基于混合核函数PSO-SVM的初期肝病患者辨识模型研究

以肝脏病人为例,提出将PSO-SVM分类模型用于识别肝病患者.针对单核函数SVM的局限性和改善SVM分类器的非线性处理能力和泛化能力的问题,提出将全局核函数和局部核函数结合的混合核函数应用到SVM模型建模中.然后通过PSO算法对SVM模型的参数寻优,最后利用混合核分类器对与肝功能相关的9种指标进行分类并识别初期肝病患者.该实验结果证明该模型对初期肝病患者的辨识有很好的准确率,可以为医生的诊断提供重要的辅助手段和对患者尤其是初期肝病患者及时发现、及时治疗.     

核最近邻凸包分类算法

为了增强最近邻凸包分类器的非线性分类能力,提出了基于核函数方法的最近邻凸包分类算法。该算法首先利用核函数方法将输入空间映射到高维特征空间,然后在高维特征空间采用最近邻凸包分类器对样本进行分类。最近邻凸包分类器是一类以测试点到各类别凸包的距离为相似性度量,并按最近邻原则归类的分类算法。人脸识别实验结果证实,这种核函数方法与最近邻凸包分类算法的融合是可行的和有效的。     

基于AdaBoost算法的智能轮椅避障研究

随着计算机图像处理能力和技术的发展,视觉传感器在移动机器人导航和障碍物识别中的应用越来越受到重视.将AdaBoost算法用于智能轮椅的障碍物识别,在Visual C++6.0平台下,用AdaBoost算法训练得到用于障碍物检测的强分类器,然后利用该分类器进行检测出目标障碍物,并用模糊神经网络的方法对轮椅的声纳信息,视觉...     

基于Boosting的智能车辆多类障碍物识别

提出一种基于Boosting集成学习的二叉树支持向量机（BBT-SVM）。根据城区交通环境中各类障碍物的出现概率、模式间的类间差异,设计适用于智能车辆障碍物识别的SVM树型结构。对每个节点SVM分类器采用Boosting集成学习方法进行改进,减少差错积累误差,提高分类精度和泛化能力。实验结果表明,该方法能有效地对城区交通场景中6类常规障碍物模式进行实时在线识别。     

改进的人工免疫识别系统及其性能分析

为了改善人工免疫识别系统的非线性能力,进一步优化分类器性能,提出了一种改进的人工免疫识别系统。新算法采用混合核函数来提升算法的非线性能力,同时,对记忆细个体进行适应度评估,淘汰低适应度的细胞来优化免疫分类器。改进的算法被应用于复杂UCI数据集的分类,分类结果与其他经典的分类算法的结果进行比较,结果显示该算法具有更好的分类性能。     

基于AdaBoost的弹性网型正则化多核学习算法

在正则化多核学习中,稀疏的核函数权值会导致有用信息丢失和泛化性能退化,而通过非稀疏模型选取所有核函数则会产生较多的冗余信息并对噪声敏感。针对上述问题,基于AdaBoost框架提出一种弹性网型正则化多核学习算法。在迭代选取基本分类器时对核函数的权值进行弹性网型正则化约束,即混合L_1范数和L_p范数约束,构造基于多个基本核最优凸组合的基本分类器,并将其集成到最终的强分类器中。实验结果表明,该算法在保留集成算法优势的同时,能够实现核函数权值稀疏性和非稀疏性的平衡,与L_1-MKL和L_p-MKL算法相比,能够以较少的迭代次数获得分类精度较高的分类器。     

基于W_2~1再生核支持向量机的模式分类研究

支持向量机是基于统计学习理论的模式分类器。它通过结构风险最小化准则和核函数方法,较好地解决了模式分类器复杂性和推广性之间的矛盾,引起了大家对模式识别领域的极大关注。近年来,支持向量机在手写体识别、人脸识别、文本分类等领域取得了很大的成功。文章将一种新的核函数用于虹膜识别,并与传统的多项式核函数、高斯核函数进行了比较。初步结果显示了该核函数的应用潜力。     

基于W12再生核支持向量机的模式分类研究

支持向量机是基于统计学习理论的模式分类器.它通过结构风险最小化准则和核函数方法,较好地解决了模式分类器复杂性和推广性之间的矛盾,引起了大家对模式识别领域的极大关注.近年来,支持向量机在手写体识别、人脸识别、文本分类等领域取得了很大的成功.文章将一种新的核函数用于虹膜识别,并与传统的多项式核函数、高斯核函数进行了比较.初步结果显示了该核函数的应用潜力.     

基于AdaBoost的雷达目标HRRP识别

针对雷达高分辨一维距离像(HRRP)特征维数高的特点,采用线性判别分析(LDA)和核Fisher判别分析(KFD)方法进行特征压缩和提取。分析了基于AdaBoost算法的分类器的设计思想和实现步骤。构造了高斯型弱分类器,利用AdaBoost算法集成高斯弱分类器实现了一强分类器,利用此分类器对降维后的HRRP数据进行分类识别,并同K近邻分类器(KNN)、支持向量机(SVM)分类器进行比较,得到一些有价值的结论。     

一种基于混合算法的分类器设计

为了高效地从数据库中挖掘分类规则,提出一种将粒子群优化算法和遗传算法相结合的新算法。该算法的核心思想是对规则的前件进行固定长度编码,适应度函数的计算由分类规则的准确率、置信度、支持度和简洁度构成,从而实现基于两者混合算法的分类器设计。将该分类器与遗传算法分类器和粒子群算法分类器进行对比,实验结果表明,该分类器具有更高的分类准确率以及更快的收敛速度。