基于C均值和SVM的SAR图像目标分类研究

针对SAR图像具有斑点噪声强和目标特征差异小的特点,通过研究地物特征,提出一种基于C均值和支持向量机(Support Vector Machine)的SAR图像目标分类算法.该算法的前端在特征空间运用C均值聚类算法,有效抑制斑点噪声;后端在图像空间运用支持向量机分类器,提高分类精度.实验结果表明该分类算法能够减少SVM的特征维数,具有较好的分类性能.     

ELM与SVM在高光谱遥感图像监督分类中的比较研究

在高光谱遥感图像监督分类过程中加入空间特征信息,可有效提高分类的速度与精度。将空间信息提取方法分水岭法与极限学习机(ELM)和支持向量机(SVM)相结合,对两种分类方法加入空间特征信息前后的分类结果进行时间与精度的综合评价与比较分析。以意大利帕维亚大学(PaviaU)ROSIS和博茨瓦纳(Botswana)奥卡瓦纳三角洲Hyperion高光谱遥感数据进行试验,首先对原始图像数据进行预处理,对不同地物类别选取适当的训练样本作为分类的参考区域,然后对各类别的光谱特征进行分析,并分别运用两种分类方法对数据集进行分类实验;之后将光谱特征与空间特征结合对数据进行分类试验。实验结果表明:在分类时间及精度方面,极限学习机(ELM)均优于支持向量机(SVM);在分类过程中引入空间特征信息,可有效提高分类精度。     

基于多源信息的TM遥感图像计算机分类

本文以榆林市城区及其周边范围为实验区,以TM遥感图像的第一主成分纹理信息、归一化植被指数和MNF变换得到的四个波段为数据源,采用支持向量机方法进行分类,并与最大似然法分类和单纯利用光谱信息的基于SVM分类结果进行比较.试验结果表明,将纹理分析方法应用于图像分类中可区分光谱混淆的地类;和传统的分类方法相比,采用支持向量机技术.使用光谱与纹理特征结合的分类方法可以获得更高的分类精度.     

基于混合核函数的SVM在文本自动分类的应用

核函数是SVM的关键技术,核函数的选择将影响着学习机器的学习能力和泛化能力。不同的核函数确定了不同的非线性变换和特征空间,选取不同核函数训练SVM就会得到不同的分类效果。本文提出了一种混合的核函数[1]Kmix=λKpoly+(1-λ)Krbf,从而兼并二项式核函数及径向基核函数的优势。实验证明选用混合核函数的支持向量机,与普通核函数构造的支持向量机的评估效果进行比较,混合核函数支持向量机具有较高的分类精度。     

基于改进支持向量机的高维隐写盲检测方法

针对高维大样本空间中支持向量机( SVM)存在计算复杂度高、分类精度低等问题,在随机子空间方法与主成分分析方法的基础上,提出一种特征加权支持向量机的高维隐写盲检测方法。通过随机子空间对原始高维样本的特征空间进行随机采样,产生多个低维的特征子集,在特征子集中采用主成分分析法进行特征提取,并利用卡方统计计算特征权重,运用特征加权核函数训练各基SVM分类器,并用多数投票法融合各基分类器结果得到最终分类结果。对HUGO隐写算法的实验结果表明,该方法能有效降低SVM计算复杂度,与传统方法相比,具有较高的隐写检测率和更快的分类速度。     

基于K型支持向量机的遥感图像分类新算法

为了提高遥感图像的分类精度和识别速度,提出了一种基于K型支持向量机（SVM）的遥感图像分类新算法,该算法将灰度共生矩阵提取的纹理特征与光谱特征相结合进行分类。对两组Landsat ETM+数据进行分类仿真实验,结果表明,在多光谱遥感图像的分类中,新算法提高了分类效率、分类精度和泛化能力,K型SVM是一种优于径向基函数SVM的分类器。     

