FCM聚类的模糊SVM法在雷达信号识别中的应用

支持向量机(SVM)是一种新的很有效的模式识别方法,将其应用到雷达信号识别中可以较好地解决此类问题.由于传统的支持向量机由两类扩展到多类问题时,会出现不可分区域.针对雷达信号的多类识别这一实际问题,提出解决这一现象的模糊支持向量机理论(FSVM),并定义输入向量对于某类的隶属度函数,更符合实际情况.此外,支持向量机理论本身对于支持向量的选择并没有指导性,对此利用模糊C均值(FCM,Fuzzy C-Means)聚类,对训练样本进行预处理,可以大大减少训练样本的数量,从而提高支持向量机的训练速度.仿真对比实验和结果证实了结合FCM对训练样本预处理的FSVM法对雷达信号识别具有训练速度快、识别准确率高的特点.     

HMM-SVM混合模型在模拟电路故障诊断中的应用

针对单一的隐马尔科夫模型(HMM)或支持向量机(SVM)在模拟电路早期的软故障中识别率不高的特点,将HMM-SVM混合模型应用到模拟电路早期的软故障识别中。首先通过主成分分析(PCA)将原始数据样本降维实现初步划分;接着利用HMM计算测试样本与各故障状态的匹配程度形成特征向量;最后由SVM做故障状态判别。实验结果表明,HMM-SVM混合模型的早期故障识别率优于单一的HMM或SVM模型,将平均故障识别率提高到95%以上。     

基于SVM的骨质疏松识别算法

文中讨论了基于模式分类的算法,通过常规的体检参数对骨质疏松情况进行预测和识别.由于常规体检参数和骨质疏松诊断结果之间的线性相关度小、参数方差大等问题,基于线性分类边界模型得到的分类器误差大,文中利用数据和骨质疏松之间的非线性关联特性,使用高斯核函数将原始训练数据映射到核空间进行分类,较好地实现了用体检参数预测骨质疏松.此外文中给出了利用多个分类器的分类结果进行组合方法,使得不同分类器分类结果相互矛盾时能够输出唯一的诊断结论.     

结合FCM聚类与SVM的火焰检测算法

针对传统视频型火焰检测算法误报率高、局限性强等问题,提出一种四步火焰检测算法。首先利用一种自适应混合高斯模型（GMM）检测视频序列中的运动目标;然后采用模糊C 均值（FCM）聚类算法分割疑似火焰区域与非火区域;再提取疑似火焰区域的面积变化、表面不均度等时空特征参数;最后将这些特征参数输入训练好的支持向量机（SVM）分类器以识别火焰区域。实验结果表明,算法不但在提高了检测率的同时降低了误检率,而且适用范围广,是一种有效的火焰检测算法。     

基于SVM方法的神经网络呼吸音识别算法

提出了一种神经网络的SVM(支持向量机)呼吸音识别算法,将通过小波分析得到的呼吸音特征输入神经网络,作为SVM方法的特征输入,对训练样本进行训练,再对测试样本进行分类识别。对于呼吸音反映的3种状态（正常、轻度病变和重度病变）进行了识别,同时与K最近邻(KNN)方法进行比较。实验结果表明,SVM方法具有较高的识别精度,能够对呼吸音状态进行识别,同时在此领域也验证了在神经网络方法中无法避免的局部极值问题。提示基于SVM方法的神经网络呼吸音识别算法有较好的精度,可为身体局域网技术提供信息处理的有效算法。     

融合超像素聚类与SVM分类的非结构化道路识别算法

为解决移动机器人对非结构化道路识别的准确性、实时性问题,提出了改进的超像素聚类与支持向量机融合的监督修正算法.首先对采集的道路图像进行预处理,仅在此道路的显著性区域内进行图像的平滑处理,然后基于改进的线性迭代聚类算法,将图像分割为内部像素较为一致的若干超像素单元,根据灰度差准则进行超像素的合并,以超像素块作为训练样本集...     

