自适应迭代最小二乘支持向量机回归算法

 基于最小二乘支持向量机回归算法,本文在前期工作的基础上进行了扩展,提出了更加详尽的自适应迭代最小二乘支持向量机回归算法. 与标准的LSSVR相比,本文提出的算法在学习新样本的时候利用了已有的学习结果,可以快速获得新的学习机. 模拟结果表明,自适应迭代最小二乘支持向量机回归算法能够自适应地确定支持向量的数目,保留了QP方法在训练SVM时支持向量的稀疏性,在相近的回归精度下,该算法极大地提高了标准LSSVR学习的速度.     

基于最小二乘支持向量机的网络质量预测

无线网络质量的研究已成为现在工程界的一个普遍问题,通过以往的研究发现测量报告（MRR）与邻小区关系（NCS）干扰值和TCH话务有较强的相关性,本文尝试以最小二乘支持向量机为基础建立MRR与NCS干扰值和TCH话务之间的数学模型。用某城市通信运营商GSM900的真实数据做实验,其结果表明,模型的拟合输出与实际值之间的残差能够准确反应NCS干扰值和TCH话务的变化对网络质量带来的影响。     

基于偏最小二乘与改进中心对称CENTRIST的快速行人检测算法

针对复杂背景下的快速行人检测问题,从行人边缘信息的角度,该文提出了一种改进的中心对称统计变换(ICS_CENTRIST)特征,该特征只有32维,计算简单,描述能力强,可以很好地表达行人的边缘轮廓。行人检测时采用3级级联分类方法：第1级采用基于辅助积分图的线性支持向量机(SVM),快速排除大部分非行人区域;第2级,第3级分别使用偏最小二乘法(PLS)选出区分能力最强的前12和21个块(block),提取ICS_CENTRIST特征,采用直方图交叉核支持向量机(HIK-SVM)进行精确检测。实验结果表明,该文算法在复杂背景下可取得较好的检测效果,检测速度在447358大小的图像上达到平均50 ms,与基于CENTRIST特征的快速检测方法和梯度方向直方图(HOG)算法相比分别提高了50%和90%,满足实时性要求。     

基于偏最小二乘回归的与头相关传递函数的个人化

该文提出了一种基于偏最小二乘回归(Partial Least Squares Regression, PLSR)的与头相关传递函数(Head Related Transfer Function, HRTF)的个人化方法。通过对HRTF进行预处理和主元分析,并对人体参数进行筛选,只要相对简单的人体参数测量,就可利用PLSR得到特定人的HRTF。客观误差分析和主观声音定位测试结果表明估计的HRTF与实际测量的HRTF之间不仅均方误差较小,而且感知区别不大;同时由PLSR估计的个人化HRTF在水平面上的主观测试定位准确率明显优于非个人化HRTF,也优于由最小二乘回归(Least Squares Regression, LSR)估计的个人化HRTF。     

曲波变换和最小二乘支持向量机的图像压缩算法

为了提高图像压缩质量,针对传统压缩算法的不足,提出一种曲波变换和最小二乘支持向量机相融合的图像压缩算法。首先采用曲波变换把图像分解为不同尺度和不同方向的曲波系数,并采用熵编码对粗尺度层曲波系数进行压缩,然后利用最小二乘支持向量机对细尺度层中不同方向的曲波系数进行学习,并通过和声搜索算法优化最小二乘支持向量机,实现细尺度层曲波数的压缩,最后采用图像压缩仿真实验测试其性能。结果表明,曲波变换和最小二乘支持向量机相融合的图像压缩算法提高了图像压缩的峰值信噪比,加快了图像压缩的速度,获得了更好的图像压缩效果。     

人工鱼群优化最小二乘支持向量机的视频字幕定位

征选择是视频字幕定位的关键,为了提高视频字幕定位正确率,提出一种人工鱼群算法(AFSA)和最小二乘支持向量机(LSSVM)相融合的视频字幕定位模型(AFSA-LSSVM)。首先提取视频字幕特征,然后通过模拟鱼群的觅食、聚群及追尾行为找到最优视频字幕特征子集,最后采用LSSVM建立最优视频字幕定位模型,并进行仿真对比实验。结果表明,相对其它视频字幕定位模型,AFSA-LSSVM提高了视频字幕定位正确率和效率,可为后续视频内容的安全分析提供技术支持.     

