基于GF空间多项式核函数的分类研究

在基于核方法的分类问题中,核函数及其参数选择皆对分类结果具有重要影响,通常基于经验选择核函数或基于多核优化方法确定核函数的权系数。针对GF空间的多项式核函数,在范数限定条件下利用多核学习方法优化多项式权系数,实现多项式核函数的优化。实验结果表明,算法优化得到的多项式核函数其分类性能优于常用的单核函数,与多核方法相当,并在分类中取得良好的效果。     

基于核特征的商品图像句子标注

用单词标注图像会产生歧义或噪声,故采用句子标注商品图像,以准确刻画商品特性.现有商品图像句子标注方法存在特征学习不充分的问题,针对该问题,提出基于核特征模型抽取图像的形状、颜色和梯度3种核特征,并在多核学习模型内融合生成新特征,基于新特征完成商品图像分类,检索视觉相似的训练图像,摘录其标题中的关键文本标注商品图像.最后,从信息检索和机器翻译两个角度分别评价标注性能.实验表明:基于新特征能获取最优的商品图像分类性能,图像分类缩小了图像检索范围,有助于改善检索性能;标注模型的MAP(Mean Average Precision)值和P-R(Precision-Recall)指标均优于基线;所标句子与图像内容语义相关,且连贯性和流畅性更优.     

一种基于多核SVM的服装图像自动标注方法

Web服装图像检索是目前的一个热点研究领域,服装图像的自动标注是其中的一项重要研究内容.只有准确地自动标注服装图像,才能实现服装图像的智能化搜索.本文在大量实验的基础上,提出了一种基于多核SVM服装图像自动标注方法,通过提炼服装图像的本质特征并结合交叉验证法调优参数,明显提高了服装图像自动标注的准确率.     

基于类别多核局部判别嵌入的人脸识别

在局部判别嵌入的基础上提出了一种有效的非线性子空间学习方法:类别多核局部判别嵌入.首先针对给定数据的类别信息,定义基于每一个类别的局部核函数,形成多核,接着将不同的局部核函数进行线性组合作为最终的核函数引入到局部判别嵌入算法中,得到类别多核局部判别嵌入算法,在核空间内提取图像高阶非线性信息.在ORL和Yale库上的人脸识别表明该方法是有效的.     

基于支持向量机的视频关键帧语义提取

针对如何从视频关键帧中提取语义的问题,提出了一个使用多类支持向量机（SVM）对风光纪录片的关键帧进行分类来提取语义的方法. 支持向量机利用从风光纪录片的关键帧中提取的彩色直方图和MPEG（活动图像专家组） 7的边缘直方图特征对关键帧图像进行分类,从而得到关键帧的语义. 对具有不同核函数的支持向量机的分类进行了研究,并对分类的结果进行了对比. 结果显示,具有二项式（Poly nomial）和RBF（radial basis function）核函数的SVM,其分类准确度比其他的SVM约高3％.     

基于组合核函数的高校经济困难生分类

为进一步提高高校资助工作的精准度,构建基于组合核函数的支持向量机(SVM)高校经济困难生分类模型。根据在校生的消费数据、人员信息及历史资助信息抽取样本特征,利用径向基(RBF)核函数的局部拟合能力及多项式核函数的泛化能力,构建基于RBF核函数及多项式核函数的组合核函数SVM分类模型;采用多重网格搜索法训练模型获取最优核参数和组合核函数的权系数,并对高校经济困难生进行分类预测。实验结果表明:采用构建的模型可对高校经济困难生进行分类预测,与单核核函数SVM、逻辑回归模型、最近邻算法(KNN)相比,其分类准确率显著提升;使用融合特征可增加不同类别样本数据的差异性,有助于提高分类准确率。     

基于线性距离核的支持向量机设计

为了消除样本数量对现有SVM决策函数计算的影响,提出一种基于样本数据线性距离特征的线性距离核函数来改进SVM。基于该核函数的SVM决策函数,实现了与样本数量无关的分类计算,极大提升SVM在执行超大规模分类计算的速度。仿真结果表明,该核函数具有与常用核函数一样的性能,可以完成非线性SVM的训练和分类。     

