基于改进的蛙跳算法与支持向量机的实用语音情感识别

支持向量机是一种基于统计学习理论的新型机器学习算法,在高维特征空间中寻找最优分类超平面,具有很好的分类精度和泛化性能。支持向量机的训练需要求解一个带约束的二次规划问题,针对数据规模很大情况下经典训练方法变得很困难的缺点,提出一种基于改进混合蛙跳算法的支持向量机分类器参数优化方法,既提高了混合蛙跳算法的收敛速度和精度,又能借助混合蛙跳算法的全局随机搜索能力,为支持向量机参数的优化选择提供一条有效途径。本文提取情感语句的韵律特征、音质特征和混沌特征参数,提出一种基于改进蛙跳算法的数据融合方法,并利用基于改进蛙跳算法的支持向量机进行实用语音情感的识别研究。在实验中比较了PCA方法、BP神经网络和数据融合方法用于语音情感识别的识别率,研究结果表明本文所提的各项改进机制能有效提升情感识别率,为实用语音情感的识别提供一种新方法和新思路。      

基于PSO-GWO-SVM的周界安防信号识别研究

针对支持向量机(SVM)在大规模入侵信号分类时存在的局限性,提出了一种改进的SVM信号识别方法。该方法首先采用粒子群优化算法(PSO)来生成多样化的初始位置,然后利用灰狼优化算法(GWO)更新离散搜索空间中样本的当前位置,获得最优特征子集;最后基于最优特征子集用SVM对待测样本进行分类识别。实验结果显明,在识别周界入侵信号时,基于PSO-GWO-SVM算法的分类器获得了96.86%的准确率、95.82%的灵敏度(SE)和96.31%的特异性。与传统的信号识别方法相比,具有更优异的识别精度、适应性和时效性。     

基于图像特征及改进支持向量机算法的交通标志识别

研究一种基于图像特征以及改进支持向量机算法的交通标志识别方法。使用颜色以及形状特征对交通标志图像特征进行提取,使用Gabor滤波方法增强处理交通标志图像。针对支持向量机识别算法的精度在很大程度上受到基本参数的影响,通常根据经验来进行参数的选取等问题,使用模拟退火算法对支持向量机的参数进行优化选择。研究结果表明,使用研究的交通标志检测方法的检测精度高于其他三种方法,使用颜色和形状特征提取的检测精度要高于单独使用颜色或形状特征提取方法。     

基于多分类的车辆轨迹地图匹配算法的研究

在车辆导航系统中,显示在电子地图上的车辆移动轨迹反映了通过GPS测量设备实时定位的结果.本研究探索了一种基于多分类算法进行地图匹配的方法,采用支持向量机(SVM)对训练数据进行预处理,设计了寻找ELM最优参数选择算法.实验结果表明,本论文提出的基于多分类算法的地图匹配能够得到精度较高的匹配结果和较快的匹配速度.     

基于支持向量机的未知雷达用途识别技术

雷达用途识别是雷达目标威胁评估的重要方面.在简要阐述支持向量机(SVM)基本原理的基础上,系统地论述了基于优化惩罚因子C参数的支持向量机算法和交叉验证法相结合的未知雷达用途识别方法.在训练集中,该方法能自动优化出(寻找最佳)支持向量机的核函数参数γ和惩罚因子C,利用优化的参数对训练集进行训练,可得到最佳的支持向量机模型,并用该模型对测试集进行分类,从而对未知雷达用途进行识别.识别实例表明,该方法识别结果令人满意,使基于常规分类方法可能存在的无法识别或误识别等现象得到了明显的改善.     

