一种基于类融合向量的支持向量机及其在语音识别系统中的应用

支持向量机可以通过产生的支持向量来概括数据集合中的信息,其分类函数仅依赖于一小部分训练样本,即支持向量,这使得它对噪声数据非常敏感.本文采用数据融合的方法加以改进,提出了一种新的基于类融合向量的支持向量机,降低了对噪声数据和较大偏差值的敏感性,提高了算法的容噪性能,并成功地应用于语音识别系统中,取得了较好的效果.     

基于模糊积分多分类器融合的人脸表情识别

本文提出了一种基于模糊积分多分类器融合的表情识别方法.首先采用离散余弦变换进行特征提取,然后分别用最近邻分类器、最近特征线分类器和余弦距离分类器三个子分类器对生气、厌恶、恐惧、高兴、中性、悲伤、惊讶七种表情进行识别,最后利用模糊积分对子分类器的识别结果进行融合.在JAFFE人脸表情静态图像库上进行了实验,取得了比较高的识别精确度.     

动态模糊密度的多分类器融合算法

在分析现有模糊密度计算方法的基础上,本文从分类器的隶属度分布和输出一致性两方面探索计算模糊密度的新方法,提出一种基于决策信任度和支持度的动态模糊密度赋值方法,旨在根据各分类器识别具体目标时输出的客观信息,实时地刻画分类器在融合系统中的可靠性.在表情识别上的实验结果表明,本文方法可以有效提高模糊积分融合的决策性能,降低单分类器输出不可靠决策信息的干扰,是一种有效的多分类器融合方法.     

用遗传算法实现模糊测度赋值的一种多分类器融合算法

由于模糊理论可以很好的表达和处理不确定性问题,因而得到了广泛的应用,并成为信息融合领域中的有效方法.只要选取合适的模糊测度值,基于模糊积分的多分类器融合方法就可以达到比最优的单分类器更好的分类效果.用遗传算法来计算模糊测度的值时,可以得到解空间中的最优解,从而实现比非优化方法更好的融合效果.模拟实验结果也证实了这一点.     

基于GA-LSSVM的多信息融合算法

由于在多传感器测控系统中被测系数与相关参数之间存在着非线性关系,提出了一种基于遗传和最小二乘支持向量机（GA-LSSVM）的多信息融合模型及算法,借助其优越的全局最优搜索能力进行参数的优化。这种方法为小样本、非线性、高维数的多传感器信息融合问题的建模提供了一种有效途径。通过对一个简单的低压负荷电路系统进行算例分析表明,基于最小二乘支持向量机的多传感器信息融合模型及算法在测量准确度和推广性能上都具有一定的优越性。     

结合新型模糊支持向量机和证据理论的多传感器水质数据融合

在多传感器水质数据融合领域,证据理论是有效的数据融合方法之一,但基本概率分配一般不易确定,从而使数据融合能力难以有效发挥。支持向量机是统计学习理论之上的高级分类算法,具有普适性和全局优化等特点,但输出的基本概率分配有待进一步提高。提出了一种基于证据理论和新型模糊支持向量机相结合的数据融合方法,通过建立基于分类超平面距离的模糊隶属度,训练模糊支持向量机提高传统支持向量机的基本概率分配,并结合证据理论进行海河水质数据融合。通过证据理论分别结合支持向量机和模糊综合评价法与上述方法进行对比实验,经精度、平均绝对百分误差、均方根误差等指标验证,精度提高10. 5%,表明所提方法是一种可靠的多传感器的水质融合方法,较其他方法具有更高的融合精度。     

基于模糊识别恶意代码检测技术的研究

在恶意代码检测的过程中,假设恶意代码隐藏的比较深,很难对恶意代码特征进行完整、准确的提取.利用传统算法进行恶意代码检测,恶意代码的分布情况都是未知的,没有充分考虑到不同类别代码特征之间的差异性,降低了恶意代码检测的准确性.为此,提出基于模糊识别的恶意代码检测方法.根据支持向量机相关理论,提取恶意代码特征,并将上述特征作为恶意代码识别的依据.建立模糊识别辨别树,计算识别对象属于恶意代码的概率,实现恶意代码的检测.实验结果表明,利用改进算法进行恶意代码检测,能够极大提高检测的准确性.     

基于SVM多类分类器的字符识别

针对字符识别相似字符识别能力差,速度慢等问题,提出基于支持向量机的识别方法。首先提取预处理后的字符特征,然后进行降维处理,再设计多类分类器并进行训练,最后选取合适的核函数进行识别。实验表明,该方法识别率高达97.65%,且具有适应性强和效率高的特点,具有较高的实用价值。     

基于多特征融合的运动对象识别算法

为提高视频检索的准确率,提出了一种基于多特征融合的视频运动对象识别算法。该算法首先使用基于背景帧构造及关键帧截取的方法提取视频中的运动对象的区域;然后分别提取运动对象的局部特征SURF描述子和全局特征如颜色直方图、边缘直方图等,并使两者融合为统一的特征向量;最后使用支持向量机对特征进行学习和识别,用以识别视频对象。实验证明该算法有效地提高了视频中运动对象识别的准确率。     

