两种智能交通标志分类器的比较研究

本文介绍了一种可用于交通标志识别的新方法--支持向量机（SVM）算法,并将SVM算法与BP算法在交通标志的粗、细分类中的识别效果进行了对比分析。用中国的116个和日本的23个交通标志标准图分别训练基于SVM算法和基于BP算法的智能分类器,并用中国标志的噪声图、扭曲图和531个日本交通标志实景图作为测试集。在粗分类中,虽然BP算法 法的识别率也能达到90%以上,但SVM算法的识别率几乎可达100%,二者差距明显。在细分类中,SVM算法的识别效果与BP算法相比具有更加明显的优势。实验研究结果表明,SVM算法可以以接近最优的方式解决模式分类问题,同时具有更好的泛化能力,在交通标志识别领域具有良好的研究价值和应用前景。     

基于支持向量机算法的气体识别研究

利用多传感器或者传感器阵列,同时,结合神经网络技术来进行气体识别和定量分析研究已成为目前传感器领域的一个研究热点。介绍了一种在该领域还没有引起足够重视的算法———支持向量机算法(SVM)。利用该算法,结合多传感器技术,对 3种不同体积分数的有机溶剂进行了识别研究,并取得了较好的识别效果,证明了该算法在气体识别领域具有相当大的研究价值。     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

基于卟啉传感器阵列系统的肺癌标志物识别算法

卟啉传感器阵列系统可以检测肺癌呼出气体中特定的标志性气体,不同标志性气体检测输出的差值图谱不一样.介绍了一种结合反向传播(BP)神经网络和主成分分析(PCA)的肺癌标志性气体种类识别算法,并将其应用在卟啉传感器阵列系统中.通过计算卟啉传感器阵列中各点的主成分得分选出敏感点,保留各气体敏感点的值,并组成识别模板作为BP神经网络的输入层,达到去除冗余数据的目的.通过实验对比聚类分析结果、未降维数据的BP神经网络识别结果及已经PCA降维后的数据作为输入的BP神经网络识别结果,证明提出的算法可以更加精确地识别不同的肺癌标志性气体.     

应用于卟啉阵列气体检测系统的识别算法

差值图谱是卟啉化学传感器(PSA)芯片识别气体的根据,但同种气体的差值图谱之间会出现颜色或显色位置的差异,存在实验数据发散的问题。结合BP神经网络和粗糙集,提出了一种新的气体种类识别算法,并将之用于PSA气体检测系统中。该方法利用粗糙集的数据约简功能找到差值图谱数据中颜色变化明显的点的数据,以这些数据为输入,进行BP神经网络的训练和识别。通过实验可以证明,相对于欧氏距离聚类结果、BP神经网络识别结果,本文提出的算法对于发散的实验数据具有更高的识别精度。     

基于梯形模型和支撑向量机的非结构化道路检测

在H.Jeong的梯形模型的基础上,提出了基于梯形模型和支撑向量机——SVM（Support Vector Machine）的道路检测算法。算法先对视频中提取的图像帧进行预处理,然后采用Kalman滤波及EM算法进行处理,接着用SVM得到道路检测结果,并进行滤波处理得到最终的检测结果。由于算法采用了比BP（Back Propagation）网络具有更好的分类识别效果的SVM,所以比采用BP网络的H.Jeong等人提出的模型具有更好的检测效果。该算法在预处理部分采用脉冲耦合神经网络即（PCNN-Pulse Coupled Neural Network）消除道路上的阴影,减少了光照变化对最终检测结果的不利影响。实验表明,与H.Jeong的梯形及BP算法相比,道路的检测效果更好。     

评价数据的噪声清洗算法及其仿真实验

评价数据易被噪声污染,导致评价结论失真。该文提出一种基于数据密度的噪声清洗(DNC)算法,用于识别并过滤评价数据中的噪声,介绍了一套仿真实验方案。实验结果表明,DNC算法可以提高噪声的识别和过滤效果。该算法在数据管理领域具有应用价值。     

基于动态分类器集成的MEMS气体传感器阵列的气体定性识别方法

气体识别研究中,传感器的性能漂移问题始终是最具挑战的问题之一。为了减少漂移对气体识别的影响,本文利用动态分类器集成技术,针对基于MEMS技术的气体传感器阵列,提出了气体识别方法。本方法主要关注对气体样本在任意浓度下的定性分析。该方法基于支持向量机（SVM）分类器,首先利用在不同时间段采集的数据分别训练SVM分类器,再利用各分类器对不同时期数据的最优权值,估计拟合函数的参数;然后利用拟合函数,根据数据的采集时刻,预测各分类器的权值;最终利用预测的权值,对所有分类器的识别结果进行集成,得到最终识别结果。本文利用三年的测量数据,对该方法与已有类似方法的性能进行了比较。结果显示,该方法可以在较长时间内具有更高的准确率。而且,该方法可以通过选择更合理的拟合函数,提高识别性能。     

