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VQ-MAP和SVM融合的说话人识别系统

针对传统支持向量机（SVM）在说话人识别中运算量过大的问题,提出了VQ-MAP和SVM融合的说话人识别系统。它应用仅自适应均值向量的最大后验概率矢量量化过程（VQ-MAP）,来得到自适应的说话人模型,用此模型中的参数向量作为支持向量应用于SVM来进行说话人识别。用Matlab进行仿真实验,结果表明,基于VQ-MAP和SVM融合的说话人识别系统大大降低了运算量,SVM训练时间短,且具有较高的识别率。     

支持向量机在蒙古语说话人识别技术中的研究

支持向量机(SVM)是一种统计学习方法。针对蒙古语说话人识别问题,实验中采用基于高斯核函数的SVM比较了MFCC和MFCC+△MFCC不同特征参数选取时的识别率。实验结果表明,在文本有关情况下,当蒙古语说话内容为0~9的发音时,MFCC+△MFCC优于MFCC,使用SVM算法的识别率能够满足说话人识别的实际要求。     

基于LSSVM的静态手势识别

支持向量机(Support Vector Machine，简称SVM)，是基于统计学习理论的一种新的模式识别方法，较好地解决了小样本学习问题。通过使非线性空间变换为线性空间，降低了算法的复杂性。LSSVM(Least Squares Support Vector Machine)由于使用线性等式代替了标准的SVM算法中的线性不等式，进一步降低了运算量。利用傅立叶描述子获取静态手势特征向量，通过LSSVM大尺度算法求解方程组来得到LSSVM分类器，进行静态手势识别，取得了较高的识别率。说明如何把静态手势识别结果应用到机器人远程控制中，提高人机交互的友好性。     

基于支撑向量机的说话人确认系统

支撑向量机(SVM)是一种新的统计学习方法,和以往的学习方法不同的是SVM的学习原则是使结构风险(Structural Risk)最小,而经典的学习方法遵循经验风险(Empirical Risk)最小原则,这使得SVM具有较好的总体性能.文章提出一种基于支撑向量机的文本无关的说话人确认系统,实验表明同基于向量量化(VQ)和高斯混合模式(GMM)的经典方法相比,基于SVM的方法具有更高的区分力和更好的总体性能.     

支持向量机回归算法在连铸漏钢预报中的应用研究

支持向量机SVM在模式识别方面广泛应用,其表现出很好的预测能力。连铸结晶器的粘结漏钢预报系统具有非线性、复杂性的特点。根据粘结漏钢原理,采用最小二乘支持向量机LSSVM方法对结晶器温度样本进行识别研究,从而实现连铸过程的漏钢预报。仿真结果表明,LSSVM模型在小样本下同样能快速训练样本参数,识别能力很强,精度较高。     

考虑性别差异基于SVM的说话人识别研究

说话人识别是目前身份认证及人工智能领域研究的一个热点,解决说话人识别问题具有重要的理论价值和深远的实用意义.基于语音鲜明个性特征和显著的性别差异,提出了一种考虑性别差异的说话人识别方法,并采用SVM分类器进行训练和测试.先对SVM分类器分别进行性别识别训练和同性集合内个体识别的分类训练,建立起相应的支持向量集合,以此为基础,先后进行说话人的性别识别测试和个体识别测试.实验结果表明,该方法可以有效提高闭集说话人识别系统的性能.     

基于支持向量机和小波分析的说话人识别

为解决说话人识别问题,提出了一种基于支持向量机和小波分析的识别方法以及其框架模型,即将小波分析应用于信号预处理,并以此为基础,利用其奇异点检测原理将语音信号和噪声分离,实现语音增强,最终基于样本进行训练和测试,采用SVM实现说话人的分类识别.     

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.     

