基于支持向量机的手写体数字识别系统设计

数字识别是光学字符识别技术里发展比较早的一种技术,是OCR的一个分支。数字识别又分为手写数字识别和非手写数字识别,提到的手写数字识别是指脱机手写数字识别。支持向量机是近几年来模式识别领域中的一个新技术,它被广泛应用到文字识别、人脸识别等应用中,是模式识别领域中的研究热点,把支持向量机技术应用到手写数字识别系统中,以期提高识别系统的性能。     

基于支持向量机的手写体相似字识别

本文提出对手写相似汉字进行识别的支持向量机方法。该方法与人工神经网络一样适用于小规模分类,但由于支持向量机依据结构风险最小化原则,因此泛化能力更强。并且,由于支持向量机算法是一个凸二次优化问题,能够保证找到的极值解就是全局最优解。本文用支持向量机算法对三组手写相似汉字进行了识别,取得了较好的结果。     

基于支持向量机的篆体与宋体的识别研究

为了实现对字体的正确性识别,研究将收集好的篆体和宋体图像数据进行预处理,采用支持向量机的模型调整最优参数,最终通过测试数据集合进行识别得到96.88%的准确率和94.12%的精确率。     

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。     

基于支持向量机的数字调制信号识别

针对神经网络分类器容易陷入局部最小值和不适用于小样本的缺点,提出一种应用零中心瞬时特征提取法提取分类特征,采用支持向量机分类器进行数字调制信号识别的方法。与传统的神经网络方法相比,该方法具有更好的泛化推广能力。实验仿真结果表明,该调制识别方法在小样本下具有较高的识别率。     

基于支撑向量机的支票手写体数字识别系统

该文提出了一种基于支撑向量机的支票手写体数字识别系统。支撑向量机方法,由于建立在结构风险最小化的基础上,而不仅仅使经验风险达到最小,从而突破了传统模式识别方法的局限,使得基于支撑向量机的分类器具有较好的推广能力。文中重点阐述了支撑向量机的基本原理和集成在该系统中的重要的处理模块,实验结果表明该系统具有较高的识别率和较强的实用性。     

基于模糊支持向量机的步态识别

提出基于模糊支持向量机（FSVM）的步态识别方法,以人体步态的宽度向量作为特征,探讨直接取值法和模糊C均值2种模糊隶属度确定方法对FSVM步态分类效果的影响。实验结果表明,模糊C均值法的识别率均略好于SVM,直接取值法的识别率甚至低于SVM,因此,选取正确的模糊隶属度确定方法是FSVM能否成功应用于步态识别的关键。     

支持向量机及其在目标识别中的应用

本文对基于统计学习理论的支持向量机学习方法进行了综述,并着重讨论了支持向量机在目标识别中的应用前景.     

基于支持向量机的语音识别研究

为了得到较好的语音识别效果,构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统,取得了较高的识别率,并将该实验结果同基于HMM的识别结果进行了比较,显示出了支持向量机在基于有限样本情况下进行语音识别的优势。     

基于改进支持向量机的货币识别研究

首先,预抽取支持向量以减少训练样本数量,大大缩减训练时间;然后,用缩减后的样本对改进后的分类支持向量机进行货币识别.改进后的支持向量机不仅把目标函数惩罚项模糊化,而且还对分类情况进行了加权补偿.实验仿真结果表明:此方法避免了神经网络的"过拟合"问题,而且比改进后BP、LVQ和GMM模型等方法的识别率都有所提高,当训练样本数达到100时,识别率高达99-06%.     

基于支持向量机的软测量建模

本文主要讨论支持向量机方法在聚酯工业过程软测量建模中的应用,分析各类支持向量机算法、参数及核函数的选择对建模精度的影响。     

基于SVM的遥感影像的分类

遥感图像的分类方法包括统计模式识别、句法模式识别、以及神经网络、遗传算法、模拟退火算法等等。本文分析了统计模式识别方法的优缺点，提出了使用SVM的方法进行遥感图像分类的设想，通过实验证明该方法是有效和稳健的。     

基于支持向量机的说话人识别研究

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,本文在研究支持向量机理论的基础上,采用支持向量机的分类算法实现说话人识别系统的训练和测试,并将小波去噪技术应用于说话人识别的预处理过程中,改善进入说话人识别系统的语音质量。实验表明,在说话人识别系统中,支持向量机结合小波去噪可以获得较好的识别率。     

单类支持向量机的研究进展

单类支持向量机是一种用途广泛的分类器,它能够应用于负类样本难以收集的领域中,如入侵检测、故障检测与诊断和遥感数据分类等领域。因此无论在理论研究还是实际应用方面,单类支持向量机受到越来越多的关注。回顾单类支持向量机的两种主要方法,阐述各种关于单类支持向量机的改进,包括使用未标号数据、选择样本点以及修改优化目标。对单类支持向量机做了总结。     

最小最大模块化支持向量机改进研究

该文提出了一种新的聚类算法以实现训练数据的等分割并将其应用于最小最大模块化支持向量机(M3-SVM)。仿真实验表明:当训练数据不是同分布时,与随机分割方法相比,该文提出的聚类算法不但能提高M3-SVM的一般化能力,缩短训练时间,还能减少支持向量。     

不确定的中心支持向量机

在一般支持向量机中,训练集的每个元素（x_i,y_i）,i=1,2,…,l,对输入x_i有确定的类别标号y_i 。而在许多实际问题中,x_i的类别往往是不确定的,常常是以概率z_i⁺属于正类的概率z_i^-属于负类。针对这种实际情况,改造训练集,把原来的y_i,用z_i⁺,z_i^-代替,然后建立分类最优先模型,构建不确定中心支持向量机。     

基于Gabor小波特征抽取和支持向量机的人脸识别

文章利用Gabor小波对位置误差、光线等因素具有强的鲁棒性的优点,将人脸图像在一定格点上取大小和方向不同的2D-Gabor小波变换,取变换系数幅值作为特征向量,送入支持向量机中进行分类。有效地结合了Gabor小波的特征抽取能力和支持向量机的分类能力,并对AT&T人脸库进行性别分类和人脸识别,得到了较高的识别率。     

基于支持向量机的图像特征选择研究

相关反馈是近年来基于内容图像检索的研究热点,本文将当前统计学习理论的最新成果--支持向量机应用于反馈过程,对用户给出的正负反馈图片信息进行学习,并在2035幅图片库上应用不同的特征组合进行了反馈学习过程的比较实验,探讨了图像特征对支持向量机性能的影响.实验表明,多类别的特征选取有助于检索性能的提高.