PSO-SVM算法在肝脏B超图像识别中的应用

为提高肝脏B超图像的诊断准确率,研究了将粒子群算法(Particle Swarm Optimization,PSO)和支持向量机(Support Vec-tor Machine,SVM)相结合进行肝脏B超图像识别的方法;该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM对108幅肝脏B超图像进行分类,利用PSO算法优化SVM的模型参数,最后将该方法与基于网格搜索法优化的SVM和基于BP神经网络的分类方法进行了对比;实验结果表明,在PSO-SVM算法下,所提取的两种纹理特征相结合能够有效地描述肝脏B超图像,基于粒子群优化算法的支持向量机模型具有较高的识别精度,平均分类准确率达94.44%,这就表明PSO-SVM算法适用于对肝脏B超图像的识别。     

基于CNN和农作物光谱纹理特征进行作物分布制图

以卷积神经网络（Convolutional Neural Network, CNN）为代表的深度学习技术,在农作物遥感分类制图领域具有广阔的应用前景。以多时相Landsat 8 多光谱遥感影像为数据源,搭建CNN模型对农作物进行光谱特征提取与分类,并与支撑向量机（SVM）常规分类方法进行对比。进一步引入影像纹理信息,利用CNN对农作物光谱和纹理特征进行提取,优化作物分布提取结果。实验表明：① 基于光谱特征的农作物分布提取,验证结果对比显示,CNN对应各类别精度、总体精度均优于SVM,其中二者总体精度分别为95.14%和91.77%;② 引入影像纹理信息后,基于光谱和纹理特征的CNN农作物分类总体精度提高至96.43%,Kappa系数0.952,且分类结果的空间分布更为合理,可有效区分花生、道路等精细地物,说明纹理特征可用于识别不同作物。基于光谱和纹理信息的CNN特征提取,可面向种植结构复杂区域实现农作物精准分类与分布制图。     

基于高分辨遥感数据的胡杨与柽柳树冠提取

胡杨、柽柳是干旱荒漠区生境的指示种,其树冠提取是荒漠生境遥感定量监测的基础。以塔里木河下游胡杨、柽柳为研究对象,基于QuickBird数据,使用光谱单数据源SVM、光谱结合纹理SVM、面向对象分类和最大似然分类法提取树冠。结果表明:1光谱结合纹理SVM比光谱单源SVM分类精度高9.65%,冠幅估测精度高7.18%,表明高分辨影像上纹理是提高分类精度的重要因素;2面向对象分类法精度最高,分类总体精度86.47%,较光谱单源SVM提高15.67%,较光谱结合纹理SVM提高6.02%,较最大似然法提高22.58%,其冠幅估测精度达87.45%。它兼顾面向对象影像分割与支持向量机方法优点,有效利用分割对象光谱、纹理和空间等信息,较好地解决了其他方法"同物异谱、异物同谱"造成提取树冠破碎的问题,使树冠提取具有较好的稳定性和较高精度。     

基于SVM的肝脏B超图像纹理分类

在支持向量机SVM的基础上,提出一种肝脏B超图像纹理分类方法。该方法首先提取肝脏B超图像的空域和频域的纹理特征,然后运用SVM分类,寻找分类的最佳特征组合,最后将该方法与BP神经网络的分类方法进行了对比。实验结果表明,所得到的最佳特征组合能有效地区分正常肝脏和病变肝脏,利用该方法可以得到更高的分类精度和更稳定的性能。     

改进粒子群算法优化支持向量机在故障诊断中的应用研究

支持向量机(SVM)作为当前新型的机器学习方式,凭借解决小样本问题、高维问题和局部极值问题等方面的优越性,在当前故障诊断方面有突出的表现;文章根据对支持向量机的研究,发现其在分类模型参数选择上存在困难,为此,提出利用改进粒子群算法优化的办法,解决粒子群前期收敛速度过快导致后期容易优化不均的现象;通过粒子群算法优化与支持向量机分类模型结合,以轴承故障检测和诊断为例,分析次方法的优越性和提高支持向量机在故障诊断过程中的精准度;通过实际检测得出,这种算法优化的方法改进的支持向量机对于聚类性较差的故障分类具有很好的诊断功能。     

A one-layer recurrent neural network for support vector machine learning.

