多模态智能技术识别情绪已成为业界研究热点。利用摄像头采集到的人脸图像信息传入已经训练好的模型之中,融合传感设备采集到的用户皮肤电反应和心电信息,提出采用支持向量机分类得到情绪所属的二维情绪模型位置,从而得出用户的准确情绪状态,提高了整体情绪识别、分类的准确率。算法对于人类基本情绪的识别准确率达到77.85%,高于单一模态识别的准确率,为多模态情绪识别研究提供了一种新的思路和探索。     

谷物害虫图像识别中特征值提取技术的研究

本文阐述了在仓储物害虫分类识别研究中利用计算机数字图像处理技术，对谷物害虫图像的一阶灰度值直方图和图像的目标区域，自动提4取静态仓储物害虫图像的数理统计特征、纹理特征和几何形状特征的主要技术和方法。试验结果表明，该方法可以为谷物害虫的计算机自动模式识别(快速分类)提供稳定的特征参数值，有效地提高了识别率。该方法为仓储物害虫的快速鉴定和分类研究开辟了新的途径。     

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

基于HHT和支持向量机的数字调制信号识别

提出了一种基于HHT和支持向量机的实际数字调制信号识别算法。首先介绍了HHT方法的基本原理，对三种数字调制信号进行分析，提出用于识别实际FSK，PSK和QAM信号的特征参数，然后运用支持向量机算法分类三种数字调制信号，仿真结果表明，在信噪比10dB时，识别率达95％以上。     

基于遗传优化SVM的通信信号的分类

为了充分利用遗传算法的全局寻优能力和SVM（支持向量机）的分类能力,文章设计了遗传优化SVM的分类算法。用遗传算法优化SVM中核函数的两个参数,再利用优化后的SVM进行分类。通过对方波和白噪声两种信号的分类仿真,证明了其优越性,同时也展现了遗传优化SVM在通信领域很好的应用前景。     

稀疏贝叶斯模型和相关向量机在信号识别中的应用

提出了一种基于相关向量机的信号调制识别新方法.与支持向量机相比,相关向量机训练是在贝叶斯框架下进行的,不仅解更稀疏,核函数也不需要满足Mercer条件.本文首先从信号中提取盒维数和信息维数作为分类特征,然后设计了基于相关向量机的多类分类器.文中介绍了稀疏贝叶斯分类模型,将相关向量机学习转化为最大化边缘似然函数超参数估计...     

A heterogeneous fault diagnosis approach to enhance performance of connected vehicles

Evolution of wireless access technology, availability of smart sensors, and reduction in the size of the set up of the communication system have engrossed many researchers toward vehicular ad hoc network (VANET). Vehicle-to-vehicle and vehicle-to-access-point communication in a vehicular environment facilitates the deployment of VANET for many different purposes. The success of any application implemented in a VANET relies on timely and accurate data dissemination across the nodes of the network. Implementation of any application is not going to be fruitful if the communication unit transmits incorrect sensor data due to the presence of a fault. This article focuses on the automatic detection of hard and soft faults for vehicular sensors and the classification of faults into permanent, intermittent, and transient faults using cloud-based VANET. For the cloud service, ThingSpeak cloud is used. At the RSU of the VANET, hard fault detection is performed, and for this purpose, a time-out strategy is proposed. The observation center, after receiving sensor status data over a vehicular cloud, does soft failure detection. The soft fault is identified by utilizing a comparative-based technique during soft fault diagnosis. Soft faults are categorized using two machine learning algorithms: Support vector machine and logistic regression. The effectiveness of the suggested work is assessed using performance metrics like fault detection accuracy, false alarm rate, false positive rate, precision, accuracy, recall, and F1 score.     

改进的投影孪生支持向量机

针对投影孪生支持向量机（Projection Twin Support Vector Machine,PTSVM）在训练和求解过程中存在的问题,提出了一类改进的投影孪生支持向量机（Improved PTSVM）,简称为IPTSVM.该文首先构造了改进的线性投影孪生支持向量机,然后利用核技巧轻松将其推广到了非线性形式.本文的主要贡献有：（1）提出了投影孪生支持向量机的新模型,克服了原始PTSVM在训练之前需要求解两个逆矩阵的问题;（2）继承了传统SVM（Support Vector Machine）的精髓,利用核技巧直接将线性IPTSVM推广到非线性形式;（3）引入了一个新的参数,可以调节模型的性能,提高了IPTSVM的分类精度.实验结果表明,与PTSVM算法相比较,IPTSVM不仅提高了分类精度,而且克服了PTSVM的一些不足.     

基于RSVM的异常入侵检测系统

首先介绍了支持向量机及Robust支持向量机的分类算法，提出了Robust支持向量机的入侵检测的模型；并利用研究入侵检测系统的MIT’s Lincoln实验室1998年收集DARPA BSM的数据集，对Robust支持向量机和普通的支持向量机的性能进行了比较。     

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.     

基于OC_SVM的Steghide检测算法

通过对使用隐写软件Steghide隐藏信息前后图像T、A、P点数目变化规律的分析,对每幅图像构造一个特征 向量,并且结合支持向量机提出一种基于OC_SVM的Stegthide检测算法,同时,实验结果给出了该算法在不同信息嵌 入量情况下的检测性能。     

超平面支持向量机简化性能分析

与传统支持向量机相比,针对复杂分类问题的超平面支持向量机和针对高噪声数据回归问题的回归型超平面支持向量机,具有支持向量少、测试速度快、计算精度高的优点。然而对不同的样本集,超平面支持向量机的简化效果有所不同,仔细分析了这一现象的原因,得出在支持向量中非约束支持向量所占比率越低则超平面支持向量机简化效果越明显的结论。     

PSVM多类分类及其应用

近似支持向量机(PSVM)在支持向量机(SVM)的基础上,变不等式约束为等式约束,只需求解一组线性等式,避免了求解二次规划问题,使得算法更快、更简洁,在两类分类问题中取得较好应用.探讨了3种基于两类PSVM的多类分类方法,在标准数据集上进行了验证,并与标准SVM的结果进行了比较,结论表明3种PSVM多类分类方法能取得较好的分类性能.     

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.     

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Vague-Sigmoid核函数的PSVM故障诊断算法研究

支持向量机因其相比于传统算法具有良好的分类性能,而广泛地应用于故障诊断研究中。但标准SVM存在训练时间长,占用内存大的不足。近似支持向量机（Proximal Support Vec-tor Machines,PSVM）算法具有训练速度快占用内存少的特点,特别适用于大量数据的故障诊断。但其对于分类超平面附近点的诊断精度略显不足。针对此类问题文中将耗时较少的Vague-Sigmoid核函数应用于PSVM,用以提高其对于在分类面附近样本的分类精度,仿真证明获得了较好的效果。