基于粗糙集理论的支撑向量机预测方法研究

分析了粗糙集理论方法与支撑向量机方法两者各自的优势和互补性，探讨了粗糙集与支撑向量机的结合方法．然后提出了一种基于粗糙集数据预处理的支撑向量机预测系统。该系统利用粗糙集理论在处理大数据量、消除冗余信息等方面的优势．减少支撑向量机的训练数据，克服支撑向量机方法因为数据量太大，处理速度慢等缺点。将该系统应用于股票价格预测中，与BP神经网络法和标准的支撑向量机方法相比，得到了较高的预测精度，从而说明了基于粗糙集理论的方法作为信息预处理的支撑向量机学习系统的优越性．     

基于小波支撑向量机的图像降噪滤波算法

基于小波分析理论和支撑向量机理论,提出了一种新的数字图像降噪滤波算法.文章首先讨论了支撑向量机用于图像降噪的可行性,并通过一维信号支撑向量机降噪实验论证了该方法的可行性.基于小波分析理论和支撑向量机核函数理论,导出了小波核函数,并构造了小波支撑向量机.在仿真实验中,将图像看作二维函数并利用小波支撑向量机对其进行逼近,从而实现了图像噪声去除.与常规图像降噪方法和高斯支撑向量机方法相比,文中方法所得的降噪结果具有更高的信噪比.     

一种基于支持向量机思想的无监督聚类算法

支持向量机作为一种新的机器学习方法,由于其建立在结构风险最小化准则之上,而不是仅仅使经验风险达到最小,从而使对支持向量分类器具有较好的推广能力。本文分析了支持向量机在解决无监督分类问题上的不足,提出一种基于支持向量机思想的最大间距的聚类新方法。实验结果表明,该算法能成功地解决很多非监督分类问题。     

一种基于支持向量机思想的无监督聚类算法

支持向量机作为一种新的机器学习方法，由于其建立在结构风险最小化准则之上，而不是仅仅使经验风险达到最小，从而使对支持向量分类器具有较好的推广能力。本文分析了支持向量机在解决无监督分类问题上的不足，提出一种基于支持向量机思想的最大间距的聚类新方法。实验结果表明．该算法能成功地解决很多非监督分类问题。     

基于SMO算法的自适应多址干扰抑制

支持向量机作为一种新的模式分类方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上。论文将支撑向量应用到DS-CDMA系统的多址干扰抑制中,并采用SMO算法构建非线性的检测接收器,理论推导和系统仿真表明该多用户检测接收器在高斯信道中具有非常好的性能,并通过分析影响系统性能的关键因素,指出了基于SMO算法的多址干扰抑制今后研究突破的方向。     

模糊样本下学习问题的研究

支持向量机是机器学习领域一个研究热点,而统计学习理论中的关键定理为支持向量机的研究提供了重要的理论基础。基于模糊样本,提出了模糊经验风险最小化原则和非平凡一致性的概念,提出并证明了基于模糊样本的学习理论的关键定理,为研究模糊支持向量机提供了依据。     

一种改进的多分类孪生支持向量机

现有的多分类孪生支持向量机主要考虑支持向量机的经验风险最小化原则,而忽略了结构化风险。针对该问题,通过引入正则项式,实现算法的结构风险最小化原则,并结合多对一的组合策略和最小二乘法,提出一种改进的最小二乘多分类孪生支持向量机。在UCI数据集上的实验研究表明,该算法相对于传统的多分类支持向量机在分类性能上有明显提高。     

一种基于支持向量机的入侵检测模型

支持向量机(support vector machines)是一种建立在统计学习理论基础之上的机器学习方法。基于支持向量机在处理小样本、高维数及泛化能力强等方面的优势，该文提出了一种根据结构风险最小化原则基于支持向量机的入侵检测系统，首先简单介绍了入侵检测系统近来的发展状况和支持向量机的分类算法，然后给出以支持向量机分类算法为基础的入侵检测模型，以系统调用执行迹进行仿真实验，详细讨论了该模型的工作过程及核函数参数的选取对检测性能的影响。实验表明，该模型在先验知识较小的情况下，能够较好的检测出异常的入侵调用。     

基于支持向量机集成的分类

支持向量机是一种基于结构风险最小化原理的分类技术，本文提出了将支持向量机分类器进行集成的分类思想。首先．在原始样本的基础上形成子支持向量机，得到待检样本的子预测；进而对子预测进行适当的组合，以确定样本最终的类别预报。模拟实验结果表明，该方法具有明显优于单一支持向量机的更高的分类准确率。     

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.     

