一种基于PCA和ReliefF的特征选择方法

如何减少样本的训练测试时间、提高分类精度是有效特征选择方法研究的重要方面。提出了一种结合PCA和ReliefF的特征选择算法。该算法选择出了最具有代表性的特征,构成有效特征子集,实现了特征降维。同时,较PCA-GA方法,该算法具有简单、快速等优点。利用标准数据集进行的实验结果表明,文中算法是可行的、有效的,为模式识别的信息特征压缩提供了一种新的研究方法。     

基于SVM决策树判别测试点类别的新方法

从测试点的类别判断方式上进行改进,对容易错分的测试点给予多次判别机会,从而降低了SVM决策树的错分累积程度。仿真试验表明,改进的基于SVM决策树判别测试点类别方法与传统的基于SVM决策树判别测试点类别方法相比,具有较高的分类精度。     

基于改进的PCA—LS—SVM的软测量技术及应用

针对工业过程中某些重要过程变量难以实现实时在线检测和高维数据处理的问题，提出了将主元分析与改进的最小二乘支持向量机相结合的软测量建模方法，建立了催化裂化主分馏塔柴油凝固点的软测量模型。最小二乘支持向量机与标准支持向量机相比，失去了“稀疏性”，最小二乘支持向量机的稀疏化方法解决了这一难题；主元分析方法的引入，有效地提高了最小二乘支持向量机软测量模型的精度和泛化能力。应用结果表明，该改进的PCA—LS-SVM方法具有学习速度快、跟踪性能好以及泛化能力强等优点。     

基于主成份分析和支持向量机的车标识别

基于车牌定位算法确定车牌和车标的位置关系,利用Hausdorff距离精确定位车标位置并对其进行数学形态学图像处理,边缘检测,连通域分析.对车标图像进行基于主成分分析的降维处理并对提取到的PCA特征进行归一化处理,最后用C-SVM支持向量机算法对提取到的特征进行识别.实验表明,上述算法具有精度高、识别效率高、速度快等优点...     

基于PCA和SVM的普通话语音情感识别

在语音情感识别中,情感特征的选取与抽取是重要环节。目前,还没有非常有效的语音情感特征被提出。因此,在包含6种情感的普通话情感语料库中,根据普通话不同于西方语种的特点,选取了一些有效的情感特征,包含Mel频率倒谱系数、基频、短时能量、短时平均过零率和第一共振峰等,进行提取并计算得到不同的统计量;接着采用主成分分析(PCA)进行抽取;最后利用基于支持向量机(SVM)的语音情感识别系统进行分类。实验结果表明, 与其他一些重要的研究结果相比,该方法得到了较高的平均情感识别率, 且情感特征的选取、抽取及建模是合理、有效的。     

基于PCA及机器学习的人脸识别应用研究

针对人脸识别问题,提出利用PCA算法提取特征脸,采用LDA和SVM算法进行人脸分类并比较两种算法的分类结果,展示在ORL以及Yale数据库上的实验结果,提出SVM算法在人脸光照变化的数据集上的结果更好,LDA算法在人脸方位变化的数据集上的结果更好且算法复杂度更低、识别效率更高。     

基于PCA和SVM的步态识别

提出了一种新颖的沿中线投影得到特征的步态识别方法。首先,应用背景差方法分割出运动人体轮廓,对外轮廓沿人体中线投影可以得到前后两个向量,合成1D向量作为步态特征。然后,通过主成分分析对得到的一维向量进行特征提取和压缩,对得到的识别量应用支持向量机进行步态的分类和识别。实验中,该方法取得了很好的识别性能。     

基于PCA和SVM的电磁模板分析攻击

在分析密码芯片电磁辐射数据相关性的基础上,提出了一种基于主成分分析(PCA)技术和多分类支持向量机(SVM)的模板分析密码旁路攻击方法。将密码设备运行时采集到的泄漏的电磁信号经过PCA处理之后作为特征向量,其对应的密钥作为类别,用已知密钥情况下获得的样本训练多分类SVM,用训练好的多分类SVM对未知密钥的电磁信号进行分类,并根据分类结果推测密钥值。实验表明,在用相同多个主成分和训练样本的条件下,SVM的分类效果好于大多数文献上使用的Bayes判别的分类效果。     

基于直方图均衡化、PCA和SVM算法的人脸识别

为了提高人脸识别的识别率,本文提出了一种基于直方图均衡化、PCA和SVM算法的人脸识别。首先将人脸图像进行直方图均衡化,这样可以很好的增强图像的对比度。然后使用主成分分析(PCA)对图像进行降维和特征提取,可以减少图像识别的计算量,有效的提高识别的效率。最后,再用支持向量机(SVM)进行分类识别。在ORL人脸数据库上进行了使用验证,表明该方法能提高人脸识别的识别率。     

融合小波变换与KPCA的分块人脸特征抽取与识别算法

鉴于小波多尺度变换对高维图像特征具有良好的压缩和表达能力,提出了一种融合小波变换与KPCA(核主成分分析)方法的分块人脸特征抽取与识别算法。该算法首先对人脸图像进行分块小波变换,再根据图像块的位置分布选取不同的频率分量;然后对此分量进行KPCA特征抽取,并通过对抽取到的特征进行融合来得到最终人脸鉴别特征;最后利用支持向量机分类器进行特征分类与识别。通过对ORL和Yale标准人脸图像库的实验仿真结果表明,该算法不仅在识别性能和分类速度上明显高于传统的PCA方法及融合小波特征的KPCA方法,而且对于人脸光照、姿态和表情变化均具有良好的鲁棒性。     

