最小二乘向量机在说话人识别中的应用

说话人识别是语音识别的一种，是当前的研究热点之一。而基于统计学习理论的支持向量机（SVM）方法是一种新的机器学习算法，已成为机器学习研究的热点。讨论了一种改进的SVM即最小二乘向量机（LS-SVM）的方法进行说话人识别研究。研究表明，基于LS—SVM的说话人识别比传统的SVM说话人识别计算复杂度小、效率更高、对说话人识别有很强的适应性。     

最小二乘向量机在说话人识别中的应用

说话人识别是语音识别的一种,是当前的研究热点之一。而基于统计学习理论的支持向量机(SVM)方法是一种新的机器学习算法,已成为机器学习研究的热点。讨论了一种改进的SVM即最小二乘向量机(LS-SVM)的方法进行说话人识别研究。研究表明,基于LS-SVM的说话人识别比传统的SVM说话人识别计算复杂度小、效率更高、对说话人识别有很强的适应性。     

基于KPCA-SVM的三维物体识别研究

在基于视图的三维物体识别系统中,一般采取表征相似视图差异作为识别特征,往往需要较多的特征维数,增加了分类的复杂度,降低了识别效率。本文使用核主成份分析(KPCA)算法对识别特征进行抽取和降维,再应用支持向量机(SVM)进行分类识别,有效解决了上述问题。实验数据采用哥伦比亚图像库,并将所得结果与其他常用识别方法所得结果进行了比较,证明了使用KPCA-SVM方法在不降低分类器性能的前提下,能有效降低输入数据的特征维数,并具有较好的识别性能。     

高光谱数据分类新方法研究

传统的独立分量分析（ICA）算法无法确定高光谱数据中独立分量的个数,利用概率神经网络（PNN）训练时间短的优点,根据分类精度可以较快地确定出独立分量的个数。提出了一种在确定高光谱数据的维数之后利用支持向量机（SVM）分类的新算法思想,首先利用ICA对高光谱数据降维,并利用PNN确定出独立分量的个数,而后对降维后的数据利用SVM作交叉验证,并采用混合核函数进行分类的算法思想。通过仿真实验表明,该算法可以在保证分类精度的同时大大减少分类的时间。     

一种新的人脸识别算法

针对基于SVM的人脸识别算法运算量较复杂的问题,提出了一种基于RS-SVM的人脸识别算法.进行基于几何特征的特征提取,在人脸图像上标记24个特征点形成12个测量距离,作为脸部特征.为了从所有提取的特征中选择出与人脸识别相关的、必要的特征,使用了粗糙集理论(Rough Set)的属性约简算法进行特征选择,有效降低特征维数.然后用支持向量机(SVM)进行分类.实验证明,该方法可以有效降低SVM的运算复杂度,并具有良好的识别效果.     

基于独立分量分析和支持向量机的结构损伤识别集成算法

针对模式识别最关键的两个环节:特征提取和分类器设计,提出了基于独立分量分析(ICA)和支持向量机(SVM)的损伤识别集成算法,首先应用ICA方法计算独立源信号和混合矩阵[A],利用混合矩阵与模态振型的对应关系,得到振型矩阵[Φ],将模态振型的变形矩阵[Φ]*作为特征参数输入至SVM分类器进行损伤识别,在冲击载荷作用下,对钢框架结构模型进行了振动试验,结果表明:ICA方法提取的模态振型是一种高效的损伤特征参数,基于ICA和SVM的集成算法能够成功识别结构损伤、损伤位置和损伤程度,从而为结构健康监测提供了一种行之有效的损伤识别方法。     

基于非线性降维的水下目标融合识别决策

针对以传统的谱图和模型参教等方法提取得到的水下目标特征高维数据,文章提出了LPP的非线性降维方法,有效的去除特征向量各分量间的相关性,增大了特征向量的可分性,降低了后期识别的计算复杂度。同时设计了DS-SVM融合决策分类器对获得的低堆特征向量进行分类识别。与传统的SVM算法的分类识别效果进行比较分析,所得结果表明该方法有效的提高了水下目标识别的准确性,是一种行之有效的方法。     

面向脑电情感识别的改进多分类RVM模型研究

从相关向量机（RVM）和支持向量机（SVM）的相似性以及RVM的稀疏特性出发，将RVM应用于脑电信号（EEG）的情感识别中。针对一对一（OAO）和一对多（OAA）两种多分类方法各自的特点和不足，提出了一种全新的两层多分类模型（OAA-OAO），改进现有OAO算法中无效投票影响最终决策的现象。设计情感EEG信号识别对比实验，验证基于RVM的改进多分类算法在脑电信号情感识别中的应用。对于实验室采集的情感脑电信号，提取其非线性特征（功率谱熵、样本熵和Hurst指数）并采用主成分分析法进行降维。将OAA-OAO-RVM算法分别和OAO-SVM、OAO-RVM两种识别网络进行对比，分析RVM的识别性能以及OAA-OAO多分类算法的分类性能。结果表明，采用降维后的最优特征集合作为识别网络的输入向量得到的识别性能更高，且RVM表现出的性能优于SVM。同时，改进后的OAA-OAO算法较传统OAO模型的平均识别率提高了7.89%，证明OAA-OAO算法可有效去除一部分无效投票从而使分类精度得到显著提高，验证了此模型是一种有效的多分类模型。     