模糊多核一类支持向量机

随着一类支持向量机(OCSVM)在类别不平衡数据的分类问题或异常检测方面的广泛应用,该算法的局限性也逐渐显现出来.一是算法的性能易受噪音的影响,其鲁棒性较差.二是算法中核函数核参数的选取尚无一般性适用方法.为同时解决上述两个问题,将模糊隶属度引入到多核一类支持向量机(MKOCSVM)中,提出了模糊多核一类支持向量机(FMKOCSVM)模型.首先,由数据间的模糊关系获得训练样本的模糊隶属度;然后以加权求和的方式合成组合核代替单核,核权重通过核对齐的思想计算.在人工数据集上证明了该模型的有效性,并在UCI数据库上进行了仿真实验,结果显示此方法具有较高的分类性能,既避免了核选择难题,又提高了抗噪音能力.     

基于多特征融合和混合核SVM的目标识别方法

针对可见光和红外传感器具有不同感知特性的问题,提出了一种基于多传感器特征信息融合和混合核SVM的图像目标识别方法,方法包含多特征提取、主成分分析和混合核SVM分类三个部分.在特征提取中利用可见光和红外图像的互补性,分别提取同一场景可见光与红外图像的灰度共生矩阵以及灰度直方图统计特征,得到一组目标融合的特征量,进一步进行目标分类与识别;利用主成分分析法降低特征的维度,减少计算量;利用混合核SVM方法对目标特征进行分类识别.结果表明,在室内环境中对不同人群密度等级进行分类时,所提出方法的精度可达88.21%.     

核聚类集成失衡数据SVM算法

针对传统SVM算法在失衡数据集下的分类性能不理想的问题,提出一种基于核聚类集成SVM算法.该算法首先在核空间中对多数类样本集进行聚类,然后随机选择出具有代表意义的聚类信息点,实现在减少多数类样本数的同时将分类界面向多数类样本方向偏移.并利用AdaBoost集成手段对基于核聚类的欠取样SVM算法进行集成,最终提高SVM算法在失衡数据下的泛化性能.将提出的算法同其他失衡数据预处理集成方法进行比较,实验结果表明该算法能够有效提高SVM算法在失衡数据中少数类的分类性能,且总体分类性能及运行效率都有明显提高.     

组合核支持向量机高光谱图像分类

为了提高高光谱遥感图像分类中空间信息的利用率,提出一种将空间邻域信息和光谱信息结合的组合核支持向量机(SVM)学习算法.用SVM进行预分类,从分类结果图提取各像素的空间邻域特征,与光谱特征结合构造组合核SVM进行分类,并再次提取空间邻域特征进行多次空-谱信息组合核SVM迭代分类,如此迭代10次,从中选择合适的结果作为最终输出.结果表明,该方法对传统支持向量机的分类精度提升幅度可达10%左右.同时,与其他组合核支持向量机相比,该算法用更少的训练样本获得了更高分类精度.     

一种基于高斯分布的SVM核参数选择方法

针对支持向量机(Support Vector Machine,SVM)研究中的核选择问题,在Amari和Wu提出的保形变换方法的基础上,提出了一种基于高斯分布的SVM核参数选择方法.分析了确定数据分布特征的重要性,给出了判断数据呈高斯分布的方法,探讨了SVM核函数及其参数选择与数据分布的相关性.在Matlab实验环境下,采用两组数据集进行了数值仿真,仿真结果说明了本文所提方法的可行性与有效性.     

基于支持向量机的火灾探测系统研究

火灾的早期探测技术长期得到火灾预防专家的关注,基于图像型的火灾探测系统成为研究的重点．针对目前的火灾早期探测技术存在的问题,提出基于火灾火焰图像和支持向量机识别原理的火灾识别技术,系统获取火灾初期火焰的六个主要特征,采用基于线性核函数等不同核函数的支持向量机技术进行识别实验,得出基于线性核函数识别火灾的准确率最高的结论．本探测系统一定程度上弥补传统监测系统的缺陷,缩短预报时间,降低误报率．     

