基于SVM和Adaboost解决实时流量识别问题

摘要针对当前实时流量识别技术上的不足,本文基于支持向量机算法（SVM）和Adaboost算法,提出了一种实时流量识别算法。这种方法将SVM算法使用在Adaboost算法框架中,通过Adaboost算法来提高SVM算法的对流量样本学习能力,改善了SVM算法在实时流量识别中的准确率,从而改善识别器的性能。仿真实验证明,通过设定算法的迭代次数,这种方法的实时流量识别准确率能够达到85％以上。     

基于555振荡器的地沟油频率检测仪

地沟油流回餐桌,给人们的健康和安全造成严重伤害,食用油的卫生问题也成为社会关注的焦点。本研究致力于研发一种快捷精准的地沟油检测仪,为相关监管部门在食用油检测方面提供便利。本研究主要通过测量电容极板间不同油样的介电常数,计算出电容值,判断其是否为地沟油。探头检测到的信号输入到单片机中,信号经处理后在显示屏上以参数形式直观表达。     

基于SVM的车型检测和识别算法

根据模式识别理论和支持向量机(SVM)网络技术，对运动车辆的检测和模式识别、分类进行了研究，提出了基于双帧差“或”运算检测法和基于SVM网络的车型识别和分类算法。实验结果表明，所设计的检测方法和SVM模式识别方法能够快速有效地识别车辆类型并正确地进行分类。     

基于唇形的智能轮椅人机交互

提出了一种新颖的基于唇形的智能轮椅人机交互方法.该方法通过定义不同的唇形来控制智能轮椅的运动,使用者在噪杂环境中也能进行和谐、方便地人机交互.首先使用adaboost算法在视频帧中实时、准确地检测唇部,然后通过离散余弦变换(Discrete Cosine Transform DCT)提取唇部特征.针对经DCT变换后特征矢量维数较高以及支持向量机(Support Vector Machine SVM)在解决小样本、非线性及高维模式识别中表现出的优势,最后使用SVM进行唇形的识别,并将识别结果转换成控制指令来控制轮椅的运动.实验证明,该方法能有效地识别不同唇形并可用于实时控制智能轮椅的运动.     

基于SVM模型的车牌识别应用研究

车牌识别是目前道路交通智能化管理的重要一环,提出了一种基于支持向量机(SVM)的车牌识别方法,通过边缘检测算法与颜色再定位相结合,实现车牌的定位;进行字符分割时将阈值选取推广到多阈值,提高分割的准确性;利用SVM模型进行车牌字符的识别,并且在检测到为易混淆字符时进行二次SVM分类.模型对中文字符、字母字符、数字字符识别率分别为93.2％、96.3％、95％,识别率较高且识别速度符合实时要求.     

基于曲线拟合和SVM的眼动信号分类算法研究

为提高基于EOG的眼动信号分类算法精度,改进基于EOG的人—机交互系统性能,提出了一种基于曲线拟合(curve fitting)与支持向量机(SVM)的眼动信号分类算法(CF-SVM),并设计了新的实验范式,增加了“扫视保持”环节.该算法采用曲线拟合方法进行特征提取,在此基础上,使用SVM分类器对眼动信号进行分类.实验室环境下,对9名眼部活动正常的受试者进行了眼动数据采集与识别,CF-SVM算法的平均分类准确率达到98.3％,与其他几种眼动识别方法相比较,其平均正确率分别提升了9.4％、5.9％、1.0％.实验结果表明,CF-SVM算法在眼动信号识别中表现了良好的性能,具有高的分类精度和鲁棒性.     

