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。     

基于模糊支持向量机的语音识别方法

通过计算输入样本的模糊隶属度，探讨了模糊支持向量机（FSVM）的原理，应用其对语音信号进行识别。并和RBF神经网络、支持向量机（SVM）的识别效果进行了比较。在仿真实验中，采用小波分析方法提取语音特征向量，识别结果表明，SVM和FSVM比RBF网络具有较好的泛化性能，训练时间也大大缩减。此外，FSVM比SVM有更强的抵抗噪声的能力。     

适应智能质量控制的多分类支持向量机

分析了现有控制图识别器在实际应用中存在的缺陷，并提出了一种基于支持向量机(SVM)的新方法．为了克服HAH多分类SVM(HAH SVM)的缺陷，提高识别速度和准确率，设计了一种有针对性的SVM多分类器进行模式识别．仿真实验结果表明，该方法相对现有的BP和HAH SVM方法能得到更高的识别率和识别速度，适合于工序的实时在线控制．     

基于SVM的入侵检测系统

支持向量机（SVM）作为一种新型的统计学习模型，在处理小样本和学习机的推广能力上具有很大的优势。该文应用SVM的分类特性来识别网络攻山行为，提出了基于SVM的入侵检测方法。雨点考察了不同SVM核函数和参数选择对检测准确率和实时性的影响。论证了基于SVM的入侵检测在性能和识别率上都明显优于基于BP网络的攻击识别，还就目前商用入侵检测系统存在较高误报率的问题，分析了用SVM来提高其检测实时性和识别准确率的系统框架。     

基于SVM的数字二次识别方法与仿真研究

数字识别作为模式识别发展的一个分支,在实际应用中有很强的应用价值,如何进一步提高识别率也一直是研究的热点.该文通过分析模式识别的两类主要方法,结合数字结构特征和数字统计特征共同提高数字识别的正确率.支持向量机(SVM)是本文应用的主要识别机器.针对支持向量机在训练过程中存在被错误分类的样本,该文提出了一种基于二次识别的SVM算法.该算法通过提高支持向量在样本中的比例,提高了SVM的识别性能.结合数字结构特征的SVM二次识别算法提高了识别正确率,也为数字识别提出了一种新的思路.     

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。     

支持向量机在车牌字符识别中的应用

支持向量机(SVM)是由Vapnik等人提出的一类新型机器学习方法。该文在字符特征提取基础上，应用SVM算法对车牌中的英文字符进行识别，克服了一般的SVM算法识别数字位图时缺乏对相邻空间像素相关性考虑的不足，在满足实时性的条件下获得高识别率。通过与基于字符特征的BP网络识别方案相比较表明，该方案性能远优于神经网络的性能，可很好地解决神经网络方法中无法避免的局部极值问题。实验讨论了在应用SVM算法对字符进行识别时，核函数K和惩罚因子C的选择对识别率的影响问题。     

SVM和BP算法在气体识别中的对比研究

介绍了一种可以应用于气体识别领域的新的算法-支持向量基算法(SVM),并通过同常规的神经网络算法-BP算法进行实验对比,得到了:SVM算法在数据样本不含噪声时可以得到和BP算法同样好的识别效果;在数据言本含有噪声时,该算法的识别效果相对BP算法具有明显的优势.从而证明了SVM算法在气体识别领域具有良好的研究价值和应用前景.     

融合不变性特征的简易支持向量机

应用样本数据具有不变性特征的特点，提出基于虚拟向量变换和局部相关性特征的简易SVM(支持向量机)方法，并以USPS手写体数字识别为例子，与切距核、虚拟SVM、人工识别等方法进行对比，发现该方法能获得较好的粗识别率且计算时间最少。结果表明，该方法能充分提取样本数据中的不变性特征，是研究模式分类问题的有效方法。     

支持向量机在小字符集识别中的应用

支持向量机（SVM）是由Vapnik等人提出的一类新型机器学习方法，此方法利用较少的训练样本就可以达到比较理想的识别效果。本文应用SVM对手写数字字符集进行识别，结果表明了该方法在小字符集脱机手写体识别中的实用性。     

基于流形学习的单字符字体辨别

文字种类识别及字体辨别已成为继印刷体文字识别以后新的国内外研究的热点,关于单字的手写体和印刷体辨别的研究不多,但在表单中却极为常用。对于字体辨别问题,引入流形学习算法局部线性嵌套（LLE）,假定数据为存在于嵌入高维空间的一个低维流形。提出了用于单字字体辨别的LLE泛化方法及邻域和内在维数的参数估计方法,基于印刷体/手写体汉字字符及数字的辨别实验表明,其性能优于直接支持向量机（SVM）分类,且经过LLE降维后的数据直接用线性判别分析方法（LDA）分类可以获得与LLE计算后SVM分类相近甚至更高的正确率和更快的分类速度。     

