Rayleigh信道下的支持向量机多用户检测方法

在BPSK调制的DS-CDMA中,基于支持向量机(Support Vector Machine,SVM)的多用户检测方法采用支持向量机的分类方法将接受向量分成+1和-1两类,达到检测的目的。与MMSE方法不同的是,支持向量机分类器的目的是找出一个能将训练向量中信号为+1和信号为-1的两类数据分离的最佳分离超平面。从数值仿真结果可以看出,在Rayleigh信道,这种支持向量机的多用户检测方法与MMSE多用户检测器相比,输出能达到较低的误码率。     

同步CDMA系统中一种支持向量机的多用户检测器

支持向量机是一种建立在结构风险最小化原理之上的新的分类方法,与一些神经网络方法相比较他能更好地解决小样本问题。将支持向量机应用于同步信道多用户检测中,为研究CDMA多用户检测提供了一条新的途径,仿真结果表明其误码性能优于MMSE,逼近于单用户接收机。     

支持向量机在入侵检测系统中的应用

SVM(支持向量机)方法被看作是对传统学习分类方法的一个好的替代,特别在小样本、非线性情况下,具有较好的泛化性能.本文简要分析了当前的几种入侵检测方法,重点介绍了SVM的学习算法,提出了将SVM用于入侵检测系统的方法.通过Matlab仿真实验,结果表明,运用SVM方法检测入侵,可以达到较高的准确检测率,是一种有效的入侵检测手段.     

基于核的机器学习方法及其在多用户检测中的应用

阐述了核方法的基本原理与研究动机，分析了特征空间的性质，介绍了常见的核方法，给出了构建新核方法的步骤及需要注意的问题，指出了核方法值得关注的研究方向，展示了其在多用户检测中的应用情况，以其对核方法研究领域有较全面的把握。     

支持向量机在语音激活检测中的应用研究

提出将支持向量机(SVM)方法应用于语音激活检测(VAD),并验证SVM方法在VAD检测中的有效性。采用了快速训练支持向量机的序列最小最优化方法(SMO)进行训练。提出的基于SVM的VAD方法仍然采用G.729附件B(G.729B)中的VAD方法所采用的特征参数作为分类的特征参数。经过基于SVM的VAD方法与G.729B的VAD方法进行比较,表明SVM方法应用于VAD中是有效的。     

改进支持向量机在网络入侵检测中的应用

为提高网络安全性,提出一种改进支持向量机的网络入侵检测算法.首先采用核主成分分析提取网络数据重要特征,加快网络入侵检测速度,然后采用粒子群算法对支持向量机参数进行优化,提高网络检测正确率.仿真实验结果表明,改进支持向量提高网络入侵检测正确率,降低漏检率,同时加快了网络入侵检测速度,是一种有效、实时性较强的网络入侵检测算法.     

基于Bagging支持向量机集成的入侵检测研究

对大数据集来说，支持向量机的时空耗费非常大，本文采用bagging技术对支持向量机进行集成。首先用bootstrap技术对训练样本集进行可重复采样，使所得到的新子样本集有较大差异，然后用多个支持向量机对各子样本集进行学习，并将学习后的结果用多数投票法集成最终的结论。实验表明，支持向量机集成对入侵检测数据有比单个支持向量机更好的分类性能。     

基于SMO算法的多用户检测技术

由于支持向量机的出色的学习性能，它已成为继神经网络之后新的研究热点，并在很多领域得到了成功的应用。本文提出了一种基于支持向量机多用户检测器，并采用顺序最小优化（SMO）算法构建了多用户检测器。计算机仿真的结果表明，该检测器的抗误码性能和抗远近效应性能都优于传统的多用户检测器。     

支持向量机在交通量预测中的应用

交通量预测对于区域交通规划有重要意义。提出一种基于支持向量机理论的交通量预测方法。该方法以统计学习理论为基础，通过和BP神经网络进行比较的实验，证明其在交通量预测中的有效性。     

支持向量机在目标分类中的应用

目标分类是一个决策过程,支持向量机是一种基于统计学习理论的机器学习方法,是目前较为理想的分类工具之一。本文介绍了支持向量机的理论背景和一些新的进展,及其在理论和实际应用中面临的难题。还对支持向量机在多元分类中的应用进行了讨论,并给出了实例。     

基于修改核函数的RLS－SVM多用户检测算法

为了解决支持向量机算法在多用户检测中存在的模型复杂及产生的支持向量数目较多的问题,该文提出一种新的非线性多用户检测算法。该算法在第一次小样本训练时引入了遗忘因子,该因子使支持向量数减少了28％。在第一次训练后产生的支持向量的基础上,将黎曼几何结构引入到输入空间,利用黎曼几何结构将分类器中的核函数进行修改,在第二次训练中再次减少了支持向量数目。此方法在牺牲较少误比特率的基础上,简化了算法模型和降低计算复杂度。仿真实验表明,该算法抑制了多径引起的码间干扰,性能接近于最优多用户检测器。     

一种基于支持向量机的角点检测算法

支持向量机应用于文本分类、手写数字识别、基因表达等许多领域,由于Harris角点检测算子对噪声点非常敏感,本文在文献[3]的基础上提出Harris算子和支持向量机相结合的方法来进行角点检测.首先利用Harris角点检测算法对两幅以上的无噪声图像提取角点,然后将提取的角点作为支持向量机的训练样本.构造支持向最机,最后利用...     