支持向量机在人脸识别中的应用研究

研究人脸图像自动识别问题,由于人脸的特征维数较高,正确识别有难度,利用计算机技术对人脸图像进行分析,从中提取有效的特征来识别出人的身份,其关键技术在于人脸特征的提取和模式识别.为此,提出了一种基于支持向量机的人脸识别方法.首先采用Gabor滤波器提取人脸图像的特征,PCA降维处理消除人脸特征之间的冗余信息,然后采用支持向量机对提取特征进行训练得到最优识别模型,用最优模型对人脸进行识别.对ORL人脸图像库进行仿真实验,识别率达98%,比传统算法高出5%,实验结果表明,既减少了计算复杂度,降低训练与识别时间,又保证实时性,提高识别正确率,为人脸识别的应用提供广泛的前景.     

基于三阶统计特征的被动图像拼接检测

针对被动图像拼接检测问题,提出了一种基于三阶统计特征的检测算法。该算法把图像状态矩阵中三个相邻状态之间的依赖关系建模为条件共生概率矩阵,然后将其作为识别特征输入到支持向量机(SVM)进行分类。由于高阶统计特征维数随着统计阶数的增加而呈指数级增加,为了降低高维特征在分类阶段所引入的高计算复杂度以及避免可能出现的过拟合现象,引入了主成分分析法(PCA)对提取的特征进行降维处理。实验结果显示,条件共生概率矩阵特征在空间域和8×8分块DCT域的检测结果均优于传统的马尔可夫特征和共生矩阵特征;PCA是图像拼接检测的一个有力分析工具,在大幅度降低特征维数的同时能够保持识别率不降低。     

基于PSO与ICA的表情特征提取

提出基于粒子群优化（PSO）与独立分量分析（ICA）的表情特征提取方法。首先利用ICA算法对表情图像数据建立基本的独立基向量求解框架；为了减少计算复杂度，然后利用PSO算法对处理后的表情图像数据搜索最优的解集合；最后利用支持向量机（SVM）作为算法验证的分类器。实验结果表明该算法在保证较高表情识别率的基础上加快了表情图像特征提取的速度。     

高炉铁水硅含量预报的ICA-SVM建模方法

提出了一种基于改进的动态独立分量分析（independent component analysis, ICA）和支持向量机(support vector machine, SVM)的高炉铁水硅含量预报模型建模方法．采用动态ICA方法对样本数据进行特征提取,消除生产工艺参数之间的相关性．在此基础上,再使用目前计算复杂性较小的最小二乘SVM算法建立高炉铁水硅含量预报的动态递推模型,并引入了遗传算法以优化模型性能．以某钢厂高炉实际生产数据进行了应用实验,并与现有的时间序列分析、人工神经网络和基本SVM建模方法进行了对比．实验统计结果表明,本文方法显著提高了铁水硅含量的预测命中率．     

基于Gabor和支持向量机的人脸识别

支持向量机(SVM)在处理小样本高维数据及泛化性能强等方面的优势,以及Gabor小波可以很好地模拟哺乳动物视觉神经简单细胞的感受野轮廓降低外界因素的影响,提出了基于Gabor与SVM的人脸识别方法。通过对经Gabor变换人脸图像的独立成分分析得到一组Gabor人脸独立基,并且用遗传算法求得一组最优的Gabor独立基,不但可以降低特征维数,减少计算量,而且可以提高识别率。通过对耶鲁大学人脸图像数据库的测试,证实本文算法有效性。     

基于粗糙集的火灾图像特征选择与识别

针对图像型火灾探测方法检测准确度和实时性间的矛盾,提出了基于粗糙集的火灾图像特征选择和识别算法。首先通过对火焰图像特征的深入研究发现,在燃烧能量的驱动下火焰的上边缘极不规则,出现明显的震动现象,而下边缘却恰恰相反; 基于此特点,可利用上下边缘抖动投影个数比作为火焰区别于边缘形状较规则的干扰。然后,选择火焰的6个显著特征构造训练样本,在火灾分类能力不受影响的前提下,使用实验所得的特征量归类表对训练样本进行属性约简,并将约简后的信息系统属性训练支持向量机模型,实现火灾探测。最后与传统支持向量机火灾探测算法做了比较。实验结果表明:将粗糙集作为支持向量机分类器的前置系统,把粗糙集理论的属性约简引入到支持向量机中,可以大大消除样本集冗余属性,降低了火灾图像特征空间的维数,减少了分类器训练和检测数据,在保证识别精度的同时,提高了算法的速度和泛化能力。     

