基于遗传优化的PCA-SVM控制图模式识别

针对SVM和PCA-SVM进行质量控制图模式识别时泛化能力不足和识别精度不高的问题,提出一种基于遗传优化的PCA-SVM控制图模式识别方法。该方法的基本思想是首先基于特征子空间降维方法,运用PCA算法对原始特征样本进行主元分析,有效降低原始特征样本维数并突出聚类,提取各模式之间的主元特征;然后把此特征看成遗传算法中一组染色体,对支持向量机分类器核参数和惩罚因子进行二进制编码,通过对随机产生的一组染色体进行模式识别,并将此识别率作为遗传算法的适应度函数,通过选择、交叉和变异操作,对其参数进行自适应寻优;最后用优化的支持向量机分类器进行控制图模式识别。通过仿真进行验证,结果显示基于遗传优化的PCA-SVM分类器模型的控制图模式泛化能力强、识别精度高,可适用于生产现场质量控制。     

EMD-SVM在纹理图像识别中的应用

为了提高纹理图像识别的准确率,提出了一种经验模式分解和支持向量机（EMD-SVM）在纹理图像识别中的应用。首先采用经验模式分解对原始信号进行分解,得到一组固有模式函数;然后采用固有模式函数和残差之和构建特征子集,并用支持向量机对不同的特征进行纹理分类识别;最后对不同的自然纹理图像进行实验,并将结果与小波变换和支持向量机的纹理图像识别做了比较。实验结果表明, EMD-SVM的纹理图像识别率和识别精度高于小波变换和支持向量机的纹理图像识别。     

基于支持向量机的控制图模式识别

为了提高控制图模式识别效果，提出混合核函数支持向量机的模式识别方法。在模型构造中采用一对一多类分类支持向量机，并利用遗传算法优化混合核函数支持向量机参数。仿真和应用结果表明，混合核函数支持向量机对各种模式控制图的总体识别率，I型错判均优于单独核函数、概率神经网络和小波概率神经网络，且具有良好的泛化能力，适合生产现场实时在线工序质量控制。     

基于多特征的PSO-MSVM动态过程质量异常模式识别

为了提高动态过程质量异常模式识别效率,将动态过程质量模式的均值特征与小波包分解特征作为分类特征,并构建两层多支持向量机识别模型进行分类.利用均值特征,在第一层MSVM中把动态过程变化趋势划分为正常与周期、上升与向上阶跃、下降与向下阶跃三大类别;采用小波包分解特征,在第二层MSVM中对这三大类别进行再分类.仿真结果表明提出的识别模型的识别精度相比采用单一特征的识别模型有明显提高.     

基于小波包特征熵支持向量机的故障分类方法研究

提出了一种基于小波包特征熵和支持向量机相结合的故障分类方法,利用小波包分解提取信号的特征熵.然后将得到的特征熵向量输入支持向量机进行故障识别;通过对某型飞机液压系统试验中获取不同的故障特征数据进行分类,结果表明,该方法能利用较少的故障特征得到较高的诊断精度,与BP神经网络相比,采用支持向量机进行故障分类可以获得更高的识别率,表明该方法是有效、可行的.     

基于弹性网-SVM的疾病诊断关键特征识别

为了更好地识别具有影响因素多、样本量小等特点的疾病诊断的关键特征,辅助临床诊断决策的正确制定,提出了结合弹性网和支持向量机算法的疾病诊断关键特征识别方法。利用弹性网特征选择能力对原始数据集进行降维,得到影响疾病诊断的特征序列;根据特征序列选取关键特征子集,运用支持向量机和10折交叉验证方法获取相应特征子集的分类精度;以 UCI 中 Arrhythmia 数据集为例进行测试。结果表明,该方法能够得到较高的分类精度,并可以更有效地对原始样本数据集进行降维,去除影响因素中的冗余和不相关特征,适用于高维低样本量数据集的疾病诊断关键特征识别。     

融合特征选取和学习策略的支持向量机研究

支持向量机是重要的机器学习方法之一,已成功解决了许多实际的分类问题。围绕如何提高支持向量机的分类精度与训练效率,以分类过程为主线,主要综述了在训练支持向量机之前不同的特征选取方法与学习策略。在此基础上,比较了不同的特征选取方法SFS,IWSS,IWSSr以及BARS的分类精度,分析了主动学习策略与支持向量机融合后获得的分类器在测试集上的分类精度与正确率/召回率平衡点两个性能指标。实验结果表明,包装方法与过滤方法相结合的特征选取方法能有效提高支持向量机的分类精度和减少训练样本量;在标签数据较少的情况下,主动学习能达到更好的分类精度,而为了达到相同的分类精度,被动学习需要的样本数量必须要达到主动学习的6倍。     