基于SVM的信号解调算法

在小样本、低信噪比条件下,同步参数估计会存在较大误差,从而导致信号解调性能的降低。为了解决该问题,将信号解调看成有限长度采样样本的学习问题,并利用支持向量机( SVM)良好的学习性能,在存在同步误差的条件下,通过提高判决端的处理能力来改善系统的接收性能,提出了基于SVM的信号解调算法。在Matlab环境下,对提出算法在精准同步、残存同步误差、高斯白噪声和高斯色噪声等情况进行了计算机仿真,结果表明,相比于匹配滤波器算法,基于SVM的信号解调算法能较好地克服定时误差和相位误差以及色噪声对解调性能的影响。     

基于微粒群算法的LS—SVM时间序列预测

将微粒群算法引入到最小二乘支持向量机(LS-SVM)时间序列预测,建立预测模型。思路来自微粒群算法可以在超平面空间中实现优化搜索,因此,将微粒群算法中的微粒运动公式进行修正,从而实现对LS-SVM的训练。然后用训练过的LS-SVM进行预测,即得到最终结果。将此方法应用于销售量预测,结果表明,此模型有更高的预测精度,而且在不同的LS-SVM学习参数下模型的误差相对稳定。     

基于SVM算法的林果害虫图像识别

支持向量机已经成功应用在许多领域如规则提取、分类和评价。针对阿克苏林果害虫分类种类多的特点,采用了一种简单sift特征提取,结合svm算法分类识别林果主要害虫的方法。首先对样本数据进行SVM分类器训练,从而快速获取原始样本数据的最佳SVM分类器参数,并实现分类。利用神经网络算法进行分类实验,比较分析传统SVM算法、神经网络算法在分类识别方面的差异。实验结果表明,SVM算法能够快速有效地识别害虫种类,并获得相对较高的分类精度,但由于测试图像背景不同且提取的特征单一识别的准确率有待提高。     

基于小波网络和HMM的语音识别方法

利用隐马尔可夫模型(HMM)的动态时间序列建模能力及神经网络的模式分类能力,构成混合语音识别模型,同时考虑到语音信号的非平稳性,采用小波分析方法提取语音特征向量。通过时间规整方法,将所有具有可变长度的语音特征向量转换为相同维数的特征向量,从而简化了神经网络的结构。仿真结果表明,采用混合语音识别模型以及时间规整方法,不仅可提高识别率,同时大大缩减了训练时间,获得了很好的识别效果。     

基于HMM的手势轨迹识别方法及应用

结合基于深度图像的手势分割不易受光照、背景变化等诸多因素影响的特点,提出一种基于隐马尔可夫模型(HMM)的动态手势轨迹识别方法.首先采用Kinect传感器获取手势的运动轨迹,利用模板匹配定标起始点,速度变化确定结束点,然后对轨迹进行高斯滤波预处理操作,再对手势轨迹进行方向角的特征提取,最后利用多观察值序列的Baum-Welch算法对HMM进行轨迹样本的训练,并用Viterbi算法求取最大概率序列的方法来实现轨迹识别.实验表明,该方法的实时性高、鲁棒性强,并成功运用到电视的遥控模块中.     

基于PCNN和SVM的图像识别方法研究

利用脉冲耦合神经网络(PCNN)具有良好的脉冲传播特性,研究了利用PCNN进行图像分割的技术.针对模型参数和最优分割结果难以确定的问题,改进了标准PENN模型,提出了基于互信患量的PCNN图像分割方法.计算原图像与PCNN分割图像序列问的互信息量,对应最大互信息量的分割图像就是最佳分割结果.然后选取不同类型飞机图像提取不变矩特征,用支持向量机(SVM)实现分类识别.实验结果表明,该方法分割效果好,适应性强,能够很好地识别飞机图像.     

