一种基于支持向量机的图像数字水印算法

为了使数字水印综合性能更好，根据图像邻域像素之间具有很强的相关性这一特点，提出了一种基于支持向量机的图像水印算法。该算法将支持向量机的思想用于数字水印，并取得了较好的效果。由于支持向量机在有限训练样本的情况下具有很好的学习和泛化能力，因此，可以首先利用回归型支持向量机较好地建立图像邻域像素之间的关系模型，然后，通过调整模型的输出值与中心像素值之间的大小关系来嵌入或提取水印。实验表明，用该技术嵌入水印后的图像不仅具有很好的图像感知质量和较强的鲁棒性，对图像增强、JPEG压缩、噪声、几何剪切等抵抗强，而且安全性好、实用性较强。     

支持向量机在遥感图像分类中的应用研究综述

该文对多类分类支持向量机、模糊支持向量机、小波变换支持向量机及主动支持向量机在遥感图像分类中应用的情况进行了阐述及总结,并给出了支持向量机在遥感图像分类中应用的发展趋势。     

光滑支持向量机的原理和进展

支持向量机是数据挖掘的新方法,由于其显著的优点,因此得到了广泛的应用.光滑支持向量机是标准支持向量机的一种改进形式,其应用已显示出了优越性.该文论述光滑支持向量机(SSVM)的基本原理、SSVM 模型、多项式光滑的支持向量机模型以及一类新的光滑函数.讨论光滑支持向量机目前尚未解决的一些关键问题,并展望了今后的发展趋势,为进一步研究光滑支持向量机理论提供了基本思路.     

基于核函数的支持向量机分类方法

支持向量机是目前正在兴起的一种新的数据挖掘分类方法,阐述了支持向量机的理论基础及核函数,阐明了支持向量机分类的基本思想,分析了支持向量机的优缺点,对支持向量机在海量数据分类中的应用前景进行了展望。     

支持向量机在入侵检测中的应用

入侵检测是网络安全的重要领域.安全问题的日益严峻对于检测方法提出更高的要求.支持向量机是一种基于小样本学习的有效工具.继它在字体识别,人脸识别中得到成功应用后,它被成功地应用到入侵检测领域中.介绍了支持向量机的多种算法,例如二分类的支持向量机,一分类的支持向量机,多分类的支持向量机和针对大量训练样本的支持向量机在入侵检测中的应用.通过比较发现,用支持向量机进行检测入侵大大提高了入侵检测系统的性能.     

用SVM和LS-SVM分析变压器故障诊断

介绍并比较了支持向量机分类器和最小二乘支持向量机分类器的算法,提出了基于支持向量机的二叉树多分类变压器故障诊断模型.将标准支持向量机(C-SVM)分类器和最小二乘支持向量机(LS-SVM)分类器分别用于变压器故障诊断,通过网格搜索和交叉验证法取得支持向量机的参数,准确率较高.试验结果表明,支持向量机和最小二乘支持向量机在变压器故障诊断中具有很大的应用潜力.     

基于统计学习理论的支持向量机的分类方法

支持向量机是一种新型机器学习方法,由于其出色的学习性能,该技术已成为机器学习领域新的研究热点。介绍用于分类的支持向量机的统计学习理论基础,在此基础上提出了支持向量机的分类算法,讨论了支持向量机存在的问题,对用于分类的支持向量机的应用前景进行了展望。     

核函数支持向量机

概述了基于核函数方法的支持向量机。首先简要叙述支持向量机的基本思想和核特征空间,然后重点介绍核函数支持向量机的前沿理论与领先技术,同时描述了核函数支持向量机在关键领域的应用。     

基于改进遗传算法的支持向量机参数优化

支持向量机是一种非常有前景的学习机器,但是,支持向量机参数的选取一直没有一套成熟的理论,这给支持向量机的应用带来了很大的不便.为此,本文提出了基于改进遗传算法的支持向量机的参数优化方法,利用遗传算法的全局搜索能力得到支持向量机的最优参数值.仿真实验结果表明,得到的参数可使支持向量机具有良好的泛化性能,此方法切实有效.     

支持向量机在局域网故障诊断中的应用

随着计算机网络技术的进步,局域网得到了快速的发展,在各行各业应用广泛.本文介绍了局域网故障诊断发展与支持向量机概述,分析了支持向量机在局域网故障诊断中应用的意义,并提出了支持向量机在局域网故障诊断中的应用.     

事件检测支持向量机模型与神经网络模型比较

针对交通领域中的事件检测(无事件模式和有事件模式)模式识别问题,描述了支持向量机(SVM)的基本方法,建立了基于线性(linearfunction)、多项式(polynomialfunction)和径向基(radialbasisfunction)3种核函数的事件检测SVM模型,并与PNN、MLF模型进行了理论比较。采用I-880线圈数据集和事件数据集建立并验证SVM、PNN和MLF模型,结果发现:无论对于向北、向南或混合方向的事件检测,SVM模型的检测率(DR)、误报率(FAR)和平均检测时间(MTTD)指标均比MLF模型好;PNN模型的DR比SVM(P)模型的高,但FAR和MTTD指标不比SVM(P)模型好;在3个SVM模型中,SVM(P)检测效果最好,SVM(L)最差。SVM算法与神经网络算法相比具有避免局部最小,实现全局最优化,更好的泛化效果的优点,是高速公路事件检测的一种很有潜力的算法。     

SVM和基于PCA、PLS的SVM在非线性辨识中的比较研究

对于同一个非线性系统,比较单纯ε-不灵敏支持向量机方法和基于主元提取、基于偏最小二乘提取的ε-不灵敏支持向量机方法在输入相关和不相关两种情况下的拟合性能和抗干扰性能.仿真结果表明:当输入变量之间存在相关性时,基于特征提取的方法优于直接采用ε-不灵敏支持向量机的方法.     

