基于SVM多类分类器的字符识别

针对字符识别相似字符识别能力差,速度慢等问题,提出基于支持向量机的识别方法。首先提取预处理后的字符特征,然后进行降维处理,再设计多类分类器并进行训练,最后选取合适的核函数进行识别。实验表明,该方法识别率高达97.65%,且具有适应性强和效率高的特点,具有较高的实用价值。     

基于SVM多分类器的FCD地图匹配算法

地图匹配是浮动车数据(FCD)处理的重要步骤,直接影响城市交通信息获取的准确性。目前的FCD地图匹配方法主要包括点到点、点到线等几何拓扑结构方法,它们仅使用了当前点和前一时刻GPS点信息,大量的FCD历史匹配数据没有被利用。本文在分析FCD误差分布的基础上,提出了一种基于SVM多分类器的FCD地图匹配算法,使用线到线的全局匹配得到的路段历史匹配样本对分类器进行离线学习,然后进行FCD实时匹配。最后给出了训练过程及参数调优,实验结果说明本文所提方法的匹配准确度优于点到点和点到线方法。     

基于支持向量域描述的学习分类器

文章在分析支持向量域描述的基础上发展了一类基于描述的学习分类器.该算法在训练时通过在高维特征空间中求取所描述的训练样本的超球体边界，然后通过该边界对样本数据进行分类.文章所获得的学习算法和支持向量机（SVM）和序列最小优化（SMO）算法相比，不仅降低了样本的采集代价，而且在训练速度上有了很大提高.在CBCL人脸库和USPS手写数字识别的实验中，给出了该算法和SVM、SOM算法的实验对比结果，说明了该学习算法的有效性。     

基于支持向量机的医用电子鼻分类器研究

电子鼻主要是一种传感器阵列,具有专一性,能够结合相关的模式来对算法系统进行识别,专门用于识别单一的成分或是其他复杂成分中的气体。医用电子鼻主要用于疾病的诊断,它是根据患者的创口顶空气体以及呼出的气体来进行判断,观察其与正常人是否具有差异。如果与常人的不同,那么可能患上相应的疾病。很多疾病是可以通过特定的气味判断出来的,例如糖尿病会产生一种丙酮具有的甜味,胃病会有口臭发生,还有很多与肝脏等内部器官相关的疾病都会产生一系列的气味。而电子鼻能够有效地对这些气味进行分辨,判断出具体的疾病类型,以对症下药。本文主要对基于支持向量的医用电子鼻分类器进行了分析和研究,希望对疾病的检测和判断起到一定的作用。     

基于SVM的医学图像分类器的设计

提出了一个基于支持向量机的医学图像分类器.能提取形状和纹理特征作为分类算法的特征输入,进行计算机辅助诊断.提出了一种支持向量机新算法,解决了当两类中的样本数量差别较大时,支持向量机的分类能力将会下降的问题.实验表明,在小样本、两类样本数量严重不均衡的情况下,该算法有着较强的分类能力,可以极大地提高医学图像分类的效率和准确性.     

基于支持向量机的水声信号多分类器设计

目标分类器是水下目标自动识别系统的重要组成部分,目前水下目标分类的方法主要有统计分类、神经网络和专家系统等三大类的分类方法。支持向量机（SVM,Support Vector Machine）是根据统计理论提出的一种新的算法,该算法具有良好的泛化性能,不仅对训练样本的分类性能较好,对未知的检验样本同样具有好的分类效果,特别适用于小样本数据的分类。本文将该算法推广至多分类情况,并对三类水声信号样本进行分类试验。实验结果表明,该算法可以有效的避免“维数灾难”问题,且分类正确率高于传统的神经网络分类器。     

基于SVM的骨质疏松识别算法

文中讨论了基于模式分类的算法,通过常规的体检参数对骨质疏松情况进行预测和识别.由于常规体检参数和骨质疏松诊断结果之间的线性相关度小、参数方差大等问题,基于线性分类边界模型得到的分类器误差大,文中利用数据和骨质疏松之间的非线性关联特性,使用高斯核函数将原始训练数据映射到核空间进行分类,较好地实现了用体检参数预测骨质疏松.此外文中给出了利用多个分类器的分类结果进行组合方法,使得不同分类器分类结果相互矛盾时能够输出唯一的诊断结论.     

基于二叉树SVM的弹道目标RCS识别

二叉树支持向量机(SVM)是一种针对多类问题的有效分类器,具有结构简单、训练快的特点,但二叉树SVM容易出现误差积累,且不能输出识别结果的置信度。文中设计了一种基于隶属度计算的二叉树SVM分类器,首先,该分类器利用方差和最小准则选择节点,将多类问题转化为偏二叉树SVM分类问题,避免了误差积累,然后,利用特征变换空间的类中心和类半径,计算出样本结果的置信度,使得二叉树SVM分类器能够输出模糊结果。将上述二叉树SVM分类器应用于弹道目标的RCS特征识别,仿真结果表明了该方法的有效性。     

基于改进混合蛙跳算法的SVM分类算法

支持向量机的训练需要求解一个带约束的二次规划问题,但在数据规模很大情况下,经典训练方法将变得很困难。本文提出一种基于改进的混合蛙跳算法的SVM训练算法。针对混合蛙跳算法搜索速度慢且容易陷入局部极值的缺陷,将模拟退火思想引入到混合蛙跳算法中,提出一种改进的混合蛙跳算法。该算法保持了混合蛙跳算法参数少和容易实现的特点,同时通过模拟退火的降温过程来提高算法的进化速度和精度。实验结果表明,该算法能显著提高收敛速度,并能有效克服局部极值,在SVM训练中具有良好效果。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

一种基于线性分类器的通用指纹分割方法

针对不同传感器采集的指纹难以进行统一准确的分割的问题,提出主频率带能量比值,归一化的灰度均值及灰度对比度值三个更为通用的指纹描述特征,并利用这三个指纹特征,使用SVM方法训练一个线性分类器,对指纹进行有效分割.实验表明,该方法不仅实现了对指纹的准确分割,在FVC2002指纹数据库上平均分割误差约为2%,并且该分割方法具有很好的通用性,适用各种传感器采集的指纹.     