This paper presents a one-layer recurrent neural network for support vector machine (SVM) learning in pattern classification and regression. The SVM learning problem is first converted into an equivalent formulation, and then a one-layer recurrent neural network for SVM learning is proposed. The proposed neural network is guaranteed to obtain the optimal solution of support vector classification and regression. Compared with the existing two-layer neural network for the SVM classification, the proposed neural network has a low complexity for implementation. Moreover, the proposed neural network can converge exponentially to the optimal solution of SVM learning. The rate of the exponential convergence can be made arbitrarily high by simply turning up a scaling parameter. Simulation examples based on benchmark problems are discussed to show the good performance of the proposed neural network for SVM learning.     

Feature subset selection for support vector machines through discriminative function pruning analysis

In many pattern classification applications, data are represented by high dimensional feature vectors, which induce high computational cost and reduce classification speed in the context of support vector machines (SVMs). To reduce the dimensionality of pattern representation, we develop a discriminative function pruning analysis (DFPA) feature subset selection method in the present study. The basic idea of the DFPA method is to learn the SVM discriminative function from training data using all input variables available first, and then to select feature subset through pruning analysis. In the present study, the pruning is implement using a forward selection procedure combined with a linear least square estimation algorithm, taking advantage of linear-in-the-parameter structure of the SVM discriminative function. The strength of the DFPA method is that it combines good characters of both filter and wrapper methods. Firstly, it retains the simplicity of the filter method avoiding training of a large number of SVM classifier. Secondly, it inherits the good performance of the wrapper method by taking the SVM classification algorithm into account.     

Large data sets classification using convex–concave hull and support vector machine

Normal support vector machine (SVM) is not suitable for classification of large data sets because of high training complexity. Convex hull can simplify the SVM training. However, the classification accuracy becomes lower when there exist inseparable points. This paper introduces a novel method for SVM classification, called convex–concave hull SVM (CCH-SVM). After grid processing, the convex hull is used to find extreme points. Then, we use Jarvis march method to determine the concave (non-convex) hull for the inseparable points. Finally, the vertices of the convex–concave hull are applied for SVM training. The proposed CCH-SVM classifier has distinctive advantages on dealing with large data sets. We apply the proposed method on several benchmark problems. Experimental results demonstrate that our approach has good classification accuracy while the training is significantly faster than other SVM classifiers. Compared with the other convex hull SVM methods, the classification accuracy is higher.     

基于Boruta-PSO-SVM的股票收益率研究

针对股票收益率的分类预测研究中支持向量机(SVM)存在的参数选择困难以及分类性能较差的问题,提出了一种基于特征选择(Boruta算法)和粒子群优化(PSO)算法SVM的新算法.通过Boruta算法对训练集进行特征选择,剔除无价值的特征以降低输入维度,同时引入PSO算法优化SVM核函数参数,从而提高SVM的分类性能.实验结果表明:相比决策树、神经网络及极限学习机算法,新算法取得了更高的分类精度,可以有效提高股票收益率的分类预测性能.     