基于智能手机的车辆行为实时判别与渐进矫正方法研究

目前基于智能手机的车辆行为识别算法存在着鲁棒性较差、识别率较低、无法应用于实时行驶判断等问题。针对上述问题,提出了基于智能手机的车辆行为实时判别与渐进矫正方法,以提高车辆行为识别的准确率和实时性。该方法利用车辆行为发生时存在的渐进变化数据来进行车辆行为的识别与渐进矫正分类,并通过采集过程数据作为分类器训练样本,提高支持向量机(SVM)分类器的车辆行为识别和预测能力。同时,针对传统滑动窗口检测的局限性,该方法采用了端点检测算法,从而能快速地从车辆行驶数据中截取并识别行为轨迹信息,以减少车辆行为的误判。实验结果表明,基于时间分段矫正的行为识别算法能够有效地对车辆行为进行预测,并最终达到较高的识别率,证明了该方法的有效性。     

基于粗集理论和SVM算法的模式分类方法

本文提出一种将粗集方法与SVM算法结合起来的模式分类方法.利用粗集理论在处理大数据量、消除冗余信息等方面优势,减少SVM训练数据,克服SVM算法因为数据量太大,处理速度慢等缺点;同时,借助SVM良好的分类性能,对粗集约简后的最小属性子集进行分类,实现模式分类算法的快速性能、高识别率和抗干扰性强等优点.本文以手写体汉字的识别为例,说明本算法的实用性.     

基于电子鼻技术的花椒品种鉴别方法研究

本文针对不同花椒品种的快速鉴别方法进行研究,以花椒的气味信息检测为研究对象,利用自行研制的电子鼻系统采集了6类花椒样品气味数据,对这些数据样本进行特征提取,得到了56组训练样本和32组测试样本。利用BP神经网络、概率神经网络和支持向量机对特征数据进行鉴别,正确识别率分别为89.58%、93.23%、94.27%,相对于BP神经网络和概率神经网络识别,支持向量机具有更好的分类效果。 本文研制的电子鼻系统能能无损、快速、准确鉴别花椒的品种,为农产品无损检测的研究提供了一种新的思路。     

基于唇形的人机交互系统研究及其应用

针对在噪声环境中基于语音的人机交互系统鲁棒性差的问题,本文提出一种新颖的基于唇形的人机交互方法。该方法通过定义不同的唇形来进行人机交互。首先使用adaboost算法实时检测到唇部,然后通过离散余弦变换(Discrete Cosine Transform DCT)提取唇部特征,最后使用支持向量机(Support Vector Machine SVM)进行唇形的识别。     

SVM approximation for real-time image segmentation by using an improved hyperrectangles-based method

A real-time implementation of an approximation of the support vector machine (SVM) decision rule is proposed. This method is based on an improvement of a supervised classification method using hyperrectangles, which is useful for real-time image segmentation. The final decision combines the accuracy of the SVM learning algorithm and the speed of a hyperrectangles-based method. We review the principles of the classification methods and we evaluate the hardware implementation cost of each method. We present the combination algorithm, which consists of rejecting ambiguities in the learning set using SVM decision, before using the learning step of the hyperrectangles-based method. We present results obtained using Gaussian distribution and give an example of image segmentation from an industrial inspection problem. The results are evaluated regarding hardware cost as well as classification performances.     

SVM和BP算法在油气识别中的对比应用研究

在油气勘探领域中,当使用测井资料进行油气层分类识别时,运用传统的方法具有一定的局限性。本文使用了数据挖掘分类算法中的支持向量机(SVM)方法,并实际应用到新疆塔里木盆地油气层识别中。实验中分别采用了支持向量机算法和BP神经网络算法进行对比检验,结果表明通过支持向量机算法建立的油气层识别模型具有更高的识别检验性能,体现了支持向量机在处理多类分类问题中的优越性。     

SVM结合模糊方法在遥感图像分类中的应用

提出一种支持向量机(SVM)结合模糊方法的遥感图像分类算法。首先介绍了SVM基本算法及其在遥感图像分类中应用情况,然后针对SVM多类判别存在混分和漏分的缺陷,对混分和漏分样本采用模糊方法判决分类。实验证明该方法的分类精度优于单一的SVM方法、模糊方法或神经网络方法。     

TRA:改进的SVM增量学习淘汰算法

介绍了支持向量机,报告了支持向量机增量学习算法的研究现状,分析了支持向量集在加入新样本后支持向量和非支持向量的转化情况.针对淘汰机制效率不高的问题,提出了一种改进的SVM增量学习淘汰算法--二次淘汰算法.该算法经过两次有效的淘汰,对分类无用的样本进行舍弃,使得新的增量训练在淘汰后的有效数据集进行,而无需在复杂难处理的整个训练数据集中进行,从而显著减少了后继训练时间.理论分析和实验结果表明,该算法能在保证分类精度的同时有效地提高训练速度.     

