基于支持向量机的手写体汉字的识别

对手写体汉字识别在特征提取、分类识别及后处理三个阶段主要采用的方法做了简要介绍。SVM具有结构简单,分类稳定可靠,且容错性好等优点。同时和LVQ神经网络分类器识别方法进行了比较,计算机仿真表明,采用SVM用于手写体汉字识别更适合。     

聚合支持向量机分类器的行人检测方法

针对支持向量机分类器的行人检测方法采用欠采样方法,存在正负行人比例不平衡造成的准确率不高问题,结合欠采样和EasyEnsemble方法,提出一种聚合支持向量机（Ensemble SVM）分类器的行人检测方法。随机选择负样本作为初始训练样本,并将其划分为与正样本集均衡的多个子负样本集,构建平衡子训练集,线性组合成EasyEnsemble SVM分类器;利用该分类器对负样本进行分类判断,将误判样本作为难例样本,重新划分构建新的平衡子训练集,训练子分类器,结合EasyEnsemble SVM分类器,得到Ensemble SVM分类器行人检测方法。在INRIA行人数据集上的实验表明,该方法在检测速度和检测率上都优于经典的SVM行人检测算法。     

基于支持向量机的导航星选取算法研究

在星敏感器导航星表的建立过程中由于恒星的数量太多, 往往要进行筛选, 通常这种选择是一种基于枚举的大量反复的提取过程, 复杂费时而结果往往并不是最优的。而基于统计学习理论( SLT) 的支持向量机( SVM) 方法正好克服了这方面的不足。SLT 理论和SVM 方法为导航星选取过程的简化和结果的最优性的获得提供了新的途径。讨论了支持向量机在导航星选取优化中进行应用的分类算法, 构建了导航星分类器, 并以导航星的选取为例进行了试验论证。试验表明: 基于SVM 的导航星分类器对简化导航星的筛选过程优化导航星表的     

一种基于支持向量机的内模控制方法

在基于数据的基础上,采用SVM回归理论建立系统的正向模型和设计逆模控制器.首先简要介绍了SVMR的原理,然后将其应用于内模控制问题,并建立了SVMR模型.其次,在控制过程可逆的条件下设计了SVMR控制器.最后将该控制方法应用于一可逆非线性系统和具未知干扰的温室环境控制问题,仿真结果表明该方法与神经网络IMC相比,具有较简单的模型和较好的控制性能.     

遗传算法优化支持向量机用于语谱图识别

本文提出了一种新的语谱图识别算法,该算法首先利用遗传算法(GA)对支持向量机(SVM)中两个重要参数(惩罚参数c和核函数参数g)进行大范围的寻优,然后利用最佳参数训练支持向量机,最终实现对语谱图的识别.     

基于支持向量机的老年痴呆症-头发微量元素相关性研究

将支持向量机(SVM)应用于老年痴呆症(AD)的模式识别研究。通过测定22个AD患者和25个健康人头发样品中微量元素的含量,继用支持向量机算法研究头发中微量元素含量与AD的相关性,建立分类判别模型。结果显示:该模型对AD的判别准确率为100%,留一法交互预测准确率也达到100%。变量筛选结果表明,与AD症相关性最大的三种元素是Al、Cd、Mn,Al、Cd与AD呈现正相关,Mn与AD呈现负相关。同时与主成分分析进行了比较,表明SVM是更适合于进行这类非线性多变量相关分析的方法。     

基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

基于支持向量机的直接逆模型辨识

在简单讨论逆模型辨识原理的基础上,利用支持向量机(SVM)对函数逼近的能力,提出了基于支持向量机的直接逆模型辨识方法.分别采用二次核函数以及高斯RBF核函数,利用训练数据对线性和非线性系统进行黑箱辨识.仿真结果表明,基于支持向量机的直接逆模型辨识方法在处理线性和非线性对象时,辨识性能都优于传统的BP神经网络,不仅辨识精度高,辨识速度快,而且泛化能力较强.     

支持向量机(SVM)及其应用

详细介绍了支持向量机的理论和它在分类中的应用.实验用Matlab结合第三方svm工具箱完成,结果表明支持向量机(SVM)是一种很好的分类器,有优越的表现和广泛的应用.     

基于离散化方法的支持向量机集成研究

基于数据离散化方法,提出一种新的支持向量机集成算法,该算法采用粗糙集和布尔推理离散化方法构造有差异的基分类器.并引入一致度指标控制离散化过程,可进一步提高集成学习的分类性能.实验结果表明,该算法不仅具有明显优于单一支持向量机的分类性能.而且能取得比传统集成学习算法Bagging和Adaboost更高的分类正确率.     

支持向量机理论及算法研究综述

介绍了SVM的理论基础和它的多种主要算法及这些算法的利弊与发展现状,并介绍了SVM在现实生活中的应用原理及应用现状。最后分析了SVM在发展中的不足之处,指出了其研究方向及前景,并提出在分布式支持向量机这个方向上可以进行更深层次的研究。     

基于支持向量机的尿液细胞图像识别分类研究

为提高尿液细胞进行识别分类的效果,分析和比较了在RGB和HIS两种不同色彩坐标系统下使用支持向量机对尿液细胞进行识别分类的效果,分析和比较了使用色彩特征参数与空间特征参数进行综合识别分类尿液细胞的效果,提出使用网格搜索交叉验证法对支持向量机的参数进行优化.实验结果表明,提出的HSI颜色参数、空间参数、网格搜索交叉验证优化选择参数相结合的方法在尿液细胞识别分类中效果良好.     