基于元学习和叠加法的双层支持向量机算法

提出一种模式识别算法——双层支持量机算法,用来提高表面肌电识别精度。该算法融合集成学习中元学习的并行方法和叠加法的递进思想,把基本SVM分类器并行分布在第1层,第1层的预测结果作为第2层的输入,由第2层再进行分类识别,从而通过多层分类器组合来融合多源特征。以手臂表面肌电数据集为测试数据,采用文中的双层支持向量机,各肌肉的肌电信号分别输入基支持向量机,组合器融合各肌肉电信号特征,集成识别前臂肌肉群的肌电信号,从而实现运动意图的精确识别。实验结果显示,在预测精度上,此算法优于单个SVM分类器。在预测性能上(识别精度、耗时、鲁棒性),此算法优于随机森林和旋转森林等集成分类器。     

基于形状特征及纹理特征的中药材检索方法

为有效提取中药材图像的特征,提高中药材图像分类准确率并提升检索性能,对中药材图像的梯度方向直方图形状特征和局部二元模式纹理特征进行研究,对2种特征进行维数改进,提出一种基于形状特征和纹理特征的中药材检索方法。使用改进的图像梯度方向直方图和分块局部二元模式进行形状及纹理的特征提取;对提取得到的特征向量进行线性组合;采用一对一方式构造多分类器,使用支持向量机进行分类检索。实验结果表明,组合降维特征提取算法能在中药材图像数据集中取得较好的识别效果。     

基于超图的多模态关联特征处理方法

传统的模式识别方法认为特征是相互独立的,容易忽略多模态特征之间多元的关联性,从而造成识别的误差。为此,基于超图模型,提出一种新的特征整合方法。定义共享熵的计算方法用以表示多个特征之间的关联程度,以每个特征作为顶点,特征之间的多元关系作为超边。对形成的超图,定义模块度函数取代传统的切边数,作为衡量子超图的社团特性强弱的指标,应用超图分割算法,对原始的多模态特征进行聚类划分。在划分集合上采用多分类Boosting方法,形成最终的强分类器。实验结果表明,与线性支持向量机、多核学习等当前流行的特征融合方法相比,该方法能有效提高识别准确率。     

Recognition of control chart patterns using fuzzy SVM with a hybrid kernel function

Accurate control chart patterns recognition (CCPR) plays an essential role in the implementation of control charts. However, it is a challenging problem since nonrandom control chart patterns (CCPs) are normally distorted by “common process variations”. In this paper, a novel method of CCPR by integrating fuzzy support vector machine (SVM) with hybrid kernel function and genetic algorithm (GA) is proposed. Firstly, two shape features and two statistical features that do not depend on the distribution parameters and number of samples are presented to explicitly describe the characteristics of CCPs. Then, a novel multiclass method based on fuzzy SVM with a hybrid kernel function is proposed. In this method, the influence of outliers on classification accuracy of SVM-based classifiers is weakened by assigning a degree of membership for every training sample. Meanwhile, a hybrid kernel function combining Gaussian kernel and polynomial kernel is adopted to further enhance the generalization ability of the classifiers. To solve the issue of features selection and parameters optimization, GA is used to simultaneously optimize the input features subsets and parameters of fuzzy SVM-based classifier. Finally, several simulation experiments and a real example are addressed to validate the feasibility and effectiveness of the proposed methodology. And the results of simulation experiments demonstrate that it can achieve excellent performance for CCPR and outperforms other approaches, such as learning vector quantization network, multi-layer perceptron network, probability neural network, fuzzy clustering and SVM, in term of recognition accuracy. The results of the practical cases manifest that the proposed method has application potential for solving the problem of control chart interpretation in real-world.     

Recognition of control chart patterns using an intelligent technique

Control chart patterns (CCPs) are important statistical process control tools for determining whether a process is run in its intended mode or in the presence of unnatural patterns. Automatic recognition of abnormal patterns in control charts has seen increasing demands nowadays in the manufacturing processes. This paper presents a novel hybrid intelligent method for recognition of common types of CCP. The proposed method includes three main modules: the feature extraction module, the classifier module and optimization module. In the feature extraction module, a proper set of the shape features and statistical features is proposed as the efficient characteristic of the patterns. In the classifier module multilayer perceptron neural network and support vector machine (SVM) are investigated. In support vector machine training, the hyper-parameters have very important roles for its recognition accuracy. Therefore, in the optimization module, improved bees algorithm is proposed for selecting of appropriate parameters of the classifier. Simulation results show that the proposed algorithm has very high recognition accuracy.     