基于支持向量机的手写体数字识别

提出了一种基于支持向量机的手写体数字识别系统。支持向量机方法，突破了传统模式识别方法的局限，使得基于支持向量机的分类器具有较好的推广能力。文中重点阐述了支持向量机的基本原理和集成在该系统中的重要的处理模块，实验结果表明该系统具有较高的识别率和较强的实用性。     

基于SVM的手写数字相似字识别研究

该文针对银行票据识别系统中的手写数字的识别问题,利用神经网络和支撑向量机相结合的方法构建了手写数字的识别核,并利用支撑向量机对神经网络输出的识别结果中的相似字进行了二次识别,解决了手写数字中相似字的识别问题,最终的单字误识率达到2.0426%～5.4369%,满足了银行票据识别系统中的手写数字识别的实际要求。     

Model selection for the LS-SVM. Application to handwriting recognition

The support vector machine (SVM) is a powerful classifier which has been used successfully in many pattern recognition problems. It has also been shown to perform well in the handwriting recognition field. The least squares SVM (LS-SVM), like the SVM, is based on the margin-maximization principle performing structural risk minimization. However, it is easier to train than the SVM, as it requires only the solution to a convex linear problem, and not a quadratic problem as in the SVM. In this paper, we propose to conduct model selection for the LS-SVM using an empirical error criterion. Experiments on handwritten character recognition show the usefulness of this classifier and demonstrate that model selection improves the generalization performance of the LS-SVM.     

Handwritten Bangla numeral recognition system and its application to postal automation

A recognition system for handwritten Bangla numerals and its application to automatic letter sorting machine for Bangladesh Post is presented. The system consists of preprocessing, feature extraction, recognition and integration. Based on the theories of principal component analysis (PCA), two novel approaches are proposed for recognizing handwritten Bangla numerals. One is the image reconstruction recognition approach, and the other is the direction feature extraction approach combined with PCA and SVM. By examining the handwritten Bangla numeral data captured from real Bangladesh letters, the experimental results show that our proposed approaches are effective. To meet performance requirements of automatic letter sorting machine, we integrate the results of the two proposed approaches with one conventional PCA approach. It has been found that the recognition result achieved by the integrated system is more reliable than that by one method alone. The average recognition rate, error rate and reliability achieved by the integrated system are 95.05%, 0.93% and 99.03%, respectively. Experiments demonstrate that the integrated system also meets speed requirement.     

支持向量机及其在草图编辑手势识别中的应用

支持向量机(SVM)是一种基于统计学习理论的机器学习与模式识别方法。它通过结构风险最小化准则和核函数方法,较好地解决了小样本、非线性及高维模式识别问题。本文主要从联机手绘草图编辑的角度出发,谈谈支持向量机在草绘手势笔划识别中的具体应用。     

Discrimination of similar handwritten numerals based on invariant curvature features

This paper studies the discrimination of similar handwritten numerals based on invariant curvature features. High-order B-splines are used to calculate the curvature of the contours of handwritten numerals. The concept of a distribution center is introduced so that a one-dimensional periodic signal can be normalized as shift invariant. Consequently, the curvature of the contour of a character becomes rotation invariant. To reduce the dimension of the features, wavelet basis decomposition is used to produce more compact features. Finally, artificial neural network (ANN) and support vector machines (SVM) are employed to train the features and design classifiers of high recognition rates.     

基于支持向量机的手写体数字识别系统设计

数字识别是光学字符识别技术里发展比较早的一种技术，是OCR的一个分支。数字识别又分为手写数字识别和非手写数字识别，提到的手写数字识别是指脱机手写数字识别。支持向量机是近几年来模式识别领域中的一个新技术，它被广泛应用到文字识别、人脸识别等应用中，是模式识别领域中的研究热点，把支持向量机技术应用到手写数字识别系统中，以期提高识别系统的性能。     

支持向量机在模式识别中的核函数特性分析

支持向量机是20世纪90年代中期发展起来的一种机器学习技术，与传统人工神经网络不同之处在于前者基于结构风险最小化原理，后者基于经验风险最小化原理。支持向量机不仅结构简单，而且技术性能尤其是泛化能力与BP神经网络相比有明显提高。讨论了支持向量机的分类原理，并用多项式函数、径向基函数和感知机函数等3种核函数作为内积回旋，分别以平面点集分类、手写体汉字识别及双螺旋线识别为例，在不同的结构参数下进行了仿真实验，并对3种核函数的分类特性进行了对比分析，给出了在不同模式识别问题中3种核函数的选择条件。     

A novel SVM-based handwritten Tamil character recognition system

This paper describes a system for recognizing offline handwritten Tamil characters using support vector machine (SVM). Data samples are collected from different writers on A4 sized documents. They are scanned using a flat bed scanner at a resolution of 300 dpi and stored as gray-scale images. Various preprocessing operations are performed on the digitized image to enhance the quality of the image. Pixel densities are calculated for 64 different zones of the image and these values are used as the features of a character. These features are used to train the SVM. The SVM is tested for the first time to recognize handwritten Tamil characters. The system has achieved a very good recognition accuracy of 82.04% on the handwritten Tamil character database.