组合方法在人脸表情识别中的应用研究

研究人脸表情识别问题,应有效挺取脸表情特征,消除与识别无关的信息.传统的Gabor滤波器在人脸表情特征提取过程中,针对存在提取特征时间较长和特征数据存在冗余性的缺点,提出了一种Gabor和PCA相结合的特征提取,并通过支持向量机进行表情识别方法.方法首先对人脸表情进行预处理得到纯表情图像,采用Gabor提取表情特征,用PCA进行数据冗余处理和用支持向量机识别人脸表情并进行仿真.仿真结果表明,相对于传统的Gabor方法,不仅提高了人脸表情识别的正确率,而且加快了识别的速度.改进办法非常适合于人脸表情图像的分析.     

对称核主成分分析及其在人脸识别中的应用

核主成分分析(KPCA)没有充分利用人脸的对称性特征,在人脸识别中缺少训练样本,致使其识别率较低。为此,提出一种对称KPCA算法。利用人脸的镜像对称性,通过对训练样本进行镜像变换,得到奇对称样本和偶对称样本,分别提取各奇/偶对称样本的特征分量,使用最近邻距离分类器完成分类。实验结果表明,该算法能扩大样本容量,当多项式阶数为2时,该算法的识别率高于KPCA算法,识别时间短于KPCA算法。     

结构健康监测系统的数据异常识别

结合机器学习方法对结构健康监测系统采集的原始数据进行初步的自动化分析,以达到降低进一步分析的计算量、提高分析子系统精度的目的.以上海中心和兰州西站监测系统为背景,利用机器学习方法研究数据异常识别问题,优化数据分析预警子系统.使用单变量特征选择提取利于识别的特征向量, 对比分析在结构健康监测中各类支持向量机（Support Vector Machine,SVM）的优劣,组合利用不同SVM的优势减少异常数据的漏报和误报.该方法已被应用于上海中心和兰州西站的结构健康监测系统中.     

基于核主成分分析的超多面体数据描述方法

为更加准确地从大量数据中检测出存在的小量异常数据,提出基于核主成分分析的超多面体数据描述方法.利用核主成分分析对数据进行非线性映射,在此基础上使用主成分信息在N维空间中建立2N个超平面,组合这些超平面构造一个超多面体模型,为现有的数据描述类方法提供更多选择.通过第三方数据集并与支持向量数据描述方法比较,验证了在某些分布下超多面体比超球体的支撑域适合训练数据,得到了更好的分类效果,表明了该方法的有效性.     

基于支持向量数据描述的异常检测方法

提出了一种基于支持向量数据描述算法的异常检测方法。该方法将入侵检测看作是一种单值分类问题,建立正常行为的支持向量描述模型,通过该模型可以检测各种已知和未知的攻击行为。该方法是一种无监督的异常检测方法,能够在包含噪声的数据集进行模型训练,降低了训练集的要求。在KDD CUP99标准入侵检测数据集上进行实验,并与无监督聚类异常检测实验结果相比较,证实该方法能够获得较高检测率和较低误警率。     

基于数据分类的企业财务数据异常判定方法

采用目前方法对企业财务数据进行异常判定时,存在AUC值小、相对误差大等问题,提出基于数据分类的企业财务数据异常判定方法。通过模糊聚类方法对原始企业财务数据集进行预处理,依据支持向量机原理构建异常数据判定模型,结合企业财务实际情况通过残差计算完成数据异常的判定。实验结果表明：所提方法能够有效地增大AUC值、减小相对误差、缩短判定时间并降低漏判率。     

SVM中不平衡数据的分离超平面的校正方法

针对两类不平衡数据的分离超平面的偏移问题提出一种平衡方法。首先,对两类样本数据在核空间中进行核主成分分析,分别求出两类样本数据的在特征空间中的主要特征值;然后,根据两样本容量以及各自的特征值所提供的信息,对两类数据给出惩罚因子比例;最后,通过优化训练,产生一个新的分离超平面。该分类面校正了标准的支持向量机的分类误差。实验显示了所提出方法的有效性,即与标准的支持向量机相比,不仅平衡了错分率而且还能减少错分率。     