基于多特征融合的道路交通标志检测

在道路交通标志的检测中,针对自然实景情况中拍摄到的图像存在的交通标志大小和位置不确定等困难问题,本文提出一种基于实景图像的多特征融合的道路交通标志检测方法。论文把样本分为了训练和测试样本,首先对训练样本图像进行盲复原处理;其次对复原处理后的图像进行自适应性的形状区域裁剪,提取裁剪区域图像的颜色、纹理和形状特征;再次分别对颜色、纹理和形状特征进行SVM分类检测,从而获得颜色、纹理和形状三个分类模型;最后对模型的权值进行自适应性计算,得到加权的特征融合模型。通过测试样本对模型的检测,结果表明特征融合识别方法有很高的准确度,另外对比实验得到的对比数据显示融合模型提高了道路交通检测的准确度和鲁棒性。      

一种用于模式识别的电流型模糊处理器

本语文提出了一种用于模式识别的电波型模糊处理器。该处理器采用“加权求和”的函数,并且权重可以调节,以利于系统的自适应处理。另外,该处理器可以按综合录属度大小的顺序依次输出综合录属度以及相应的标准模式,这将十分有利于改善硬件系统的性能,尤其是多级联系统的性能。我们采用单支多晶的２μｍ Ｎ阱标准数字ＣＭＯＳ工艺成功地制作了模糊处理器芯片。测试结果表明,该处理器芯片的性能很好。     

一种自整定权值的多分类器融合方法

 本文提出一种自整定权值的融合方法.该方法使用混淆矩阵来衡量分类器性能,并根据分类器输出情况自适应地为各分类器赋予权值,可靠的决策结果获得较大的权值,从而提高决策模板的可信度.对易于被错误分类的样本,在利用其与决策模板的相似性信息的同时,结合它周围的训练样本信息做出判断.通过与DT方法在KDD’99入侵检测数据集和UCI数据库中的8个数据集上的实验对比,表明本文方法具有更好的分类性能.     

水下目标识别的特征融合分类器设计

本文对水下目标识别中的特征融合技术进行了研究,讨论了特征融合技术中的问题和解决途径,并给出了特征融合分类器的特性;设计了模糊融合分类器,给出了具体的算法.该分类器对样本在模式空间中的分布不做任何假定,注重类别间的相互约束,强调各个模式的独立作用,用类似于模糊并运算的方式综合这些作用.在实际应用中,通过与已有的分类器比较,表明模糊融合分类器能够综合多种信号特征,有效地提高了分类性能.     

数据融合应用于通信信号调制样式识别

对通信信号的频域、时域特征进行了提取,介绍了利用决策树识别其调制样式的方法。针对决策树缺点,提出了基于模糊理论和D-S证据理论对不同参数的可信度进行融合的方法,并给出了利用数据融合算法进行调制样式识别的仿真结果。     

一种用于模式识别的多输入模糊处理器

本文提出了一种采用“求和平均－求大”操作的模糊处理器，可用于模式分类和模式识别，它采用分时的方法接收未知模式的多个特征，然后，隶属函数发生器根据输入的特征产生相应于每一个标准模式的隶属度。开关电容累加器对多个隶属度进行相加求和，得到一个综合隶属度，最后，求大电路找出最大隶属度并输出作为识别结果。     

采用模糊推理自适应加权融合的双色红外成像目标跟踪

针对双色红外成像制导系统中多传感器目标跟踪的实际问题,提出了一种基于模糊推理自适应加权融合的目标跟踪算法。该算法首先采用BP神经网络与模糊推理相结合的方法对各传感器的工作性能进行判决;然后根据各传感器的性能测度对多传感器测量数据进行自适应加权融合,得到目标状态的多传感器重建测量;最后采用卡尔曼滤波器对多传感器重建测量进行滤波得到目标状态的最终估计。实验结果证明了该算法的有效性和稳健性。     

适于一维散射中心识别的模糊分类器

该文研究了雷达目标一维散射中心的提取及其特性,针对一维散射中心的特点,提出了一种基于模糊分布的分类器。该分类器对特征矢量长度没有一致性要求,并可根据测试样本灵活选择训练样本,有效地解决了以一维散射中心为特征的识别问题。     

基于模糊Hopfield神经网络的特定目标的识别

基于模糊Hopfield网络研究提出了一种基于核的模糊Hopfield网络识别系统（BC－FHNRS）。BC－FHNRS先训练要识别的特定目标的核，使核能够代表特定目标，然后根据核对未知模式进行识别，判断该未知模式是否是特定的目标。给出了一种核的构造和训练方法，并以此为基础提出识别算法。该系统具有运算时间短、识别率和拒识率较高的优点。试验结果显示，BC－FHNRS具有较好的特性。     

融合极限学习机

为提高极限学习机(Extreme Learning Machine, ELM)的分类性能,同时保留其训练速度快的优点,该文提出融合ELM的方法,详细分析了特征级融合及决策级融合两种实现方式。为实现决策级融合ELM,提出概率极限学习机(Probabilistic ELM, PELM),将传统ELM的数值型输出转化为概率型输出,使得不同特征的判决结果统一在固定范围。在此基础上,采用自适应权值的方式实现决策级融合,该方法充分考虑了分类器针对不同特征的判决准确率差异,无需先验知识及主观定义。实验证明,该文提出的融合ELM相较于传统的单一特征支持向量机(SVM)方法及ELM方法,具有更优的分类性能;在训练时间方面,优于SVM方法。     

分布式多传感器的模糊决策融合

分布式多传感器数据融合属于决策层融合。针对分布式多传感器融合的目标识别应 用,本文提出了一种新的融合传感器模糊属性的模糊决策函数,它通过自适应方法调整模糊决策函数中的参数以适应不同的融合应用。文章利用计算机仿真实验对此决策函数融合的目标识别结果进行了分折,表明这种方法使融合系统可以适应不同的融合要求,具有较好的目标识别效果。