基于改进的最大后验概率矢量量化和最小二乘支持向量机集成算法

针对目前说话人识别系统的效率问题,采用集成算法的策略,提出一种新的说话人识别系统框架。首先,考虑到传统的最大后验概率矢量量化(VQ-MAP)算法中只关注平均矢量而不考虑权重的问题,提出了改进的VQ-MAP算法,使用加权平均向量来代替平均向量;然后,由于支持向量机(SVM)算法相对耗时,故采用最小二乘支持向量机(LS-SVM)替代SVM算法;最后,在说话人识别系统中,利用改进的VQ-MAP算法所得参数集作为LS-SVM的训练样本。实验结果表明,基于改进的VQ-MAP和LS-SVM的集成算法,与传统的SVM算法相比,在均使用径向基函数(RBF)核函数时,对40人样本数据建模时间上减少接近40%;在阈值为1,测试语音时长为4 s时,与传统的VQ-MAP和SVM算法相比,误识率降低了1.1%,误拒率降低了2.9%,识别率提高了3.9%;在阈值为1,测试语音时长为4 s时,与传统的VQ-MAP和LS-SVM算法相比,误识率降低了3.6%,误拒率降低了2.7%,识别率提高了4.4%。结果表明,集成算法能够有效提高算法识别率,明显减少运算时间,同时降低误识率和误拒率。     

基于多级SVM分类的语音情感识别算法

为了提高语音情感识别系统的识别准确率,本文在传统支持向量机(SVM)方法的基础之上,提出了一种基于PCA的多级SVM情感分类算法。首先将容易区分的情感分开,针对混淆度大且不能再利用多级分类策略直接进行区分的情感,采用主成分分析法(PCA)进行特征降维,然后逐级地判断出输入语音所属的情感类型。与传统基于SVM分类算法的语音情感识别相比,本文提出的方法可将7种情感的平均识别率提高5.05%,并且特征维度可降低58.3%,从而证明了本文所提出的方法的正确性与有效性。     

一种基于粗糙集和支持向量机的混合分类算法

结合粗糙集的属性约简和支持向量机的分类机理，提出了一种混合算法。应用粗糙集理论的属性约简过程作为预处理器，可以把冗余的属性和冲突的对象从决策表中删去，但不损失任何有效信息；然后基于支持向量机进行分类建模和预测。这样可以大大降低数据维数，降低支持向量机分类过程中的复杂度，减少占用的存储空间，并在不同程度上避免了训练模型的过拟合现象，但分类性能并不会隆低．最后的仿真实例说明了所提方法的有效性．     

基于二维图像矩阵的ICA人脸识别

为了解决传统独立分量分析(ICA)在人脸识别过程中存在的高维小样本问题,同时为了提高识别效率,提出了一种基于二维图像矩阵的独立分量分析(ICA)特征提取方法.该方法将人脸图像矩阵作为训练样本,首先利用主分量分析(PCA)对训练样本进行去二阶相关和降维处理,然后对处理后的样本进行ICA特征提取,由于训练样本维数很小,因此它降低了传统ICA方法中高维小样本问题产生的识别错误率,同时减少了识别时间.在Yale人脸库和ORL人脸库上验证了该算法的有效性.     

块独立成分分析的人脸识别

针对利用ICA提取人脸特征时需要将人脸图像转换成向量，导致空间维数很高以及不能准确地估计特征等问题，提出了一种新的独立子空间人脸识别算法——块独立成分分析（B-ICA）。和经典的ICA相比，B-ICA算法把人脸图像划分成一些互不重叠的子块，然后把每个子块转换成向量，看成是低维空间中的训练点（训练向量）。因此在B-ICA算法中，样本的维数比ICA算法中样本的维数低，降低了维数灾难（即样本的训练个数远小于样本的维数）造成的错误识别率。在Yale和AR数据库上进行了大量仿真实验，实验结果表明B-ICA算法的识别率比ICA和其他一些子空间算法的识别率高。     

基于遗传算法数据降维的汉语数字语音识别

针对语音信号特征参数LPCC和MFCC相结合后数据维数过高,导致识别器性能下降的问题,提出采用遗传算法对初始特征参数进行降维,来提高识别性能.首先提取语音信号的LPCC和MFCC,然后采用遗传算法对其进行特征降维,最后将得到的低维数据送入支持向量机进行识别.仿真实验结果表明,采用遗传算法进行特征降维与传统的PCA降维相比,识别率提高了12.2%,和初始特征相比识别率降低了1.23%,但是识别时间提高了4.5倍.