基于HMM与SVM的语音活动检测

工程机械强噪音环境下的噪声源较多,导致电话语音通话无法进行,且强噪声造成无效数据占用带宽。为此,提出基于隐马尔科夫模型(HMM)和支持向量机(SVM)的语音活动检测算法。该算法将提取的美尔频率倒谱系数特征向量输入到HMM识别器中,并通过Viterbi算法得到N维最佳识别结果,将其转换为SVM特征向量输入到SVM分类器中进行分类判别,得到判决结果。实验结果表明,该算法在机械工作噪音的情况下,语音检测率较静态统计类算法平均提高9%,比小波支持向量机方法提高11%,在驾驶室噪音的情况下比小波SVM方法有较小幅度的提高,但其增长速度较快,且比传统的统计类算法提高9%。     

TL-SVM:一种迁移学习新算法

迁移学习旨在利用大量已标签源域数据解决相关但不相同的目标域问题. 当与某领域相关的新领域出现时, 若重新标注新领域, 则样本代价昂贵, 丢弃所有旧领域数据又十分浪费. 对此, 基于SVM算法提出一种新颖的迁移学习算法—–TL-SVM, 通过使用目标域少量已标签数据和大量相关领域的旧数据来为目标域构建一个高质量的分类模型, 该方法既继承了基于经验风险最小化最大间隔SVM的优点, 又弥补了传统SVM不能进行知识迁移的缺陷. 实验结果验证了该算法的有效性.     

一种多重支持向量机在线学习算法的研究

增量式支持向量机学习算法是一种重要的在线学习方法。传统的单增量支持向量机学习算法使用一个数据样本更新支持向量机模型。在增加或删除的数据样本点较多时,这种模型更新模式耗时巨大,具体原因是每个被插入或删除的样本都要进行一次模型参数更新的判断。该文提出一种基于参数规划的多重增量式的支持向量机优化训练算法,使用该训练算法,多重的支持向量机的训练时间大为减少。在合成数据集及真实测试数据集上的实验结果显示,该文提出的方法可以大大降低多重支持向量机训练算法的计算复杂度并提高分类器的精度。     

样本数目不对称时的SVM模型

1 引言支持向量机(Support Vector Machine,SVM)是统计学习理论发展的结果,自诞生以来,在非线性特征提取、模式识别、函数拟合等方面表现出优良的性能,因而受到广泛的重视,目前已成为人工智能领域的研究热点。然而,由于SVM从诞生到现在不足十年,许多研究工作     

支持向量机算法在CO浓度传感器中的应用

针对基于红外光谱的CO气体定量分析模型对机动车尾气排放中有害气体CO的定量分析;选取了浓度范围在0.5%～20%的15组不同浓度的CO气体样本,建立CO浓度的支持向量机（ SVM）回归分析模型,基于改进的网格搜索法对SVM的相关参数进行了优化。实验结果表明：经过SVM的回归分析,与传统的光谱吸收方法相比,处理后浓度值比实验所得浓度值更接近CO标定值;与粒子群优化（ PSO）算法作对比,采用网格搜索法获得的最佳参数糟＝0.707,早＝0.5,PSO获得的糟＝55.911,早＝0.01,所用时间比PSO算法节省约40%。SVM应用于CO的浓度分析,符合实验要求,回归效率提高。     

增量回归支持向量机改进学习算法

传统的支持向量机不具有增量学习性能,而常用的增量学习方法具有不同的优缺点,为了解决这些问题,提高支持向量机的训练速度,文章分析了支持向量机的本质特征,根据支持向量机回归仅与支持向量有关的特点,提出了一种适合于支持向量机增量学习的算法(IRSVM),提高了支持向量机的训练速度和大样本学习的能力,而支持向量机的回归能力基本不受影响,取得了较好的效果。