基于支持向量机的多元文本分类研究

根据文本分类的特点，在对最小二乘支持向量机方法进行详细分析的基础上，创建了基于最小二乘支持向量机的多元文本分类器．实验表明，采用该文本分类器能够在保持较高分类精度和召回率的基础上，提高训练效率，具有一定的可行性．     

基于多超平面支持向量机的图像语义分类算法

由于图像的低层可视特征与高层语义内容之间存在巨大的语义鸿沟,而基于内容的图像分类和检索准确性极大依赖低层可视特征的描述,本文提出了一种基于多超平面支持向量机的图像语义分类方法.多超平面分类器从优化问题的复杂度和运行泛化能力两方面进行研究,是最优分离超平面分类器一种显而易见的扩展.实验结果表明,本文提出的方法在图像语义分类的准确性方面要优于诸如采用色彩特征和纹理特征的支持向量机分类器的其它方法.     

应用支持向量机进行网上信息自动分类

从SVMs的原理出发，介绍了用SVMs对网上信息进行自动分类的方法，分析了它能够防止出现“过学习”现象的原因以及对网上信息分类的适应性，并讨论了它的不足和可改进之处。     

基于支持向量机的步态分类方法

针对小样本步态数据引起的分类器泛化能力差的问题,提出了基于支持向量机的步态分类方法.采集了24名青年和24名老年受试者的步态数据,提取24个步态特征训练支持向量机,采用交叉验证方法评估分类器的泛化性能.结果表明,本文提出的方法能够有效地对小样本步态数据分类,并且具有良好的泛化性.不同的核函数对分类性能影响较小.与传统反向传播学习算法的神经网络分类器进行了比较,支持向量机分类性能明显优于传统反向传播学习算法的神经网络.支持向量机在步态分类中具有广泛的应用前景.     

基于支持向量机的遥感影像分类研究

以焦作地区部分IKONOS遥感影像为数据源,采用支持向量机(Support Vector Machine,SVM)分类器,通过解算最优化问题,在高维特征空间中寻找最优分类超平面,从而解决复杂数据的分类及回归问题。结果表明,利用SVM进行遥感图像分类的精度高,有明显的技术优势和应用前景。     

一种新型回归支持向量机的学习算法

支持向量机(SVM)是一种基于结构风险最小化原理的学习技术,也是一种具有很好泛化性能的回归方法,本文对标准支持向量机稍作改动,提出了一种新型回归支持向量机,并推导出它的对偶表达方式,随后利用一个优化定理设计了一个多变量更新学习算法,该算法能单调收敛于极值点,并具有简单的迭代方式,仿真实例说明所提出的回归支持向量机及其训练算法具有较好的学习性能.     

用于卫星通信数字调制分类的一种新颖的支持向量机模糊网络

为了使调制分类系统更加适合大范围信噪比(SNR)内的信号,将支持向量机(SVM)和模糊积分(fuzzy integral)结合起来提出了一种新颖的支持向量机模糊网络(SVMFN).SVMFN中采用了一种新的模糊密度定义,同时考虑了分类器的精确度和不确定性,提高了识别的可靠性.从信号中直接提取3个顽健性强且计算简单的特征值来识别11种数字调制方式(2ASK,4ASK,2FSK,4FSK,2PSK,4PSK,8PSK,16QAM,TFM,π/4QPSK和OQPSK).计算机仿真结果表明这种方案具有高度的准确性和可靠性,在SNR不低于0dB时,识别率在95%以上,适于工程应用.     

基于支持向量机的印品缺陷分类方法

目的研究印品图像的各类形状缺陷,建立基于支持向量机(Support vector machine,SVM)的印品形状缺陷分类模型。方法对印品进行符合人眼视觉特性的缺陷识别,并对提取缺陷进行特征分析。将特征数据导入支持向量机进行训练学习,SVM分类器对缺陷图像进行测试。结果分类器对点缺陷和面缺陷的识别率为100%,对线缺陷的分类准确率达93.94%。结论基于SVM的缺陷分类方法能较好地满足印品质量检测的需求。     

支持向量机分类与回归算法浅析

统计学习理论作为机器学习一个分支，由于其优异的特性及应用前景受到越来越多的关注。支持向量机（SVM）衍生于统计学习理论，能够在最小化训练误差和模型复杂度之间找到最佳平衡点，是一种比较经典的机器学习方法。由于秉承了统计学习理论的主要思想（如结构风险最小化、VC维），支持向量机可以在有限样本下得到全局最优，从而避免局部最优问题。     

一种基于支持向量机分类的瞬态信号检测方法

用支持向量机（Support Vector Machine,SVM）方法对水下运动目标辐射噪声的谱图进行高维空间下的最优划分,实现水下瞬态信号的有效检测。其基本思想是将时频谱图拆分成若干时频细胞单元（Time Frequency Cell,TFC）,选择合适的高斯核向量机,寻找时频细胞单元间的差异性,进而实现对瞬态信号的检测。海试数据处理表明该方法检测瞬态信号的有效性,运算量小且稳健性高;与常规能量检测方法相比,更易确定检测门限,减少虚警。     