基于Winnow的中文邮件分类器的设计

本文首先通过建立实验用中文邮件语料库，提出了用Winnow算法实现邮件分类器，并讨论了其特点,然后，文章提出了通过建立分类规则库改善邮件分类器的分类效果．实验证明，该方法能有效提高邮件分类的可信度．     

自适应条件下的相邻区分精度SVM集成模型研究

在数据进行集成的实际过程当中,分类器往往具有自主性,会随着样本数据的变化对自己进行 适 当调整,以此来提高自己的适应能力。对此,本研究以在数据样本区域内对相邻数据进行区分 的方法进行SVM集成方法研究,并最终提出了一种切实可行地支持SVM进行集成的方式。即针 对区分的数据样本区域,以一种新的搜索算法进行研究,利用FCM与模糊贴近度的结合来进行 计 算,实现在模糊特征空间集合频域自身位置的自动确定,再根据各项分类器的阈值数据系统自 行 录用当中的优异数据结果。并最终形成个体分器的数据结果从而进行集合性判定。结果显 示。在减少区分判断用时的前提下,这样一种数据算法能够达到提升分类器功能的有效作用 ;所建立的SVM集成模型具备动态自主适应性。集成过程当中分类器的个数选取关键点在于 分类精度阀值的选取,据此可以通过最优阀值的选取以达到模型判别能力的极大提升。     

一种基于SVM分类器的HRRP-ATR方法

给出了一种应用统计学习领域最新的支持矢量机 (SupportVectorMachines ,简称SVM )分类器识别高分辨率距离像 (HighResolutionRangeProfile ,简称HRRP)的方法。应用美国空军研究室 (AirForceResearchLaboratory)的MSTAR (Mov ingandStationaryTargetAcquisitionandRecognition)实测数据 ,该方法获得了较满意的识别率。与模板匹配法相比 ,实验结果证明了支持矢量机分类器的有效性 ,同时证明了支持矢量机分类器与幂变换结合后可以大大提高识别率     

一种基于KKT条件和壳向量的SVM增量学习算法

针对传统支持向量机(SVM)增量算法,在学习过程中因基于局部最优解而可能舍弃含隐性信息的非支持向量样本,以及对于新增样本需全部进行训练的缺点,文中提出一种基于KKT条件和壳向量的SVM增量学习算法。该方法利用壳向量的特性保留了训练样本集中可能含隐性信息的非支持向量,并只将违反KKT条件的增量样本加入新的训练集,从而提高运算效率。通过对公共数据集Abalone和 Balance Scale的实验表明,新算法在属性列数较多的数据集上分类效果更明显。     

基于HOG特征和SVM分类器的红外图像智能检测与分类方法

为了满足人工智能在目标识别方法中的应用需求,需要具备对海量数据进行智能分类、识别、判读的能力。进一步挖掘了红外目标特性数据库数据,并将基于HOG+SVM的红外目标识别算法应用于红外目标识别过程中。选择采集到的汽车、直升机、飞机、舰船、无人机等目标,并结合HOG算子与SVM分类方法来实现红外目标检测与分类算法,从而实现了红外目标智能化分类研究,为后续目标特性的进一步分析以及导引头智能化算法设计提供了支撑。     

基于多级分类的网络流量在线识别方法(英文)

Internet traffic classification plays an important role in network management. Many approaches have been proposed to classify different categories of Internet traffic. However, these approaches have specific usage contexts that restrict their ability when they are applied in the current network environment. For example, the port based approach cannot identify network applications with dynamic ports; the deep packet inspection approach is invalid for encrypted network applications; and the statistical based approach is time-consuming. In this paper, a novel technique is proposed to classify different categories of network applications. The port based, deep packet inspection based and statistical based approaches are integrated as a multistage classifier. The experimental results demonstrate that this approach has high recognition rate which is up to 98% and good performance of real-time for traffic identification.     

基于单类支持向量机的目标跟踪算法研究

基于分类的跟踪算法成为当前目标跟踪的研究热点。首先把跟踪问题看成是一个目标和背景的二分类问题,根据每一帧的正负样本数据训练SVM分类器,通过分类器的分类概率值确定目标位置。然而,采集正负样本边界的那些样本很容易出现异常点,当把它们作为目标的下一帧位置时将会出现严重的跟踪漂移问题。为此,提出了一种基于单类支持向量机(One-class Support Vector Machine,One-class SVM)的目标跟踪算法,基于One-class SVM分类能有效地排除其他类的干扰,有效地防止异常样本的出现。并结合加权多示例采样方法,使得每个采样样本会根据不同的权值对于分类器的贡献而不同。仿真实验结果表明,改进的跟踪方法是可行的、有效的,有很好的鲁棒性。