基于支持向量机和距离度量的管道内表面图像分类方法研究

针对管道内表面图像的分类问题，提出了一种将支持向量机和距离度量相结合，构成组合分类器的分类方法。分类时先采用距离度量进行前级分类，符合条件则给出分类结果，否则拒识并转入SVM分类器进行分类。该方法充分利用了SVM识别率高和距离度量速度快的优点，并且利用距离度量的结果去指导SVM的训练和测试。实验表明本方法具有较高的效率和识别精度，进一步提高了系统的识别率和容噪性能。     

粗SVM 分类方法及其在污水处理过程中的应用

提出一种基于粗糙集理论和支持向量机理论的粗SVM分类方法，该方法采用粗糙集属性约筒方法以减少属性个数，且在属性约筒过程中选出几组合适的属性集组成新的属性集，使模型具有一定的抗信息丢失能力，同时充分利用SVM的良好推广性能，提高了预测分类精度，对城市污水处理厂运行状态的实验结果表明了该方法的优越性。     

基于卷积神经网络及改进支持向量机的行人检测

针对自动驾驶实际道路场景复杂导致行人误检率高的问题,提出一种基于卷积神经网络及改进支持向量机的行人检测方法。利用聚合通道特征快速获取图像候选区域,将归一化后的候选区域图像输入卷积神经网络对其进行深度特征提取;利用主成分分析法将卷积神经网络末端所得到的特征向量进行降维处理,减少其冗余特征信息以获得精确的行人特征描述;将行人特征送至优化后的支持向量机完成分类。考虑支持向量机在分类过程中存在核函数参数选择困难的问题,利用改进后的蚁群算法对其进行优化选择,获得最优支持向量机参数以提高分类精度。实验结果表明,不同场景下的行人平均检测精确度达到92%,误检率大幅下降且具有较好的实时性。     

融合PCA的支持向量机人脸检测研究

支持向量机（Support Vector Machine,SVM）作为一种经典的非线性分类器,用于模式识别,可以将训练样本从不可线性分类的低维空间映射到可线性分类的高维空间,再做分类,本文主要训练支持向量机使它学会区分人脸和非人脸。支持向量机的数学推导完备,算法逻辑严密,整体上比Adaboost算法复杂,但在样本量较少的情况下效果良好,因此有样本优势。支撑它的理论包含泛化性理论、最优化理论和核函数等,这些理论也被学术界广泛用于其他机器学习算法如神经网络,几十年来被证明具有很高的可靠性。同时本文论述主成分分析技术（PCA）用于压缩数据,实现数据降维,在数据预处理方面算法提供了很大帮助,使SVM支持向量机的输入数据维数大幅下降,大大提高了运算和检测时间。     

An enhanced Support Vector Machine classification framework by using Euclidean distance function for text document categorization

This paper presents the implementation of a new text document classification framework that uses the Support Vector Machine (SVM) approach in the training phase and the Euclidean distance function in the classification phase, coined as Euclidean-SVM. The SVM constructs a classifier by generating a decision surface, namely the optimal separating hyper-plane, to partition different categories of data points in the vector space. The concept of the optimal separating hyper-plane can be generalized for the non-linearly separable cases by introducing kernel functions to map the data points from the input space into a high dimensional feature space so that they could be separated by a linear hyper-plane. This characteristic causes the implementation of different kernel functions to have a high impact on the classification accuracy of the SVM. Other than the kernel functions, the value of soft margin parameter, C is another critical component in determining the performance of the SVM classifier. Hence, one of the critical problems of the conventional SVM classification framework is the necessity of determining the appropriate kernel function and the appropriate value of parameter C for different datasets of varying characteristics, in order to guarantee high accuracy of the classifier. In this paper, we introduce a distance measurement technique, using the Euclidean distance function to replace the optimal separating hyper-plane as the classification decision making function in the SVM. In our approach, the support vectors for each category are identified from the training data points during training phase using the SVM. In the classification phase, when a new data point is mapped into the original vector space, the average distances between the new data point and the support vectors from different categories are measured using the Euclidean distance function. The classification decision is made based on the category of support vectors which has the lowest average distance with the new data point, and this makes the classification decision irrespective of the efficacy of hyper-plane formed by applying the particular kernel function and soft margin parameter. We tested our proposed framework using several text datasets. The experimental results show that this approach makes the accuracy of the Euclidean-SVM text classifier to have a low impact on the implementation of kernel functions and soft margin parameter C.