支持向量机在DSP中的实现方法研究

支持向量机是在统计学习理论基础上发展起来的一种新的模式识别方法,在解决小样本、非线性和高维模式识别问题中表现出了许多独特优势;为实现支持向量机的实时应用,提出了基于TMS320C6711DSP芯片的支持向量机的设计和实时实现方案,给出了支持向量机在模式识别中的实时应用模型和具体的硬件电路框图,对具体的硬件接口和软件编写进行了阐述;经系统仿真,该实现方法具有较好的可靠性和快速性,可以满足支持向量机的实时实现要求.     

一种新型的多元分类支持向量机

最小二乘支持向量机采用最小二乘线性系统代替传统的支持向量机采用二次规划方法解决模式识别问题。该文详细推理和分析了二元分类最小二乘支持向量机算法，构建了多元分类最小二乘支持向量机，并通过典型样本进行测试，结果表明采用多元分类最小二乘支持向量机进行模式识别是有效、可行的。     

支持向量机算法实现人民币序列号识别

人民币序列号识别是一个小样本、非线性和高维模式识别问题,是当前模式识别中的难题之一,具有重要研究意义和实用价值。主要研究了统计学习理论中支持向量机的二次优化算法,并将支持向量机应用于货币序列号的机器识别中。将次序最小优化算法构建的支持向量机用于序列号识别,充分发挥了支持向量机解决小样本、非线性和高维模式识别问题的优点。支持向量机（SVM）实验结果表明,这种支持向量机货币识别方法具有较高的可实现性和识别精度。     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

基于遗传算法优化支持向量机的电梯交通模式识别

电梯交通模式识别问题是电梯群控系统优化调度的基础。在电梯交通模式识别研究中,支持向量机应用较为广泛且识别效果较好,但仍存在模型参数难以确定的问题。为此,提出一种结合遗传算法和支持向量机的电梯交通流模式识别方法:利用遗传算法对支持向量机的关键参数对——惩罚因子C和核函数参数σ自动全局寻优,将最佳参数组合(C,σ)代入原始SVM模型,建立遗传算法优化支持向量机(GA-SVM)模型,并在Python平台下进行仿真验证。实验结果表明:该GA-SVM模型相比基本SVM模型具有更高的识别精度,且泛化性良好,更适用于电梯交通模式识别问题。     

用混沌理论优化SVM核参数的研究

混沌优化算法是一种有效的全局优化算法,其计算复杂度较低,搜索速度快。支持向量机是近年来新兴的模式识别方法,在解决小样本、非线性及高维模式识别问题中表现出了突出的优点。但支持向量机的识别性能对于参数的选择是敏感的,提出用混沌优化算法来优化支持向量机的参数,不仅提高了支持向量机的性能,而且解决了传统的选取参数方法计算量大、参数多时难以奏效的问题。仿真结果表明性能较好、计算量较少。     

基于支持向量机技术的粮虫图像分类技术研究

介绍了支持向量机的基本思想,提出了一个基于支持向量机的粮虫模式识别系统。该系统先对粮虫图像进行小波边缘提取,根据灰度共生矩阵和局部统计方法提取小波分割后的图像纹理特征。最后利用支持向量机对粮虫图像进行分类。     

模糊多核支持向量机研究进展

模糊多核支持向量机将模糊支持向量机与多核学习方法结合,通过构造隶属度函数和利用多个核函数的组合形式有效缓解了传统支持向量机模型对噪声数据敏感和多源异构数据学习困难等问题,广泛应用于模式识别和人工智能领域.综述了模糊多核支持向量机的理论基础及其研究现状,详细介绍模糊多核支持向量机中的关键问题,即模糊隶属度函数设计与多核学习方法,最后对模糊多核支持向量机算法未来的研究进行展望.     

模糊支持向量机的研究与应用

模糊支持向量机是在支持向量机的基础上引入模糊隶属度函数发展而来,是对支持向量机的改进和完善,一定程度上解决了传统支持向量机算法对噪声和孤立点敏感的问题,被广泛应用于模式识别和人工智能领域。文章阐述了模糊理论和模糊支持向量机的研究现状及其发展,深入探讨了模糊理论中几种模糊隶属度函数的设计方法,并对几种模糊支持向量机的原理及特点进行了详细的分析,最后介绍了模糊支持向量机在各个领域中的应用及发展前景。     

基于边界近邻的最小二乘支持向量机实现

最小二乘支持向量机采用最小二乘线性系统代替传统的支持向量即采用二次规划方法解决模式识别问题,能够有效地减少计算的复杂性。但最小二乘支持向量机失去了对支持向量的稀疏性。文中提出了一种基于边界近邻的最小二乘支持向量机,采用寻找边界近邻的方法对训练样本进行修剪,以减少了支持向量的数目。将边界近邻最小二乘支持向量机用来解决由1-a-r(one-against-rest)方法构造的支持向量机分类问题,有效地克服了用1-a-r(one-against-rest)方法构造的支持向量机分类器训练速度慢、计算资源需求比较大、存在拒分区域等缺点。实验结果表明,采用边界近邻最小二乘支持向量机分类器,识别精度和识别速度都得到了提高。     

支持向量机及其在模式识别中的应用

Statistical learning theory(SLT)and support vector machine(SVM) are effective to solve problems of machine learning under the condition of finite samples.It is known that the performance of support vector machine is often better than that of some neural networks in pattern recognition,especially in high dimensional space,and they arewell used in many domains for recognition.This paper at first introduces the basic theory of SLT and SVM,then points out the key problems of SVM and its research situation in recent years,and at last describes some applications of SVM in the field of pattern recognition.     