A support vector machine approach for detection of microcalcifications

In this paper, we investigate an approach based on support vector machines (SVMs) for detection of microcalcification (MC) clusters in digital mammograms, and propose a successive enhancement learning scheme for improved performance. SVM is a machine-learning method, based on the principle of structural risk minimization, which performs well when applied to data outside the training set. We formulate MC detection as a supervised-learning problem and apply SVM to develop the detection algorithm. We use the SVM to detect at each location in the image whether an MC is present or not. We tested the proposed method using a database of 76 clinical mammograms containing 1120 MCs. We use free-response receiver operating characteristic curves to evaluate detection performance, and compare the proposed algorithm with several existing methods. In our experiments, the proposed SVM framework outperformed all the other methods tested. In particular, a sensitivity as high as 94% was achieved by the SVM method at an error rate of one false-positive cluster per image. The ability of SVM to out perform several well-known methods developed for the widely studied problem of MC detection suggests that SVM is a promising technique for object detection in a medical imaging application.     

基于Boosting与SVM的入侵检测技术

为克服目前很多入侵检测方法存在成功率低以及误警率高的缺点,将Boosting与SVM算法结合,使用小训练样本对SVM进行训练,得到分类器,然后使用Boosting方法进一步提高SVM的泛化能力.在Matlab 2009版本下,采用KDD99入侵检测数据进行了仿真实验.仿真实践证明,这种技术可提高分类精度和准度,提高了入侵检验的成功率.     

利用支持向量机的飞机目标检测

为了在有干扰弹和飞机机型不定的情况下检测出天空背景中的飞机,通过自动阈值分割和腐蚀膨胀运算找出图像中的疑似区,提取其灰度方差、不变矩特征和像素比组成特征向量,应用支持向量机作为分类器对疑似区进行判别,判断其是否为飞机,选取典型的飞机图像作为正样本,选取干扰弹图像作为负样本.用不同背景和飞机机型的图像进行试验,证明该方法能很好地提出疑似区并有效地对疑似区进行检测识别出飞机目标.     

Statistical model-based voice activity detection using support vector machine

From an investigation of a statistical model-based voice activity detection (VAD), it is discovered that a simple heuristic way like a geometric mean has been adopted for a decision rule based on the likelihood ratio (LR) test. For a successful VAD operation, the authors first review the behaviour mechanism of support vector machine (SVM) and then propose a novel technique, which employs the decision function of SVM using the LRs, while the conventional techniques perform VAD comparing the geometric mean of the LRs with a given threshold value. The proposed SVM-based VAD is compared to the conventional statistical model-based scheme, and shows better performances in various noise environments.     

基于支持向量机的多特征目标抗干扰检测技术

针对箔条干扰时目标与干扰难以区分的问题,设计了一种基于多特征向量的分类算法.该算法首先对目标和箔条的特征进行分析,而后选择并构造了一组具有较高区分度的极化特征识别量,最后采用支持向量机(SVM)方法,通过对特征样本进行训练,获得了较好的分类结果.实验表明,所提算法具有较强的抗箔条干扰能力,且检测正确率可达90%以上.     

DDoS detection based on wavelet kernel support vector machine

To enhance the detection accuracy and deduce false positive rate of distributed denial of service （DDoS） attack detection, a new machine learning method was proposed. With the analysis of support vector machine （SVM） and the wavelet kernel function theory, an admissive support vector kernel, which is a wavelet kernel constructed in this article, implements the combination of the wavelet technique with SVM. Then, wavelet support vector machine （WSVM） is applied to DDoS attack detections and as a classifying means to test the validity of the wavelet kernel function. Simulation experiments show that under the same conditions, the predictive ability of WSVM is improved and the computation burden is alleviated. The detection accuracy of WSVM is higher than the traditional SVM by about 4%, while its false positive is lower than the traditional SVM. Thus, for DDoS detections, WSVM shows better detection performance and is more adaptive to the changing network environment.     

利用密度聚类支持向量机的气象云图云检测

为了提高气象云图云检测的判识精度和计算效率,提出一种基于密度聚类支持向量机(DC-SVM)的云检测方法。分析了MTSAT气象云图的特征提取和选择方案,建立了云和下垫面的分类样本集;在SVM学习中,通过引入样本集的纯度及充足度,选择关键样本,减少了噪声和异常样本的干扰,从而降低了计算复杂度,提高了分类精度。实验表明,该算法的分类正确率较BP神经网络及传统SVM的方法分别提高了2.54%和0.21%,训练时间及测试时间也明显减少;而且,该方法还克服了传统云检测方法需要根据先验知识确定阈值的缺点,检测结果与人工解译结果基本吻合。