基于SVM的大样本集系统辨识与函数拟合仿真

支持向量机是一种优秀的学习方法，也是具有很好泛化性能的回归方法。但由于支持向量机算法实习复杂，效率低，严格限制了其应用，SMO算法的提出大大提高了支持向量机的学习效率。因此，借助SMO算法，便可以实现大样本集的非线性系统辨识和函数拟合。文中对回归问题的SMO算法作了详细介绍，并对其进行改进。然后研究了利用改进SMO算法的非线性系统辨识方法，给出了非线性系统的辨识的仿真结果，和一维二维函数的拟合仿真。并通过仿真，与原始算法进行了比较，显示了改进SMO算法的快速性。     

基于SVM的microRNA计算识别方法研究

microRNA(简称miRNA)是近年来发现的一类新的长约19-24nt的内源性非编码RNA,在动物和植物中发挥着重要而广泛的调控功能。它的发现主要有cDNA克隆预测和计算发现两条途径。由于cDNA克隆预测方法受miRNA表达的时间和组织特异性以及表达水平的影响,而计算发现可以弥补其不足,因此miRNA的计算方法受到了广泛的重视。支持向量机作为一种优异的机器学习方法,因其良好的主动学习能力可应用于miRNA的预测。本文利用支持向量机方法对线虫miRNA进行预测,结果表明,该方法具有良好的正确率和敏感性。     

通过迭代学习简化支持向量机决策函数

支持向量机经过实践证明在小样本的情况下具有良好的泛化能力。但是在手写体数字识别的实验中，支持向量机被发现其在分类阶段的速度明显比神经网络要慢，因此在不影响支持向量机泛化能力的前提下简化支持向量机的决策函数。从而提高SVM的分类速度是很有意义的研究。利用迭代学习的方法来简化支持向量机的决策函数，实验证明本文的方法能够极大的简化SVM的决策函数，该方法易于实施。     

基于流形学习和支持向量机的太赫兹谱分类

太赫兹时域光谱技术是一门新兴光谱检测技术,广泛应用于安检及反恐、生物医学和食品质量检测等方面。太赫兹谱的分类识别技术是太赫兹光谱检测技术的一个重要环节。由于受到噪声的影响,太赫兹谱可能在高维空间中成复杂的非线性分布,传统的分类方法难以取得理想的分类效果。流形学习和支持向量机都是当前机器学习领域的研究热点,都采取了核方法来解决非线性问题,正因为两者之间有很多共通之处,将这两种方法充分结合提出了一种称之为ISOMAP-SVM的新算法。这种新算法拥有比传统的支持向量机算法更快的训练速度和更好的分类效果。实验结果表明利用新算法可以实现对不同种类药品的识别,为太赫兹光谱技术用于药品的检测和识别提供了一种新的有效方法。     

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.     

基于SVM的音频分类系统设计及实现

分析音频时域特征及提取方法,研究基于支持向量机的语音分类系统流程、分类系统架构以及SVM语音分类器的设计,并进行了相关实验。结果表明,设计的基于SVM的音频分类系统能够有效地对音频进行分类,平均识别准确率达到90%以上。     

基于SVM的综合评价方法研究

系统介绍了统计学习理论与支持向量机的基本思想，研究了它们在综合评价中的应用。分析了科研立项评审系统的设计方法，建立了基于SVM的评审系统。文末比较了新评审系统和采用其它方法如模糊排序、神经网络等建立的评审系统所分别取得的拟合效果，比较结果表明：采用支持向量机设计的评审系统结构简单、思路清晰地且能取得更为理想的评审结果。     

基于K均值集成和SVM的P2P流量识别研究

提出基于K均值集成和支持向量机相结合的P2P流量识别模型,以保证流量识别精度和稳定性,克服聚类识别模型中参数值难以确定、复杂性高等缺点。对少量标签样本采用随机簇中心的K均值算法训练基聚类器,按最大后验概率分配簇标签,无标签样本与其最近簇标签一致;按投票机制集成无标签样本标签信息,并结合原标签样本训练支持向量机识别模型。该模型利用了集成学习稳定性和SVM在小样本集上的良好泛化性能。理论分析和仿真实验结果证明了方案的可行性。     

一种主动学习式P2P流识别方法

P2P流的识别对于网络的维护与运营都具有重要意义,基于机器学习的流识别技术是目前研究的热点和难点内容,但目前仍然存在着建立分类模型需要大量适用的训练数据、训练数据的标记需要依赖领域专家以及因此而导致的工作量及难度过大和实用性不强等问题,而当前的研究工作很少涉及到这些问题的解决办法。针对这一问题,采用主动学习技术提取少量高质量的训练样本进行建模,并结合SVM分类算法提出了一种基于锦标赛选择的样本筛选方法。实验结果表明,其相对于已有的流识别方法,能够在仅依赖少量高质量训练样本的前提下,保证较高召回率及较低误报率,更适用于现实网络环境。