基于小波分解与方位角平均HRRP的SVM目标识别方法

针对雷达目标高分辨距离像(HRRP)方位角敏感以及以此为特征时正确分类识别率不高的问题,提出一种小波分解与按一定范围方位角平均的综合处理方法,降低了HRRP的维数,减小了HRRP的方位敏感性,增强了HRRP的稳定性,提取了雷达目标的主要特征;研究了结合支持向量机(SVM)的雷达目标分类识别方法,并对两种飞机目标缩比模型的原始HRRP数据、小波分解与方位角平均综合处理HRRP数据进行了分类识别实验,结果表明,小波分解、方位角平均以及SVM相结合的方法能够显著提高雷达目标的正确分类识别率,且稳定性更高,证明了方法的有效性.     

基于SVM的遥感影像目标检测中的样本选取

在基于支持向量机的遥感影像目标检测中,因为有限的目标样本和相对复杂的背景,造成检测结果的虚警率偏高。论文提出了自举算法用于样本的选取,试验表明该方法可使检测的虚警率成倍降低。     

基于SVM与非参数LDA 的雷达自动目标识别

针对非参数线性判别分析（LDA）的类间散布矩阵，就如何有效描述类边界结构这一问题，提出一种SVM与k近邻（kNN）法相结合的非参数类间散布矩阵构造方法——SVM—kNN．该方法消除了非类边界样本对类边界结构信息的扭曲．将SVM—kNN非参数LDA方法用于外场实测高分辨距离像的特征提取，并将识别结果与加权kNN非参数LDA法和谱域原空间法比较，结果表明，SVM—kNN非参数LDA方法能显著提高识别效率．     

基于最小样本平面距离的支持向量机增量学习算法

支持向量机增量算法的关键是对历史样本集的剪辑,在历史样本集中选择出尽可能少又能表示尽可能多历史样本集信息的子集,再把这个子集与新增训练样本集放在一起进行训练.Liva Ralaivola[1]提出保留新增样本最近邻样本来表示历史样本集,而这样的最近邻样本中可能存在冗余样本.根据历史样本与分类平面间的距离可以去除新增样本最近邻样本集中的冗余样本.根据样本平面距离提出了MSPDISVM (minimum sample plane distance incremental support vector machines)算法.实验结果表明,MSPDISVM比Liva Ralaivola提出的算法有更快的速度,而精度没有太大的差异.使用样本平面距离可以有效地去除新增样本最近邻中的冗余样本.     

基于核函数的支持向量机样本选取算法

使用支持向量机求解大规模数据分类需要较大内存来存储Hessian矩阵,而矩阵的大小则依赖于样本数1,因此在一定程度上导致支持向量机分类效率及质量难以提高.考虑到只有成为支持向量的样本才对决策函数起作用,为了减少训练样本时所需空间及时间开销,提高支持向量机分类效率与质量,提出了一种基于核函数的样本选取算法.该算法通过选取最大可能成为支持向量的样本,以达到减少训练时存储Hessian矩阵所需空间及时间开销的目的.实验结果表明,该算法所筛选出的样本不仅可以提高样本训练准确率,而且可以提高分类计算速度和减少存储空间开销.     

基于样本差异度的SVM训练样本缩减算法

为了对大规模训练样本进行缩减,提出了k近邻向量,给出了一种新的样本差异度的计量方法,证明了该差异度关于噪声识别和类边界距离的几个性质。依据此性质提出了一个高效的SVM训练样本缩减算法,算法首先根据样本差异度的性质剔除噪声样本,然后用类间差异度近似表示类边界距离,结合样本相似性,直接从原始样本空间剔除次要的训练样本。仿真结果表明,减样算法可以有效缩减样本,提高训练效率。     

基于SVM和多观测样本的相似不完整数据分类

针对具有多观测样本的相似不完整数据分类问题,提出基于SVM和多观测样本的相似数据分类算法。每类数据的多观测样本集由属于同一模式的单观测样本组成,每次分类时,对两个多观测样本集的标签做两次假设,通过比较不同标签假设下的分类误差确定多观测样本集的标签。该方法同时充分利用了样本类内的相关性和类间的差异性,实现了相似不完整数据的分类。实验结果验证了所提出方法的有效性。     