A weighted support vector machine method for control chart pattern recognition

Manual inspection and evaluation of quality control data is a tedious task that requires the undistracted attention of specialized personnel. On the other hand, automated monitoring of a production process is necessary, not only for real time product quality assessment, but also for potential machinery malfunction diagnosis. For this reason, control chart pattern recognition (CCPR) methods have received a lot of attention over the last two decades. Current state-of-the-art control monitoring methodology includes K charts which are based on support vector machines (SVM). Although K charts have some profound benefits, their performance deteriorate when the learning examples for the normal class greatly outnumbers the ones for the abnormal class. Such problems are termed imbalanced and represent the vast majority of the real life control pattern classification problems. Original SVM demonstrate poor performance when applied directly to these problems. In this paper, we propose the use of weighted support vector machines (WSVM) for automated process monitoring and early fault diagnosis. We show the benefits of WSVM over traditional SVM, compare them under various fault scenarios. We evaluate the proposed algorithm in binary and multi-class environments for the most popular abnormal quality control patterns as well as a real application from wafer manufacturing industry.     

基于核主元分析的神经网络控制图模式识别

针对异常特征之间存在较大的相似性而带来的网络结构复杂和识别精度不高的问题,提出一种基于核主元分析的神经网络控制图模式识别方法。先通过核方法将低维空间中的非线性特征转化为高维空间中的线性特征,再将其进行线性组合并向低维空间投影,然后用BP神经网络分类器对控制图模式进行识别。通过仿真进行验证,结果显示该方法对控制图各个模式能够有效聚类,并且识别精度得到提高。     

基于SVM的语音情感识别算法

为有效提高语音情感识别系统的识别正确率,提出一种基于SVM的语音情感识别算法.该算法提取语音信号的能量、基音频率及共振峰等参数作为情感特征,采用SVM(Support Vector Machine,支持向量机)方法对情感信号进行建模与识别.在仿真环境下的情感识别实验中,所提算法相比较人工神经网络的ACON(All Cl...     

适应智能质量控制的多分类支持向量机

分析了现有控制图识别器在实际应用中存在的缺陷，并提出了一种基于支持向量机(SVM)的新方法．为了克服HAH多分类SVM(HAH SVM)的缺陷，提高识别速度和准确率，设计了一种有针对性的SVM多分类器进行模式识别．仿真实验结果表明，该方法相对现有的BP和HAH SVM方法能得到更高的识别率和识别速度，适合于工序的实时在线控制．     

一种基于自相关函数特征的行为识别方法

为了增强特征敏感度,提高人体日常行为识别准确率,提出一种基于自相关函数的人体行为识别方法。首先对预先采集的人体行为数据进行预处理,然后从时域和频域提取特征后计算得到自相关函数特征,同时采取互相关函数的步进式方法在自相关函数上进行降噪操作。分别使用C4.5决策树、K最邻近(KNN)、支持向量机(SVM)、朴素贝叶斯(Naive Bayesian)四种分类器进行分类。实验结果表明,与选取纯粹的时、频域特征集进行识别分类的模型相比,选用了包含自相关函数特征的特征集构造出来的模型对行为的识别准确率有较大提高。     

基于多特征组合的构音障碍语音识别

为提高构音障碍识别准确率,提出一种基于多特征组合的构音障碍语音识别方法.利用遗传算法进行特征选择,从语音的韵律特征、频谱特征、人耳听觉特征、嗓音质量特征和声道模型特征等5类特征组合成的多特征组合中选择出分类准确率最高的特征子集,通过SVM分类器对选择出的特征进行识别.在Torgo声学和发音数据库对不同的语音刺激类型进行...     

基于组合特征提取与多级SVM的轮胎花纹识别

基于轮胎花纹分类识别在交通与刑事部门的重要作用,提出了一种新的基于组合特征提取与多级SVM的轮胎花纹识别方法。分别采用非下采样Contourlet变换和灰度共生矩阵方法提取轮胎花纹特征;组合两种方法所提取的特征作为图像特征,并从中提取5个有效特征作为最终识别特征;运用提取的5个特征和多级支持向量机分类器完成轮胎花纹的分类识别。新的特征提取方法所得轮胎花纹特征分离度高,用决策树SVM分类器预测分类效果理想,对轮胎花纹的正确分类识别有着重要意义。