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．     

支持向量机在混合气体种类光谱识别中的应用

针对混合气体种类光谱识别中组分气体特征谱线重叠严重的问题,将支持向量机用于混合气体种类光谱识别中,提出了一种基于支持向量机二值分类识别模型的逐一混合气体种类识别方法。利用支持向量机的核函数变换,将特征谱线重叠严重的光谱在高维空间变换为线性可分后再逐一进行混合气体种类识别。在天然气气体种类识别实验中,比较了不同核函数、数据预处理、特征提取、训练样本数等条件与识别结果的关系,结果表明,方法对1%浓度以上的天然气组成气体的正确识别率大于97%,在理论和实际应用中具有重要的推广价值。     

一种不平衡数据支持向量机分类算法

针对标准支持向量机在处理不平衡数据问题的缺陷,提出一种解决方法,首先采用一种改进上采样方法(Over-sampling)—SMOTE来平衡正负样本的数目,达到缓解两类样本数目悬殊的目的。然后引入差异惩罚思想对两类样本进行不同程度的惩罚。实验表明,本文提出的SDPC-SVM分类算法在处理不平衡数据的分类问题上具有可行性与有效性。     

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.     

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。     

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。     

基于曲率模态和支持向量机的结构损伤位置两步识别方法

支持向量机是一种基于统计学习理论的机器学习算法,能够较好的解决小样本的学习问题。介绍了支持向量机分类和回归算法,将其应用于梁结构的损伤诊断中。以曲率模态参数作为损伤识别指标,提出了基于支持向量机的结构损伤位置两步识别方法:首先根据支持向量机分类算法的概率估计找到可能的损伤位置,重新构造训练样本;然后利用支持向量机回归算法计算精确的损伤位置。通过对悬臂梁仿真计算进行了验证,结果表明:支持向量机在结构损伤诊断领域中具有较好的应用前景。     

基于支持向量机的变压器故障诊断研究

支持向量机是以统计学习理论为基础发展起来的新的通用学习方法,较好解决了小样本、高维数、非线性等学习问题。从理论与实验上比较了目前常用的基于支持向量机的变压器故障诊断方法。     

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。     

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.     

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。     

基于支持向量机的武器系统研制项目评估分析

对常规评估方法和支持向量机模型用于武器系统研制项目评估进行了分析和比较。着重分析了应用支持向量机进行武器系统研制项目重要度评估的具体形式以及方法特点，通过实例进行了分析验证，取得了满意的结果．     

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。     

基于支持向量机改进算法的船舶类型识别研究

利用船舶目标辐射噪声DEMON谱特征,采用改进的支持向量机算法,实现了对船舶目标的分类识别研究。针对支持向量机算法对噪声比较敏感和最优分类面求解时约束较多不利于支持向量机最优分类面寻优的问题,在保持支持向量稀疏性和应用径向基核函数的条件下,对支持向量机算法在松弛变量和决策函数两方面进行了改进,提出了基于径向基核函数的齐次决策二阶损失函数支持向量机改进算法,并应用于利用船舶目标辐射噪声DEMON谱进行船舶目标类型分类识别实验。理论分析、数据仿真与实验结果表明,该改进算法实现了在二次规划中的较少约束条件下最优分类面求解,具有模型参数寻优空间广阔、总体分类性能优的特点,其分类性能优于原支持向量机算法,是一种适合于船舶辐射噪声DENOM分类识别的有效的支持向量机改进算法。     

支持向量机及在马铃薯分级中的应用

本文针对马铃薯分级手段落后,分级精度不高的问题,研究了采用基于结构风险最小化原理的支持向量机方法对模式类的识别能力,构造了对应的SVM识别过程和算法,该方法易于实现,且能够找到模式间的最优分类超平面,泛化能力明显提高。最后采用两种核函数,将SVM用于马铃薯分级识别以提取马铃薯外部特征与马铃薯级别之间的映射关系,从而实现模糊性的识别。实验结果表明,此方法对解决马铃薯识别问题具有良好的适应性和实用性。     

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.     

EMD近似熵结合支持向量机的心音信号识别研究

针对心音信号的非线性、非平稳特征和心音识别准确率不高且分类速度较慢的实际情况,提出一种经验模式分解(Empirical Mode Decomposition,EMD)近似熵(Approximate Entropy,ApEn)结合支持向量机(Support Vector Machine,SVM)的心音分类识别方法。首先通过EMD方法将非平稳的心音振动信号分解成若干个平稳的固有模态函数(Intrinsic Mode Function,IMF);然后利用互相关系数准则对IMF进行筛选,计算所筛选IMF的近似熵构成特征向量;最后将特征向量输入SVM分类器进行分类识别。对临床采集的心音样本按本文提出的方法进行测试,结果表明,该方法能有效地用于心音识别。     

利用支持向量机提高水声信号的检测能力

混响是影响主动声纳检测的一个重要因素。传统方法如高阶统计方法和修正协方差等白化方法在检测静止目标时效果并不理想,主要是因为这些算法无法利用混响这样的统计多变且非线性的数据准确估计一个AR模型的参数。利用支持向量机SVM（Support Vector Machine,SVM）来估计AR模型的参数,并进行了实验。结果表明,即使在静止目标的情况下,该算法依然能表现出良好的性能。