基于不变矩和SVM分类的三维目标识别方法

在计算机视觉问题的研究中,针对三维目标识别,可综合应用图像的不变矩特征和支持向量机分类方法,为快速目标识别,减少计算量,提出了一种红外图像中多视点目标的识别方法.首先获取各类三维目标的若干二维视图,将视图放在一起进行标准化处理并提取它们的不变特征矩.然后对每组视图的Zernike矩进行聚类;将聚类中心对应的Zernik...     

基于样本密度的SVM及其在入侵检测中的应用

针对网络数据集过于庞大，学习速度过慢的问题，提出了一种基于空间块和样本密度的SVM算法，并将其应用到入侵检测中。该算法根据样本的局部密度选择训练样本，减少参加训练的样本数量，提高学习速度。实验结果表明，该算法在保证检测精度的同时，学习速度快于传统SVM入侵检测方法。     

基于SVM的房贷信用评估的应用研究

信贷风险是金融机构风险主要来源.支持向量机(SVM)在解决两类问题上是一种较好的分类方法,其学习模型有较强的稳定性.对SVM在房贷信用评估应用中的问题进行了研究和解决,如核函数选取,参数选取,样本非均衡问题等.实验得出在实际应用中径向基模型较好,采用Grid-search方法调整参数,能达到更好的推广能力和预测结果,用分别惩罚支持向量机能有效解决样本非均衡问题.试验结果也证明了基于SVM的房贷信用评估方法优于原有的打分方法.     

SVM中基于距离的减样方法

给出一种基于距离的减样方法,称为三步减样法(Three-step desampling method,TSDM).根据概率论的知识定位定量分析了噪点及多余样本点的一般比例情况.在应用时根据样本间的距离分三步进行减样:即根据样本点的分布情况选择三个阈值,分别进行精减(除噪)、内减和外减以便提取具有代表性的边界向量.三个阈值可采取正交实验设计或二分法确定.试验结果表明该方法与标准SVM相比一般能保持或提高分类精度;对于大样本来说不仅能保持精度不减,而且还能较大地提高分类速度,具有较强的实用性.     

一种基于样本加权的多尺度核支持向量机方法

多核学习方法是机器学习领域中的一个新的热点。核方法通过将数据映射到高维空间来增加线性分类器的计算能力,是目前解决非线性模式分析与分类问题的一种有效途径。但是在一些复杂的情况下,单个核函数构成的核学习方法并不能完全满足如数据异构或者不规则、样本规模大、样本分布不平坦等实际应用中的需求问题,因此将多个核函数进行组合以期获得更好的结果,是一种必然的发展趋势。因此提出一种基于样本加权的多尺度核支持向量机方法,通过不同尺度核函数对样本的拟合能力进行加权,从而得到基于样本加权的多尺度核支持向量机决策函数。通过在多个数据集上的实验分析可以得出所提方法对于各个数据集都获得了很高的分类准确率。     

基于EMD-MDGAN的HRRP增扩方法

高分辨率距离像（HRRP）是弹道目标识别的主要特征,由于其为非合作目标因此观测频率极低,导致带标签样本量严重不足,而混合密度生成对抗网络（MDGAN）作为生成HRRP的有效方法,存在模式崩溃、网络不易收敛等问题。提出一种基于误差匹配分布（EMD）改进MDGAN的弹道目标HRRP增扩方法EMD-MDGAN。将生成器、残差网络和注意力机制相结合,通过残差结构解决梯度消失的问题,利用注意力机制提高生成器中自编码器的特征提取能力,并把误差匹配思想引入损失函数设计中,以增强模型的稳定性,使网络更易收敛。实验结果表明,该模型在有效解决模式崩溃问题的基础上,可缩小生成样本与真实样本分布间差异,生成具有一定真实性、可靠性、多样性的数据,实现HRRP数据增扩。     

利用粒子群算法缩减大规模数据集SVM训练样本

对于大规模SVM训练样本数据,在分类前采用粒子群算法进行样本缩减,每一个粒子的维对应一个样本状态,通过更新粒子的速度和位置信息,调整训练样本的状态,引导粒子向分类最优的样本状态组合方向移动,去除样本中对分类不起作用的非支持向量和冗余的支持向量所对应的样本,生成新的缩减样本,进行分类训练,从而达到提高训练效率的目的.基于大规模遥感图像数据集的分类实验表明,此方法在确保不降低分类精度的前提下减少了分类时间.     

