共查询到10条相似文献,搜索用时 15 毫秒
1.
基于支持向量机(SupportVectorMachine,SVM)理论的相关反馈技术是可有效提高图像检索性能的重要手段之一。然而,大多数SVM反馈算法普遍受到小样本问题的制约。本文综合了集成学习、半监督学习和主动学习三种方法的技术特点,提出一种混合学习框架下的SVM反馈算法。该算法在Boosting迭代过程中使用了未标记图像,以增加个体SVM之间的差异,从而获得高效的集成学习模型。同时,高效的集成学习模型更有利于寻找富有信息(most informative)图像,从而也提高了用户主动反馈的效率。实验结果及对比分析表明,混合学习策略可有效改进相关反馈的性能。 相似文献
2.
3.
4.
基于支持向量机的企业信用风险评估研究 总被引:4,自引:0,他引:4
介绍了小样本学习的通用学习算法——支持向量机(SVM),建立了基于SVM的企业信用风险评估模型,并将支持向量机非线性分类器应用于信用风险的评估中.分析对比了选取不同核函数和参数的实验结果,同时实验结果表明,相比传统的人工神经网络,SVM在有限样本情况下具有良好的泛化能力. 相似文献
5.
6.
7.
针对盲隐写分析中的特征选择问题,提出了结合粒子群优化算法(PSO)的支持向量机分类器进行特征选择的方法。该方法使用非线性支持向量机作为分类器,使用PSO为支持向量机寻找最优的图像特征集合作为训练集和测试集,同时选择最优的支持向量机参数,进而利用最优的特征集和支持向量机参数对隐写图像进行检测。实验结果表明,该优化方法明显优于Farid。ANOVA和F—score方法,提高了检测隐写图像的成功率和系统检测效率。 相似文献
8.
基于小波包和支持向量机的故障诊断方法研究 总被引:1,自引:0,他引:1
基于支持向量机(SVM,support vector machine)对小样本决策具有较好的学习推广性,本文提出一种基于小波包和支持向量机的故障诊断方法,通过小波包分解系数求取频带能量,并根据各个频带的能量的变化提取故障特征,应用LSSVM(least squares support vector machines)进行故障分类。实验结果表明,支持向量机分类器优于传统的BP神经网络和RBF神经网络分类器,识别率较高,具有更强的泛化推广能力。 相似文献
9.
支持向量机和BP网络改进模型的性能对比研究 总被引:2,自引:0,他引:2
通过引入支持向量机(SVM)方法,提出了基于SVM的遥感图像多类分类模型,分析了SVM多类分类器的构造及其参数选取问题,并结合实例,讨论了SVM分类器性能随其本身参数变化情况,最后与几种代表性的BP网络改进模型进行了系统的对比分析。实验表明,SVM方法的分类时间要远大于改进的BP模型,而分类精度优于BP网络改进模型中效果最好的几种优化算法3个百分点左右,是一种有效的图像分类方法。 相似文献
10.
为了准确识别电网中的低零值绝缘子,提高劣化绝缘子诊断的准确率,提出了一种使用灰狼算法优化(grey wolf optimizer, GWO)与二进制支持向量机(support vector machine, SVM)分类器相结合的模型,对红外图像中的低零值绝缘子进行自动检测。首先对绝缘子红外图像进行增强,利用Ostu算法对红外图像进行分割,并对得到的二值图像进行倾斜角度矫正和切割,提取绝缘子串的有效区域,然后将图像特征用于向量机的分类识别。实验结果表明,灰狼算法优化支持向量机比常用的网格搜索算法(grid search, GS)、粒子群优化算法(particle swarm optimization, PSO)等得到的分类模型能更准确、有效地对低零值绝缘子进行识别,且准确率更高。 相似文献