基于LSTM-OCSVM的无人机传感器数据异常检测

无人机是一种典型的依靠通信和控制系统实现自主飞行的信息物理系统,在安全性和可靠性方面引起了广泛的关注.本文考虑无人机传感器易受网络攻击问题,充分利用数据的时间相关性,提出了针对无人机传感器数据的异常检测模型.首先采用LSTM神经网络对传感器数据进行预测,再将预测值与实际值做差,并将差值输入LSTM分类器进行训练得到包含正样本的超平面,最后计算测试数据到超平面的距离函数值,根据其正负判定异常与否.并且,选择了合适的滑动窗口,在保证异常检测准确率的同时,缩短LSTM神经网络的训练时长.通过仿真实验,验证了该异常检测模型的可行性和有效性.     

支持向量机在税收预测中的应用研究

研究税收预测问题,针对税收数据存在着高度的非线性、冗余等特征,传统的税收预测方法精度较低,影响预测的准确性.为了保证正确税收,提出了一种基于主成分分析的支持向量机税收预测模型(PCA_SVM).首先对影响税收的各指标因子进行主成分分析,消除各指标间的冗余信息,从而减少了支持向量机的输入维数,提高了支持向量机的训练速度,利用PCA_SVM模型对国家2001-2004年税收进行了验证,仿真结果表明,相对于各参比模型,PCA_SVM模型预测精度明显高于各参比模型,具有较岛的泛化能力,是一种有效的税收预测模型.     

支持向量机在期货价格预测中的应用研究

关于期货价格准确预测是投资者关心的问题.针对影响期货价格因素间存在高度的非线性、影响因子间存在冗余等特征,传统期货价格预测方法无法消除数据之间冗余和捕捉非线性规律导致预测精度较低,为了提高期货价格预测精度,提出一种基于主成份分析(PCA)的支持向量机(SVM)期货价格预测方法(PCA-SVM).首先利用主成分分析对期货价格影响因子进行分析和处理,消除各因子之间的高度冗余性,通过选择贡献大的主成分有效地除去无关的影响因子,加快支持向量机学习速度,提高预测精度,然后利用支持向量机对保留的主成成分进行建模预测.利用PCA-SVM模型对2009年8月Kcbt期货价格进行了验证性分析和测试,仿真结果表明,预测效果稳定,提高期货价格预测精度.证明PCA-SVM是一种有效、高精度的期货价格预测方法.     

基于主元分析的支持向量数据描述机械故障诊断

针对机械故障诊断缺乏故障样本的问题,提出了故障诊断单值分类法--支持向量数据描述法(SVDD).这种方法只需要正常运行状态的数据样本,就可以建立单值分类器,区分出正常和异常状态.试验以轴承为研究对象,采用主元分析法(PCA)作数据前处理,提取振动信号的统计特征值,得到的主元特征指标输入到SVDD分类器进行训练和测试.试验结果表明,PCA对正常和故障样本有较大的区分度,SVDD分类器能很好的分辨出轴承正常和故障状态,并且对未知故障有良好的识别能力.     

基于支持向量机的旋转整流桥故障诊断

针对车辆同步发电机中旋转整流桥发生故障时电源系统处于"带病"工作状态,直接检测相对困难的问题,通过MATLAB/Simulink建立同步发电机中旋转整流桥的仿真模型,分析各种故障状态下对定子绕组电流波形的影响,将定子绕组产生的谐波次数及幅值作为特征向量,采用支持向量机进行模式分类,通过组合网格法选择各模式分类的参数,构成"一对多"的多分类支持向量机.通过与BP神经网络的分类对比,结果表明支持向量机用少量样本就能获得较好的诊断效果.     