基于细菌觅食算法和支持向量机的表情识别

为正确选择应用于人脸表情识别的支持向量机相关参数,提高表情识别准确率,提出一种应用于表情识别的基于细菌觅食算法的支持向量机参数选择方法。利用细菌觅食算法,通过模拟细菌觅食行为的趋向性操作、复制操作和迁移操作对应用于表情识别的支持向量机的参数进行寻优,避免寻优陷入局部最优,实现参数优化。实验结果表明,采用该方法能够使人脸表情识别分类结果具有更高的准确率。     

结合深度学习与支持向量机的金属零件识别

目的 在视觉引导的工业机器人自动拾取研究中，关键技术难点之一是机器人抓取目标区域的识别问题。特别是金属零件，其表面的反光、随意摆放时相互遮挡等非结构化因素都给抓取区域的识别带来巨大的挑战。因此，本文提出一种结合深度学习和支持向量机的抓取区域识别方法。方法 分别提取抓取区域的方向梯度直方图（HOG）和局部二进制模式（LBP）特征，利用主成分分析法（PCA）对融合后的特征进行降维，以此来训练支持向量机（SVM）分类器。通过训练Mask R-CNN（regions with convolutional neural network）神经网络完成抓取区域的初步分割。然后利用SVM对Mask R-CNN识别的抓取区域进行二次分类，完成对干扰区域的剔除。最后计算掩码完成实例分割，以此达到对抓取区域的精确识别。结果 对于随机摆放的铜质金属零件，本文算法与单一的Mask R-CNN及多特征融合的SVM算法就识别准确率、错检率、漏检率3个指标进行了比较，结果表明本文算法在识别准确率上较Mask R-CNN和SVM算法分别提高了7%和25%，同时有效降低了错检率与漏检率。结论 本文算法结合了Mask R-CNN与SVM两种方法，对于反光和遮挡情况具有一定的鲁棒性，同时有效地提升了目标识别的准确率。     

考虑性别差异基于SVM的说话人识别研究

说话人识别是目前身份认证及人工智能领域研究的一个热点,解决说话人识别问题具有重要的理论价值和深远的实用意义.基于语音鲜明个性特征和显著的性别差异,提出了一种考虑性别差异的说话人识别方法,并采用SVM分类器进行训练和测试.先对SVM分类器分别进行性别识别训练和同性集合内个体识别的分类训练,建立起相应的支持向量集合,以此为基础,先后进行说话人的性别识别测试和个体识别测试.实验结果表明,该方法可以有效提高闭集说话人识别系统的性能.     

一种基于Pseudo-Zernike矩和SVM的目标识别快速算法*

为减少Pseudo-Zernike矩的计算复杂度,将系数迭代算法与核函数的对称性相结合,提出了一种新的混合快速算法。与现有的两种快速算法相比较,新算法有更快的计算速度。将其应用到遥感飞机图像库识别中,首先提取图像的Pseudo-Zernike矩特征,然后将其作为支持向量机分类器的输入。理论分析和实验证明,新算法在保持识别准确率的情况下提高了识别速度。     

基于支持向量机和小波分析的说话人识别

为解决说话人识别问题,提出了一种基于支持向量机和小波分析的识别方法以及其框架模型,即将小波分析应用于信号预处理,并以此为基础,利用其奇异点检测原理将语音信号和噪声分离,实现语音增强,最终基于样本进行训练和测试,采用SVM实现说话人的分类识别.     

基于多分类支持向量机的网络入侵检测技术

对多分类支持向量机在网络入侵检测中的应用进行了研究,深入探讨了其中的关键技术问题和解决方法,并用KDD1999CUP中的标准入侵检测数据集对文中设计的支持向量机分类器进行了测试评估,将实验结果和BP神经网络方法进行了比较。实验证明,该方法在保持较低误警率的同时有着很好的检测率,并且在训练时间上优于BP网络方法。     

基于粗糙集支持向量机的红外步态识别

为进一步提高红外步态识别精度,构建了一种多分类器融合识别新模型,在根据各单分类器识别输出值构建度量向量的基础上,进行基于粗糙集支持向量机的多分类器融合识别.通过在Matlab7.5平台利用中科院红外步态库进行识别仿真实验,获得识别率和累积匹配分值的实验数据及对比结果.实验结果表明,基于粗糙集支持向量机的多分类器融合识别模型比单分类器在识别率方面有大幅度提高,识别性能理想,识别精度高.     

基于支持向量机的流量分类方法*

针对现有流量分类方法存在的准确率低、应用范围受限、计算复杂度高等问题,提出使用支持向量机方法来解决流量分类问题。使用公开的人工标注数据集作为训练集和测试集,通过有监督学习构建支持向量机流量分类器。此外,通过实验进一步分析了训练集大小、核函数、惩罚因子等因素对支持向量机分类性能的影响。实验结果表明支持向量机分类器可以达到98%以上的流分类准确率。