基于连续HMM与静态外观信息模型融合的步态识别

利用步态轮廓图像下肢左右边界的距离矢量对步态轮廓图像进行描述,采用步态图像两脚的宽度进行准周期性分析.利用隐马尔可夫模型并融合步态的静态外观信忠模型进行步态时变数据匹配识别.算法在CMU数据库上进行实验取得了较高的正确识别率.     

基于改进隐马尔可夫模型的网络攻击检测方法

提出了一种基于改进隐马尔可夫模型的网络攻击检测方法.正常的网络行为符合一定的语法规则,异常的行为会偏离正常的语法规则.通过对正常行为样本的学习得到的基于隐马尔可夫模型的语法可以根据网络行为和语法的符合程度有效地检测正常行为和攻击行为.在基于现实数据的实验测试中,得到了比较好的检测性能.     

自适应信号处理技术的应用

自适应信号处理技术在雷达、通信、声纳、图像处理、计算机视觉、地震勘探、生物医学、振动工程等领域有着极其重要的应用。目前这门新学科仍在继续向纵深方向迅速发展,特别是盲自适应信号处理和利用神经网络进行的非线性自适应信号处理。对于实现智能信息处理系统有很好的应用前景。介绍了自适应信号处理技术在滤波、系统辨识、自适应均衡、回波抵消、谱估计、谱线增强、自适应波束形成等方面的应用,并介绍了其发展前景。     

Fully Complex Multi-Layer Perceptron Network for Nonlinear Signal Processing

Designing a neural network (NN) to process complex-valued signals is a challenging task since a complex nonlinear activation function (AF) cannot be both analytic and bounded everywhere in the complex plane . To avoid this difficulty, splitting, i.e., using a pair of real sigmoidal functions for the real and imaginary components has been the traditional approach. However, this ad hoc compromise to avoid the unbounded nature of nonlinear complex functions results in a nowhere analytic AF that performs the error back-propagation (BP) using the split derivatives of the real and imaginary components instead of relying on well-defined fully complex derivatives. In this paper, a fully complex multi-layer perceptron (MLP) structure that yields a simplified complex-valued back-propagation (BP) algorithm is presented. The simplified BP verifies that the fully complex BP weight update formula is the complex conjugate form of real BP formula and the split complex BP is a special case of the fully complex BP. This generalization is possible by employing elementary transcendental functions (ETFs) that are almost everywhere (a.e.) bounded and analytic in . The properties of fully complex MLP are investigated and the advantage of ETFs over split complex AF is shown in numerical examples where nonlinear magnitude and phase distortions of non-constant modulus modulated signals are successfully restored.     

SVM技术与ANN方法对旋转机械故障诊断性能的比较

论述了基于支持向量机故障诊断技术的基本原理;介绍了传统的基于人工神经网络的故障诊断方法;以旋转机械故障诊断为例对两种诊断方法进行了比较,实验结果表明,与神经网络相比,基于支持向量机的故障诊断方法在训练速度、诊断精度、可靠性等方面都表现出了优越的诊断性能。     

基于支持向量机的水声信号多分类器设计

目标分类器是水下目标自动识别系统的重要组成部分,目前水下目标分类的方法主要有统计分类、神经网络和专家系统等三大类的分类方法。支持向量机（SVM,Support Vector Machine）是根据统计理论提出的一种新的算法,该算法具有良好的泛化性能,不仅对训练样本的分类性能较好,对未知的检验样本同样具有好的分类效果,特别适用于小样本数据的分类。本文将该算法推广至多分类情况,并对三类水声信号样本进行分类试验。实验结果表明,该算法可以有效的避免“维数灾难”问题,且分类正确率高于传统的神经网络分类器。     

Estimation of HMM parameters based on gradients

Based on the matrix representation, a new method is proposed to calculate the partial derivatives of the likelihood probability of an HMM with respect to its parameters. Experimental results are presented and a comparison is made with other methods.