一种基于降维的肤色特征提取和肤色检测方法

本文提出了一种综合多个颜色空间分量的肤色特征提取方法,并通过SVM分类器进行肤色和非肤色的分类,从而实现肤色检测。特征提取先后采用了PFA和KPCA算法。肤色检测的实质是肤色和非肤色分类问题。针对先前提取的特征,采用基于SVM分类器进行分类。实验结果表明,基于PFA、KPCA特征提取和SVM分类的肤色检测正确率可以达到87.76%,误判率仅为14.62%。     

PCA特征抽取与SVM多类分类在传感器故障诊断中的应用

为了提高传感器故障诊断的准确率,提出了基于主元分析(PCA)特征抽取和支持向量机(SVM)多类分类的故障诊断方法.该方法通过对传感器输出信号进行小波包分解产生原始特征数据,然后采用PCA特征抽取得到二次特征向量,增强传感器各个状态模式的可分性.二次特征输入到二叉树SVM多类分类算法设计的分类器实现传感器故障诊断.仿真实验结果表明,这种结合了PCA特征抽取和SVM分类的诊断方法准确率高,其诊断效果优于直接采用原始特征进行分类的情况.     

一种基于核主成分分析和组合分类器的虹膜识别方法

提出了一种新的虹膜特征提取与识别方法,该方法利用核主成分分析 （KPCA）在高维空间具有较强的特征选择能力来提取虹膜图像的纹理特征。采用了一种距 离度量和支持向量机相结合的两级分类方法,前级采用欧式距离来度量图像间的相似性,若 符合条件,给出分类结果,否则拒绝,并转入后一级分类器——支持向量机分类,以减少进 入支持向量机的样本数目,该组合分类方法充分利用了支持向量机识别率高和距离度量速度 快的优点。实验结果表明,该方法提高了虹膜识别率,是一种有效的虹膜识别方法。     

基于改进PCA联合SVM的电厂设备故障诊断方法

转子系统是燃气轮机极为重要的组成部件,对其进行故障诊断与分析对燃气轮机的安全稳定运行具有重要意义。转子故障信号为典型的非线性、非平稳和微弱性时间序列。提出了一种基于改进主成分分析(Improved Principal Component Analysis, ImPCA)的燃气轮机转子故障诊断方法。首先针对传统PCA主分量个数确定难题,将贝叶斯理论引入PCA,构建贝塔先验主成分分析模型对转子故障信号进行自适应分解,将其转化为少数几个主分量(Principal Component, PC)之和的形式,然后将PC对应的大特征值作为特征向量并构建SVM分类器进行分类,实现对“不平衡故障”“动静件碰磨故障”和“不对中故障”三种燃气轮机转子故障的有效分类诊断。基于实际数据的实验结果表明,所提方法能够获得97.2%的平均诊断正确率,并且具有噪声稳健性,适用于实际工程应用场景。     

层次聚类LSSVM在模拟电路故障诊断中的应用

文中借鉴层次聚类的思想,采用正向训练、反向测试的方法构造了层次聚类最小二乘支持向量机,并针对容差模拟电路的故障诊断问题,在利用核主元分析法提取其故障特征的基础上,采用所构造的层次聚类最小二乘支持向量机对模拟电路的软故障进行了诊断,并与常用的1对1、1对多算法进行比较,结果表明该方法简化了分类器的结构,缩短了训练测试时间,提高了故障识别率。     

基于支持向量机的人脸识别

由于支持向量机(SVM)有着适合处理小样本问题、高维数及泛化性能强等多方面的优势,并且基于核函数主元分析的方法对于非线性问题的特征提取来说较为合理,因此提出了一种基于核函数主元分析(KPCA)与支持向量机(SVM)的人脸识别方法。在使用KPCA方法对人脸图像进行特征提取后,用SVM对特征向量进行分类识别。利用剑桥ORL的人脸数据库进行的实验结果验证了本算法的有效性。     

一种基于WiFi的室内重点区域监测方法

针对无设备的室内重点区域监测问题,本文提出一种Wi-KAM方法,通过获取室内人员的实时位置信息,判断重点区域内部的人员存在情况和区域边界的入侵情况.本方法使用高斯低通滤波算法和主成分分析(PCA)法对提取出的信道状态信息(CSI)进行预处理,并提取位置特征信息.结合最小二乘支持向量机(LSSVM),对样本集进行离线训练和在线分类,获取人员实时位置,实现对重点区域内部及周边人员位置情况的监测.实验表明,本方法可以更精确地进行重点区域内人员入侵检测和位置判别,并提高了室内人员定位的准确性.