基于支持向量机的导航星选取算法研究

在星敏感器导航星表的建立过程中由于恒星的数量太多, 往往要进行筛选, 通常这种选择是一种基于枚举的大量反复的提取过程, 复杂费时而结果往往并不是最优的。而基于统计学习理论( SLT) 的支持向量机( SVM) 方法正好克服了这方面的不足。SLT 理论和SVM 方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法, 构建了导航星分类器, 并以导航星的选取为例进行了试验论证。试验表明: 基于SVM 的导航星分类器对简化导航星的筛选过程优化导航星表的     

Projection Support Vector Machine Generators

Large-scale Support Vector Machine (SVM) classification is a very active research line in data mining. In recent years, several efficient SVM generation algorithms based on quadratic problems have been proposed, including: Successive OverRelaxation (SOR), Active Support Vector Machines (ASVM) and Lagrangian Support Vector Machines (LSVM). These algorithms have been used to solve classification problems with millions of points. ASVM is perhaps the fastest among them. This paper compares a new projection-based SVM algorithm with ASVM on a selection of real and synthetic data sets. The new algorithm seems competitive in terms of speed and testing accuracy.     

改进的遗传算法在白细胞识别中的应用研究

针对多光谱图像数据维数高,数据量大的特点,鉴于自适应遗传算法在搜索最优解上特有的优点,提出了采用自适应遗传算法进行白细胞的特征提取,同时为了增强算法的稳定性,提高收敛速度,部分改进了原算法。在此基础上,利用选取的53个特征和二值支持向量机相结合,构造分类器,有效地解决了白细胞的分类识别问题。实验结果表明,改进后的算法具有更快的收敛速度,更好的稳定性,设计的分类器有效地提高了识别速度和精度,识别率达89.02%。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

基于加权量子粒子群的分类器设计

针对支持向量机在大样本情况下训练速度慢的缺点,引入权重最优位置策略改进量子粒子群优化算法,通过改进的Michigan编码方案对语音参数进行编码,构造分类规则适应度函数实现基于加权量子粒子群的分类器设计。在说话人识别中的应用结果表明,该分类器具有较好的抗噪性能和较高的识别速度。     

结合独立成分分析和核向量机进行人脸识别

在人脸识别过程中,首先利用独立成分分析得到独立的人脸基影像,所提取的特征就是人脸图像在基影像上的投影系数,通过选择合适的特征个数可以达到较高的识别准确率。然后采用支持向量机和核向量机分别对待识别图像在基影像上的投影系数进行分类判决,结果显示二者都能达到较高的识别准确率,但随着特征个数的增加,核向量机的准确率更高,训练时间更短,支持向量更少。实验表明方法可行有效的。     

模糊支持向量机隶属度的确定方法

传统的支持向量机对噪声或野点是敏感的,针对这种情况,引入了模糊支持向量机,但模糊隶属度的确定是个难点。利用基于线性规划下的一类分类算法来确定模糊隶属度,根据不同输入样本对分类的贡献不同,赋予相应的隶属度,将噪声或野点与有效样本区分开。实验结果表明,模糊支持向量机比传统的支持向量机有更好的分类效果,能够削弱噪声或野点的影响。     

基于核方法的XML文档自动分类

支持向量机(SVM)方法通过核函数进行空间映射并构造最优分类超平面解决分类器的构造问题,该方法在文本自动分类应用中具有明显优势.XML 文档是文本内容信息与结构信息的综合体,作为一种新的数据形式,成为当前的研究热点.文中以结构链接向量模型为基础,研究了基于支持向量机的XML文档自动分类方法,提出了适合XML文档分类的核...     

支持向量机在低信噪比语音识别中的应用

采用改进的MFCC语音特征参数(Mel频率离散小波倒谱系数),使用支持向量机作为分类算法,构建了低信噪比环境下的孤立词非特定人语音识别系统,取得了较高的识别率。将实验结果与基于RBF神经网络的识别结果进行比较,结果表明在低信噪比时,SVM的识别率比使用RBF神经网络有较大提高,具有非常好的鲁棒性。