基于主分量分析和支持向量机的人脸检测

提出了一种基于主分量分析(PCA)和支持向量机(SVM)相结合的人脸检测方法。该方法首先利用计算复杂度较低的PCA粗分类器对输入图像遍历检测,滤除大部分非人脸窗口,再由SVM分类器进行精确判断,从而加快了检测过程。实验证明。本方法能够有效的检测出复杂背景下的人脸图像,并且处理时间比单纯使用SVM大大缩短。     

基于组合特征的手写体数字识别方法

提出了一种新的手写体数字识别方法。首先利用核主分量分析技术提取数字图像的全局特征,然后利用独立分量分析技术提取数字图像的局部特征,分别选出部分局部特征向量与部分全局特征向量组合成数字的组合特征向量,然后利用支持向量机分类器进行识别。采用USPS字库进行测试,并与其他特征提取方法进行了比较,实验结果显示基于组合特征方法的识别率明显优于其他方法。     

融合PCA、LDA和SVM算法的人脸识别

为了提高人脸识别效率,提出了一种基于PCA、LDA和SVM算法融合的人脸识别方法。使用主成分分析（PCA）将人脸图像变换到新的特征空间中,消除图像特征间的相关性和噪声,提取人脸全局特征,在实验阶段取较多的投影方向使其尽可能多的保持原始信息;使用线性判别分析（LDA）算法进一步投影变换降低数据维度;使用支持向量机（SVM）分类识别。将PCA、LDA和SVM三种算法的优点结合起来,在ORL数据库上进行仿真实验,结果表明该方法的识别率可达99.0%。     

一种基于张量PCA的人耳识别的改进方法

张量主成分分析是一种新的主元分析方法,可以解决传统PCA方法对图像进行降维时出现的问题。小波变换具有良好的时频分析特性,同时还能起到降维的作用。综合利用这两个方法的优点,提出了一种基于张量PCA的人耳识别新方法。该方法对人耳图像采用小波变换做预处理得到4个子带图像,对其中“LL”低频子带图像用张量PCA进行特征提取,用支持向量机的方法进行识别。实验结果表明,利用此方法与传统主成分分析识别相比,提高了识别率,缩短了识别时间。在USTB人耳库上实验,该方法的识别率比传统PCA方法提高了6%,识别时间为传统PCA方法的35.23%。     

基于PCA分解的图像融合框架

提出一种基于主成分分析(PCA)分解的图像融合框架。对源图像进行主成分分析,依据前几个主成分重建图像,经过下采样过程得到近似图像,对近似图像进行上采样,得到上层图像的差异图像(即细节图像),将最底层近似图像与各层细节图像进行累加完成图像的重构。实验结果表明,该方法能保持图像细节,具有较好的融合效果。     

基于NSCT和M-PCNN的人脸特征提取

为提高人脸识别对人脸姿态、位置、表情变化的鲁棒性,提出一种基于非下采样Contourlet变换(NSCT)与改进脉冲耦合神经网络(M-PCNN)的人脸特征提取方法。利用NSCT对输入图像进行多尺度分解和多方向稀疏分解,以捕获图像中的高维奇异信息,使用M-PCNN模型提取各子带的信息熵,将其作为人脸特征,利用支持向量机(SVM)实现分类与识别。仿真结果表明,该方法鲁棒性较强,在识别和分类中表现出较好的性能。     

基于运动与外形特征的人体行为识别

多数现有特征提取方法仅采用简单的形态特征,存在走与跑识别率较低的问题。将运动速度特征与较精确分割并归一化图像大小后的主分量分析外形特征相结合,采用支持向量机从8个方向对跑、蹲、站、弯腰、招手、指和走7种人体行为进行识别,结果证明走与跑的识别率得到很大提高。     

基于改进的F-score与支持向量机的特征选择方法

将传统F-score度量样本特征在两类之间的辨别能力进行推广,提出了改进的F-score,使其不但能够评价样本特征在两类之间的辨别能力,而且能够度量样本特征在多类之间的辨别能力大小。以改进的F-score作为特征选择准则,用支持向量机(SVM)评估所选特征子集的有效性,实现有效的特征选择。通过UCI机器学习数据库中六组数据集的实验测试,并与SVM、PCA+SVM方法进行比较,证明基于改进F-score与SVM的特征选择方法不仅提高了分类精度,并具有很好的泛化能力,且在训练时间上优于PCA+SVM方法。     

基于核熵成分分析的数据降维?

针对高维数据的维灾问题,采用核熵成分分析方法降维数据,并与主成分分析及核主成分分析方法进行对比。降维后的数据利用支持向量机算法进行分类,以验证算法有效性。实验结果表明,KECA在较低的维数时仍然能获得较好的分类精度,可以减少后续的处理复杂度和运行时间,适用于机器学习、模式识别等领域。     

WIMMC:加权的增量式极大边界准则算法

一些经典降维算法并不是最优的降维策略,它们不再适用于流形式且大尺度的Web文本数据,因此提出了一种加权的增量式有监督的降维算法,称为加权的增量式极大边界准则(Weighted Incremental Maximum Margin Criterion,WIMMC)。WIMMC通过加权得到比传统算法更好的结果,而且可以增量地有监督地处理大尺度的Web文本数据。给出了算法的收敛性证明和一些实验,并从实验结果可以看出,通过WIMMC降维之后的分类效果比其他降维算法更有效。