基于Scikit Learn的SVM分类器算法优化

支持向量机(SVM)在高维度数据分类中表现出优异性能,可通过核函数对原始特征进行映射,解决原始空间线性不可分问题。但由于数据特征、维度不同,所以SVM在参数调整时,一般需要手动调整,效率较低且增加工作量。针对该问题,提出了一种基于Scikit Learn的SVM分类器参数调整优化方法。使用网格搜索对最优参数范围进行搜索,利用高斯径向基核函数进行参数调整,基于Python机器学习库Scikit Learn对不同参数、不同核函数的分类结果进行可视化观察,并在网格上显示其最优参数范围,寻找准确率高的参数分布。通过自动迭代的方式对参数进行更精确求解,设定相应值代入迭代计算。同时为防止陷入过拟合,设定最优参数邻域范围直接读取最优参数值。实验结果表明,所提出的方法可大量减少人工调参时间,且可以更精确地获得SVM的最优参数。     

基于Bayes的自动图像标注

给出了一种基于Bayes的图像自动标注方法.将图像标注问题看做多类分类问题,通过判断类条件概率密度来选择最佳标注词,并在Corel图像库上进行了实验.实验验证了该方法的有效性.     

物体分类识别中视觉词汇生成方法研究

针对目前Bag of words模型将聚类中心作为视觉单词,而导致语义信息表达不完全的问题,提出了一种新的改进的视觉词汇生成方法。首先,提取图像的SIFT特征点并聚类;然后利用核函数进行核密度估计,选取每个聚类中若干个有代表性的特征点;最后,通过SVM训练生成视觉词汇。实验结果表明,改进后的视觉词汇生成方法,在物体分类识别中,与以聚类中心为视觉单词的生成方法相比,增强了语义信息的表达,提高了查全率,使得物体分类识别率大大增加。     

基于支持向量机的模糊回归估计

针对给定的大规模数据集的回归估计问题，提出基于支持向量机的模糊回归估计方法.该方法把复杂的数据集看作多个群体的混合，每个群体采用单一的回归模型进行描述，使得大规模数据集的回归估计问题变成了一个多模型估计问题.在此基础上把支持向量机与模糊C聚类结合起来得到基于支持向量机的模糊回归模型，并给出了实现该模型回归估计的算法.该方法对大规模的数据样本进行模糊C聚类，并回归估计各聚类的数据样本.数值仿真结果表明，该方法在聚类数据样本的同时能实现多个模型的回归估计，而且模糊隶属度的初始化影响要小于其他的模糊回归估计方法.     

半径间隔界驱动卷积神经网络模型的图像识别

基于支持向量机（SVM）的卷积神经网络（CNN）模型结合了大间隔原理,在图像识别中表现出了优异的泛化性能。然而,该方法忽视了一个关键:SVM的泛化性能不仅取决于不同类之间的间隔,还与所有样本的最小包含球（MEB）的半径有关。针对这一事实,文章提出一种基于半径间隔界（RMB）驱动的CNN模型的图像特征提取和识别的方法。与传统CNN模型相比,该模型采用基于SVM泛化误差界的策略来指导CNN深度模型学习和相应分类器构建,不仅考虑了不同类别之间的间隔,还考虑了MEB的半径。该模型能提高深度卷积模型的泛化能力而不会额外增加网络的复杂度,还能够应用于不同的深度模型中而不受限于某一特定的网络结构。在多个数据集上的实验结果表明,相比于基于Sofmax损失的CNN模型、基于中心损失的CNN模型以及基于 SVM 的 CNN 模型,该模型能够提取到鉴别性更强的图像特征,取得更高的识别率。     

基于高斯核函数支持向量机的脑电信号时频特征情感多类识别

为了找到一种综合分析方法,提高对脑电信号情感多分类识别的分类精确度,将DEAP数据库中的脑电数据采用经验模态分解的方法分解为多个本征模函数,并对本征模函数按不同的时长窗口进行分片,提取其功率谱密度作为脑电信号特征.将被试对音乐视频的情感评价指数用于生成情感分类标签,按"唤醒度"和"效价"2个维度将评价指数映射到二维情感模型中,分成4类.采用"一对一"的高斯核函数支持向量机对脑电特征进行多分类分析.实验结果表明:高斯核函数支持向量机的最高分类准确度达到90.9%(22号被试),平均分类准确度达到68.3%.高斯核函数支持向量机能有效地从脑电信号中识别出不同的情感状态;同时,对于相同刺激,不同的被试产生的情感状态不同;并且,在清醒状态下,脑电信号的高频子波对情感分类有更高的分类精确度.