L-SMOTE与SVM结合的不平衡数据集分类研究

针对不平衡数据集的低分类效率,基于L-SMOTE算法和混合核SVM提出了一种改进的SMOTE算法（FTL-SMOTE）。利用混合核SVM对数据集进行分类。提出了噪声样本识别三原则对噪声样本进行精确识别并予以剔除,进而利用F-SMOTE和T-SMOTE算法分别对错分和正确分类的少类样本进行采样。如此循环,直到满足终止条件,算法结束。通过在UCI数据集上与经典的SMOTE等重要采样算法以及标准SVM的大量实验表明,该方法具有更好的分类效果,改进算法与L-SMOTE算法相比,运算时间大幅减少。     

改进BP算法的研究及应用

文中先对BP算法进行了分析,然后针对标准BP算法的不足进行了改进,通过对作用函数进行修正、自动调节学习率以及选择初始权值后得到了改进的BP算法,并给出了在车牌识别技术中的应用实例.对比分析识别数据,可以看出改进后的算法具有收敛速度快、识别时间短、识别率非常高等方面的优点,识别性能得到了很大优化.     

基于CSO-RVM的瓦斯涌出量预测模型研究

为了实时监测和精准预测煤矿回采工作面绝对瓦斯涌出量,提出猫群算法(CSO)优化相关支持向量机(RVM)的绝对瓦斯涌出量预测方法.相关向量机的组合核函数可实现多特征空间的信息融合,为有限样本、高维数瓦斯涌出量预测建模问题提供一种行之有效的方法.并用CSO算法对RVM瓦斯涌出量预测模型的核函数权重p和高斯核参数σ快速寻优.利用矿井无线传感器网络检测到的各项历史数据试验.结果表明,相比BP、SVM算法,该耦合模型有效提高了预测精度,具有更好的泛化能力,为矿井瓦斯预测提供理论支持.     

结肠癌基因表达谱数据集噪声处理研究

针对较大规模结肠癌基因表达谱信息,对其噪声处理在基因标签提取问题中的作用进行了研究。不考虑噪声,用ReCorre算法确定分类基因,再用增l减r搜索算法确定基因标签组,对每个基因标签组使用基于支持向量机的留一交叉检验,确定最优的基因标签。分析噪声的影响,对于数据噪声,利用小波阈值去噪的方法滤除;对于无用基因,采用交替选择算法处理,进而重新确定基因标签。实验证明对肿瘤基因表达谱中噪声的处理有助于获取分类能力更好的基因标签。     

样本数目不对称时的SVM模型

1 引言支持向量机(Support Vector Machine,SVM)是统计学习理论发展的结果,自诞生以来,在非线性特征提取、模式识别、函数拟合等方面表现出优良的性能,因而受到广泛的重视,目前已成为人工智能领域的研究热点。然而,由于SVM从诞生到现在不足十年,许多研究工作     

探地雷达回波信号预处理方法的研究与应用

探地雷达以宽频带记录回波信号,在记录各种有效信号的同时,不可避免地记录下各种干扰噪声,能否有效去除干扰噪声将直接影响到探地雷达对地下目标体的识别能力。探地雷达回波信号属于非平稳信号,FFT只适用于平稳信号的滤波、而小波变换对非平稳信号却能取得良好的滤波效果。为此,文中提出了采用小波阈值萎缩进行数据预处理的方法,以去除雷达回波噪声,并给出了基于DSP的电路和软件实现方法。     

SVM和BP算法在油气识别中的对比应用研究

在油气勘探领域中,当使用测井资料进行油气层分类识别时,运用传统的方法具有一定的局限性。本文使用了数据挖掘分类算法中的支持向量机(SVM)方法,并实际应用到新疆塔里木盆地油气层识别中。实验中分别采用了支持向量机算法和BP神经网络算法进行对比检验,结果表明通过支持向量机算法建立的油气层识别模型具有更高的识别检验性能,体现了支持向量机在处理多类分类问题中的优越性。     

基于DE-EDA-SVM的瓦斯浓度预测建模仿真研究

瓦斯浓度作为衡量煤矿瓦斯危害程度的一个重要指标,为了能够更加准确的预测煤矿瓦斯的浓度,提出一种差分进化-分布估计（DE-EDA）算法优化的支持向量机瓦斯浓度预测新方法。利用无线传感网络系统采集工作环境中的瓦斯浓度数据,并经过降噪处理后作为训练样本。采用DE-EDA算法对SVM模型的惩罚参数C、损失参数ε以及径向基参数γ进行优化,利用优化后的模型进行瓦斯浓度的预测。通过MATLAB软件仿真可以得出,所采用的优化模型能够准确的预测煤矿瓦斯浓度的变化趋势。并与经过粒子群（PSO）算法优化的预测模型相比较。结果表明,经过DE-EDA算法优化的SVM模型具有训练速度更快、预测更准确的特点,为实际煤矿瓦斯浓度的预测和处理提供了更加可靠的理论基础。     

SVM-KNN分类算法研究

SVM-KNN分类算法是一种将支持向量机（SVM）分类和最近邻（NN）分类相结合的新分类方法。针对传统SVM分类器中存在的问题,该算法通过支持向量机的序列最小优化（SMO）训练算法对数据集进行训练,将距离差小于给定阈值的样本代入以每类所有的支持向量作为代表点的K近邻分类器中进行分类。在UCI数据集上的实验结果表明,该分类器的分类准确率比单纯使用SVM分类器要高,它在一定程度上不受核函数参数选择的影响,具有较好的稳健性。