结合SVM和DS 证据理论的多极化HRRP 分类研究

针对雷达目标一维距离像(HRRP)识别问题,结合支持向量机(SVM)和 DS 证据理论提出一种多极化HRRP 分类方法—–SDHRRP.该方法通过混淆矩阵获取基分类器之间的距离,从而根据基分类器对不同目标类的分类能力给其赋予不同的可信度.将该可信度值与 SVM 后验概率结合到 DS 证据理论的基本概率赋值(BPA)中,以实现 SVM 和 DS 证据理论在目标识别中的有效结合.对实测目标数据的实验结果表明,基于分类器可信度得到的 BPA 能够有效避免证据冲突, SDHRRP 方法可以有效降低融合分类的误差率.     

基于分割集成的行人检测方法

为提高行人检测的准确率,提出基于分割集成的方法用于静态图片中的行人检测。先将每个训练样本均匀分割成若干区域,提取特征后利用AdaBoost算法对每个区域建立一个局部分类器,这些局部分类器加权组成一个全局分类器。采用不同的分割方法重复上述过程,得到多个全局分类器。为进一步提高检测效果,得到更好的平均性能,对每种分割方法分别使用方向梯度直方图、多尺度方向梯度直方图特征建立2个全局分类器。当检测新的窗口时,集成上述全局分类器,通过加权投票的方式决定最终的检测结果。在INRIA公共测试集上的实验表明,文中方法有效提高检测效果。     

基于本体分割的本体映射算法

映射效率对于Web服务发现和组合、智能空间上下文感知等领域的动态映射至关重要。现有方法对相似度计算方法加以简化来提升效率,但当候选匹配实体对的数目随本体的规模增大而急剧增加时,就无法有效地处理。文中提出一种基于本体分割的高效本体映射算法。通过自下而上的聚类,将本体划分为一组大小合适的本体块。然后基于向量空间算法进行块映射,并从块映射结果中选取实体映射的候选匹配对,从而削减其数量,达到减少时间复杂度的目的。实验表明,文中方法显著提升运行时本体映射的效率,比Falcon-AO本体映射方法快6倍。     

核子类凸包样本选择方法及其SVM应用

提出一种基于核函数方法的类内训练样本选择方法——核子类凸包样本选择法,并将其用于支持向量机。该样本选择方法通过迭代方法,逐一选择了那些经映射后“距离已选样本”,并将其映射、生成“凸包最远的样本”。实验结果表明,该方法选择的少量样本使支持向量机获得了较高的识别比率,减少了存储需求,提高了分类速度。     

多拉格朗日乘子协同优化的SVM快速学习算法研究

提出了一个利用多个拉格朗日乘子协同优化的支持向量机快速学习方法(MLSVM),并给出了每个乘子的可行域范围的定义公式,由于在每个乘子的优化过程中使用了解析表达式,使得算法可以更加精确和快速地逼近最优解,可以证明SMO算法是该方法的一个特例.在此方法的理论指导下,根据不同的学习策略,程序实现了3种不同的具体算法(MLSVM1,MLSVM2,MLSVM3),其中前两个算法在数据集不大时(＜5000条记录)学习速度与SMO算法相当,但当数据集更大时,算法就失效了.MLSVM3是一个改进算法,总结了MLSVM1和MLSVM2失效的原因,对SMO算法中学习效率较低的部分进行了改进,在多个数据集上测试,MLSVM3算法速度超过了SMO算法7.4%~4130%.