混沌时间序列局域偏最小二乘回归多步预测模型

针对混沌序列局域一阶多步预测问题,提出了基于偏最小二乘回归的混沌时间序列局域直接多步预测模型,偏最小二乘用于混沌时序重构相空间中演化轨迹前后相点信息间的建模。该模型克服了以往一阶局域单步预测模型进行多步预测时存在的误差累积,而且能抑制重构相空间中多重共线性的影响,提高了预测精度。试验中使用交叉验证方法将偏最小二乘的提取成分数。通过对Chen’s混沌序列和Mackey-Glass混沌序列的多步预测试验,验证了该模型在混沌时序预测方面具有很好的效果。     

最小二乘支持向量机用于时间序列叶面积指数预测

遥感反演的叶面积指数（LAI）时间序列被广泛应用于气候模拟、作物长势监测等研究。但遥感数据受天气等因素影响,时间序列的LAI 数据存在缺失。支持向量机（SVM）是一种有效的数据分类和回归预测工具,而最小二乘支持向量机（LS-SVM）是对SVM 的有效改进。以西藏那曲县为例,使用2003-2011 年MODIS LAI 产品,分别用LS-SVM 和SVM 两种方法对研究区域2011 年LAI 时间序列进行预测,并用MODIS 原始LAI 以及部分地面实验样点值进行验证。结果表明,基于LS-SVM 的LAI 时间序列预测算法的精度比基于SVM 的算法高,从而证明LS-SVM 方法能够弥补遥感反演时间序列LAI 数据的缺失问题,对提高时间序列的LAI 遥感产品质量具有重要意义。     

基于聚类核函数的最小二乘支持向量机高光谱图像半监督分类

针对大规模的高光谱数据分类,为了利用未标签样本所含信息,来提升分类器性能,提出了一种半监督分类算法。该算法根据聚类假设,即属于同一类地物的样本点在聚类中被分为同一类的可能性较大的原则来改进核函数,采用基于光谱角度量的K均值聚类算法对样本集进行聚类,根据多次聚类的结果,构造包袋核函数,然后利用加法和乘法运算将包袋核函数和RBF核函数组合成新的核函数,从而把未标签样本信息融入分类器。而且采用最小二乘支持向量机,将标准支持向量机的二次规划问题转换为求解线性方程组的问题。高光谱实测数据实验表明了本文方法的优越性。      

基于加权Boosting的核偏最小二乘图像超分辨率重建

核偏最小二乘(KPLS)算法对每个图像块选用全部主元成分进行图像重建,导致图像超分辨率算法的计算量大。兼顾图像重建质量和时间效率,该文提出一种加权Boosting的图像超分辨率重建算法。为自适应地选取每个图像块主元成分的最佳数目,利用加权Boosting原理对KPLS回归预测量进行补偿,推导给出补偿权重系数的数学表达式。讨论不同Boosting阈值情况下的重建性能,在合适的下,选取出主元成分的最佳数目m更好地满足KPLS回归模型的精度要求。实验结果表明,该文算法的超分辨率重建质量优于传统算法。     

基于小波数据压缩的光谱技术在水质分析中的应用

一定浓度氮磷水样的紫外吸收光谱数据量非常大,采用基于软阈值的小波变换可以对这些光谱数据进行有效压缩.不同浓度氮磷水样的紫外吸收光谱信号之间存在很强的相关性,利用偏最小二乘回归(PLSR)方法对光谱信号的强度和水样中氨氮浓度之间的关系进行回归建模可以降低这种相关性的影响,提高所建模型的拟合精度.实际水样测试数据的建模结果表明,用这种方法所建立的模型,氮磷浓度检测的最大相对误差为8.9%,完全满足检测精度的要求.