Statistics-based wrapper for feature selection: An implementation on financial distress identification with support vector machine

Support vector machine (SVM) is an effective tool for financial distress identification (FDI). However, a potential issue that keeps SVM from being efficiently applied in identifying financial distress is how to select features in SVM-based FDI. Although filters are commonly employed, yet this type of approach does not consider predictive capability of SVM itself when selecting features. This research devotes to constructing a statistics-based wrapper for SVM-based FDI by using statistical indices of ranking-order information from predictive performances on various parameters. This wrapper consists of four levels, i.e., data level, model level based on SVM, feature ranking-order level, and the index level of feature selection. When data is ready, predictive accuracies of a type of SVM model, i.e., linear SVM (LSVM), polynomial SVM (PSVM), Gaussian SVM (GSVM), or sigmoid SVM (SSVM), on various pairs of parameters are firstly calculated. Then, performances of SVM models on each candidate feature are transferred to be ranking-order indices. After this step, the two statistical indices of mean and standard deviation values are calculated from ranking-order information on each feature. Finally, the feature selection indices of SVM are produced by a combination of statistical indices. Each feature with its feature selection index being smaller than half of the average index is selected to compose the optimal feature set. With a dataset collected for Chinese FDI prior to 3 years, we statistically verified the performance of this statistics-based wrapper against a non-statistics-based wrapper, two filters, and non-feature selection for SVM-based FDI. Results from unseen dataset indicate that GSVM with the statistics-based wrapper significantly outperformed the other SVM models on the other feature selection methods and two wrapper-based classical statistical models.     

SVM和ANN在网络安全风险评估中的比较研究

支持向量机和人工神经网络是人工智能方法的两个分支,详细介绍了支持向量机和人工神经网络原理。建立了网络安全评估指标体系,将支持向量机和人工神经网络同时应用于网络安全风险评估的过程中,通过实例比较了两者的评估效果,结果表明了支持向量机在小样本情况下分类正确率普遍高于人工神经网络,具有较好的分类能力和泛化能力;同时在训练时间上也有绝对的优势。实践证实了支持向量机用于网络安全风险评估的有效性和优越性。     

结合SVM和KNN的Web日志挖掘技术研究方法

将SVM和KNN算法结合在一起,组成一种新的Web文本分类算法——SVM-KNN算法。当Web文本和SVM最优超平面的距离大于预选设定的阈值,则采用SVM进行分类,反之采用SVM作为代表点的KNN算法对样本分类。实证结果表明,SVM-KNN分类算法的分类精度比单纯SVM或KNN分类算法有不同程度的提高,为Web数据挖掘提供了一种有效的分类方法。     

基于鲁棒最小二乘支持向量机的气动参数拟合

最小二乘支持向量机（LS－SVM）比标准支持向量机具有更高的计算效率,但是却散失了标准支持向量机的稀疏特性,而且当考虑异常值或者误差变量的高斯假设不成立时,会导致不稳健的估计结果。为了克服这两个缺点,在飞行器的气动参数拟合计算中引入了一种鲁棒最小二乘支持向量机（RLS－SVM）,该方法通过加权的支持向量机来获得鲁棒估计,并通过对支持值谱进行剪枝最终得到稀疏解。仿真结果表明：RLS－SVM方法简单,学习速度快,拟合精度高,鲁棒性强,是一种在飞行器轨迹计算中值得推广和采用的方法。     

广义最大间隔球形支持向量机

针对多类分类问题,提出一种超球支持向量机算法——广义最大间隔球形支持向量机,该算法利用两同心超球将正负类样本分隔开来,最大化两超球半径的差异,从而挖掘正负类样本的鉴别信息,同时对超球类支持向量机算法判决规则进行改进,引入模糊隶属度补充判决,弥补二类分类器投票决策的缺陷.理论分析了算法的相关性质,通过仿真实验验证了该算法的有效性.     

基于SVM信息融合的图像识别与并行实现

提出用支持向量机（SVM）融合三种基于不同特征表示的表情识别方法进行表情识别,即PCA表情表示、SVM表情表示和FLD表情表示。在用SVM进行特征提取时,提出一种高效的方案选择投影轴。在提取各种特征表示后,对每一种表情特征用1阶最近邻分类器进行初步识别,最后用支持向量机融合这些分类结果进行表情的最终识别。并且针对目前还没有硬件实现情况,提出用TI公司的达芬奇系列的DSP芯片构建并行系统来实现SVM融合算法方案,讨论并优化DSP实现算法的过程,通过实验的结果表明,提出的方案是有效的。     

基于人工鱼群算法优化SVM的手部动作sEMG识别

为了提高人体手部运动模式识别的准确性,提出了一种基于人工鱼群算法优化支持向量机( SVM)的模式识别方法.该方法对采集的表面肌电信号( sEMG)去噪后提取小波系数最大值作为特征样本,将提取后的特征输入到SVM进行动作模式识别,同时采用人工鱼群算法优化SVM( AFSVM)的惩罚参数和核函数参数,避免参数选择的盲目性,提高模型的识别精度.通过对内翻、外翻、握拳、展拳四种动作仿真结果表明:该方法与传统的SVM方法相比具有更高的识别率.     

模糊判决支持向量机在自动语种辨识中的研究

支持向量机(SVM)是在统计学习理论的基础上发展起来的一种新的通用学习方法。自动语种辨识是语音信号处理中新出现的分支,也是一项较难的课题。该文提出的模糊判决支持向量机(FDSVM)是对支持向量机的判决结果的合理化改进,并应用于自动语种辨识系统。利用OGI-TS电话语音库对新算法的性能进行测试,然后给出实验结果。结果表明,该算法相对于传统算法是一种更有效的方法。