基于支持向量机的乐器识别方法

文章提出了一种基于支持向量机的乐器识别方法。与其它的模式识别方法不同,支持向量机是专门针对有限样本情况下的一种分类方法,在小样本的情况下,它的准确率一般优于传统的模式识别方法。它是建立在统计学习理论的VC维理论和结构风险最小原理基础上的,根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷,以期获得最好的推广能力。实验以乐器的MFCC系数和它的一阶导数为声学特征,建立一个自底向上的二叉树的支持向量机模型。实验表明这种识别方法是一种有效的识别方法,它的准确率高于GMM方法。     

复杂性测度在肌电信号模式识别中的应用

针对表面肌电信号(SEMG)的非平稳特性,提出了一种以复杂性测度和支持向量机(SVM)相结合的肌电信号模式识别新方法。肌电信号的复杂度作为一种新的肌电信号特征,算法简单。支持向量机是一种新的机器学习机制。通过对采集的四通道表面肌电信号进行分析,提取其复杂性测度信息构建特征矢量,利用“一对一”分类策略和二叉树构建的多类支持向量机分类器,很好地实现了对前臂的八种动作表面肌电信号的模式分类。实验表明,由支持向量机对肌电信号的复杂度特征进行分类,具有很好的稳定性和准确率,为肌电信号及其它非平稳生理电信号的模式分类提供了一种新思路。     

SVM在配方感官评估中的应用

支持向量机(SVM)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。本文从SVM的理论分析切入,阐述了SVM的基本原理、特性,提出用回归函数估计SVM进行建模来解决感官评估多类划分问题,并对其实际应用进行了算法选择、参数设计和实验验证。     

基于SVM与Inception-v3的手势识别

针对传统机器视觉的手势识别方法识别准确率低,抗干扰能力差等问题,提出了一种基于支持向量机（Support Vector Machine,SVM）手势分割和迁移学习的静态手势识别方法.本文使用SVM和迁移学习方法相结合构建新的手势识别模型,利用SVM对样本进行手势分割,将Inception-v3模型作为卷积神经网络模型基础,对网络参数进行fine-tuning,将预先经过手势分割处理后的样本导入模型训练,调整超参数得到新的最优手势识别模型,并在一定干扰环境下测试,得到测试结果.测试结果表明该方法识别准确率和实时反馈效率均高于传统方法,能高效识别手势,满足实际应用需求.     

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术，与传统人工神经网络不同之处在于前者基于结构风险最小化原理，后者基于经验风险最小化原理。支持向量机不仅结构简单，而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理，并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋，分别以平面点集分类、手写体汉字识别及双螺旋线识别为例，在不同的结构参数下进行了仿真实验，并对3种核函数的分类特性进行了对比分析，给出了在不同模式识别问题中3种核函数的选择条件。     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法，突破了传统模式识别方法的局限，使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块，实验结果表明该系统具有较高的识别率和较强的实用性。     

改进的决策树支持向量机地下水水质评价

基于结构风险最小原理的支持向量机(SVM)具有较强的学习泛化能力和良好的分类性能,能用来解决少样本学习的二类模式识别问题。针对具备多级类别的地下水水质评价问题,可以采用决策树SVM分类方法,通过对多类别水质标准的重新组合以构建类似于决策树的多个子分类器来实现。但基于决策树SVM分类过程中常常会出现由于正负类训练样本数据不均一导致的局部识别误差。基于二叉树原理提出了一种改进决策树SVM模型,通过加密数据插值和二叉分类有效避免正负类训练样本数据不均一的问题,针对地下水水质评价特点,增加了第5个子分类器以精确识别Ⅱ类水质和Ⅲ类水质。实验结果表明,改进的决策树SVM分类模型评价结果稳定。     

基于中心距离比值的增量支持向量机

研究了支持向量、中心距离比值、边界向量以及增量学习之间的关系，提出了基于中心距离比值的增量支持向量机。与传统方法相比，基于中心距离比值的增量支持向量机有效的利用了中心距离比值，解决了CDRM+SVM的阈值选取问题；且适合于增量学习；从而在保证了支持向量机的分类能力没有受到影响的前提下提高了支持向量机的训练速度。     

基于支持向量机的测厚仪CS值电压漂移故障判定及处理

支持向量机(SVM)是在统计学习理论基础上发展起来的一种新的模式识别方法,SVM的基本思想是通过非线性变换将输入空间变换到一个高维空间,然后在这个新的空间中求取最优分类超平面。它在解决小样本、非线性及高维模式识别问题中表现出许多特有的优势,并能够推广应用到函数拟合等其他机器学习问题中。本文着重介绍选取SVM及其如何成功诊断处理钢厂轧机X射线测厚仪CS值电压自动漂移等故障的实例,实践理论与应用并重。