基于范例推理的NPD数据支持向量机预测

针对当前军用飞机NPD(Noise-Power-Distance)数据集成过程中面临小样本、小范围及数据失真问题,给出基于范例推理监督的支持向量机预测方法。用支持向量机作为数据回归与预测模型,通过范例推理检索出与目标范例相似的NPD数据,用相似范例来指导NPD数据的回归与预测。提出基于坡度的相似性检索、检验及修正方法,成功将范例推理的监督作用与预测模型有机结合,降低预测模型对数据样本的敏感性及依赖性。实例表明,该方法经济可行,能提高回归及预测精度。     

基于支持向量机的坦克识别算法

本文提出了一种基于支持向量机的坦克识别算法。在对图像预处理之后，运用颜色和纹理信息进行分割，采用基于数学形态学的算法求得边缘像素，提取具有RST不变性的轮廓特征向量，输入支持向量机进行训练和识别。将支持向量机与传统的人工神经网络的算法进行了对比实验，实验表明基于支持向量机的坦克识别算法具有更好的性能。     

支持向量机算法原理与应用

支持向量机是基于统计学习理论的一种模式识别方法，近年来以其优良的特性引起了研究者的广泛关注，已经成为一个十分活跃的研究领域。本文系统介绍了支持向量机的理论及应用方法，讨论了支持向量机中核函数的选择问题。然后对二类SVM实现算法和多类SVM实现算法进行分析，总结其性能与优缺点，最后指出SVM中待解决的一些同题和日后的研究方向。     

基于遗传算法优化支持向量机的超声图像缺陷分类

超声图像缺陷在分类时由于存在样本数量少、样本类别多、不易区分等问题,分类的准确率较低。针对这些问题,提出了基于遗传算法优化支持向量机的超声图像缺陷分类方法。该方法首先通过图像处理提取超声图像缺陷的特征数据,然后训练支持向量机作为超声图像缺陷分类器,最后采用遗传算法优化参数求得最优的分类器。实验结果表明,提出的超声图像缺陷分类器在识别率方面优于其他方法的分类器,综合识别率达到了90%,可以有效地辅助工作人员对超声图像缺陷进行分类识别。     

基于支持向量机的能耗数据预测模型研究

本文提出了一种基于最小二乘支持向量机的能耗数据预测方法,通过将此算法应用于某企业实时采集的能耗数据,将得出的预测结果与实时采集数据进行对照,验证了算法的正确性.该方法通过对能耗数据的预测,可以填补因各种原因导致的数据采集缺口,消除实时数据展示的异常,支撑后续的数据分析,为企业用户提供了数据参考.     

支持向量机分类法在设备状态评估中的应用

通过在线监测诊断系统,对炼油厂量机分类法应用于设备运行状态的评估,定量给出反映设备运行状态的优劣指标.由评估参数的变化,发现机组出现异常.停机检修发现烟机叶片不均匀磨损,为企业设备维修计划提供科学依据.     

一种鲁棒支持向量机的非线性函数回归

通过运用非线性函数建立支持向量机的回归模型,使鲁棒性能运用于回归估计,并推出向量机优化的基本理论,给出一些新的优化问题,最后通过仿真实验进行验证,结果证实鲁棒支持向量机的非线性函数回归的可行性。     

次序二叉树支持向量机多类故障诊断算法研究

构建二叉树支持向量机时,如果随机地将分类器分布在二叉树的各个结点上,是不能充分发挥其性能的。考虑到样本的分布情况对分类器推广能力具有较大影响,提出一种次序二叉树支持向量机多类算法,采用样本分布半径和样本分布距离估算各个类别的样本在高维特征空间中的分布情况,把分布半径较大的类别或者分布距离较大的类别较早地分出来,并且在特征空间中给其划分较大的分类区域。转子多故障诊断实验表明,该算法的诊断速度快,故障识别率高,推广能力强,更加适合于实际故障诊断应用。     

基于网格式支持向量机算法的转轴裂纹故障诊断

支持向量机(SVM)是一种对小样本决策具有良好学习性能的机器学习方法。常规SVM算法是从二类分类问题推导得出的,针对于故障诊断这种典型的多类决策问题,研究了一种网格式支持向量机多类算法,每个类别和其他2至4个类别之间采用常规SVM二值分类器进行分类,所需二值分类器总数少,可扩展性强。把转轴上不同位置的裂纹当作不同的故障,运用网格式支持向量机进行转轴裂纹位置故障诊断,结果表明该算法具有计算量小、诊断速度快、故障识别率高、容易扩展等优点,适合于较大规模的多类别故障诊断应用。     

基于谱直方图表示和支持向量机的纹理分类

在纹理分类中采用谱直方图表示(SHR),每个图像窗表示一个包含滤波后图像直方图的特征向量,而直方图是图像谱表示的连接桥梁.在滤波器选择算法之前,结合每个图像分块和滤波器的独立谱表示和直方图,可以获得更加低层的局部特征.最后,时所有独立滤波器采用滤波器选择算法来得到所需的少量滤波器.为了保证分类的可靠性,选择高斯径向基函数(RBF)进行谱直方图表示,采用支持向量机(SVMs)作为分类函数.对本文方法和其它两种方法:Gabor滤波和独立成分分析(ICA)进行了纹理分类和脸部识别的比较实验.实验结果表明,本文方法具有更高的分类准确性,也证明了SVMs优秀的泛化能力.