基于PSO-LSSVM的过电压识别

为了获得理想的过电压识别结果,提出了粒子群优化算法优化最小二乘支持向量机参数的过电压识别方法。首先采用小波变换对过电压原始信号进行分解,提取过电压信号的特征量,然后将过电压信号的特征量作为最小二乘支持向量机的输入,建立过电压识别分类器,并采用粒子群优化算法估计最小二乘支持向量机的参数,最后采用实测的过电压数据进行仿真实验,测试其可行性。结果表明,本文方法可以对各种类型的过电压信号进行准确分类和识别,识别结果稳定,且过电压识别率要高于其它方法。     

基于数据挖掘技术的云环境服务分类算法

为了提高Web服务的分类效果,提出了一种基于数据挖掘技术的云环境Web服务分类算法.首先提取服务特征向量,并进行相应预处理得到服务特征向量集,然后采用最小二乘支持向量机训练特征向量集,并采用萤火虫算法优化最小二乘支持向量机参数,建立最优的服务分类模型,最后采用标准数据进行仿真实验,对本文算法性能进行测试.仿真实验结果表明,相对于其它Web服务分类算法,本文算法不仅提高了Web服务分类的精度,而且提高了Web服务分类效率.     

基于RBF网络和贝叶斯分类器融合的人脸识别方法

提出一种基于径向基函数(RBF)网络和贝叶斯分类器的人脸特征分类与识别算法,以提高小样本人脸识别精度.通过基于聚类方法的RBF神经网络和贝叶斯分类器融合设计实现人脸图像的分类识别.实验数据分析表明,该方法在人脸骨骼特征突出情况下具有较高的识别率.文中提出的分类器融合的识别方法具有良好的学习效率和识别精度品质指标.     

基于Fisher判别和GKF-RELM算法的多特征步态模式识别

为提高下肢表面肌电信号步态识别的识别精度和计算效率,采用一种基于高斯核函数优化正则化超限学习机(GKF-RELM)算法,对肌电信号提取时域、频域和非线性动力学三类特征并分别计算步态识别率,运用Fisher判别函数分析所提特征的可分性,得到多类特征的融合特征作为输入数据对分类器进行训练,再用训练好的分类器进行步态识别,从识别率和计算时间两方面,分别与支持向量机(SVM)和深度神经网络(DNN)方法进行了对比分析.结果表明,基于Fisher判别可分性指标确定的多类特征组合,能得到最优识别效果,并在提高分类精度的同时,优化了计算效率.此外,GKF-RELM方法的识别率也优于传统的ELM方法.     

基于改进的Adaboost_SVM的人脸表情识别

针对AdaBoost算法随着学习难度的增加导致分类器的分类效率下降、稳定性变差等问题,支持向量机在小样本中有特有优势;本文结合两种算法优势,基于蚁群算法对SVM的参数进行优化,改进了Adaboost_SVM级联分类算法,首先提取haar-like矩形特征通过Adaboost分类器快速排出非人脸区域;用Gabor小波变换提取人脸表情特征,再结合Adaboost_SVM级联分类器进行人脸表情识别。通过对JAFFE表情库进行试验,表情平均识别率达到94.2%,检测速度有了很大提高。     

一种协同神经网络不平衡参数的差分优化方法

协同模式识别方法是协同学原理应用于模式识别领域的一种新方法,识别过程中通过调整神经网络的注意参数,能改进系统的识别性能,对协同神经网络参数在不平衡条件下进行优化,能充分利用协同神经网络的自学习能力,以提高识别效果。差分进化作为一种有效的全局近似最优解的搜索算法,具有收敛性好、速度快的特点,文中提出了一种基于差分进化的方法对协同神经网络中参数进行优化,在协同神经网络的参数空间搜索最优参数,采用了均方适应度方差的机制自适应调整搜索速度和搜索精度,克服差分进化算法参数调整困难的不足,以提高算法的寻优能力,新方法具有全局兼局部寻优能力,不易陷入局部极值,同时新方法采用约简的序参量进化参数,使优化算法能有效提高协同神经网结的效率,实际图像的分类识别结果表明,注意参数的变化会导致完全不同的识别结果,另外,本文还将新算法与平衡参数的方法、其它优化的非平衡参数的协同学习算法进行了全局优化能力的比较,采用新方法具有更快的收敛速度和更优的分类识别效果。      

基于粒子群优化的直觉模糊核匹配追踪算法

针对现有直觉模糊核匹配追踪算法采用贪婪算法搜索最优基函数而导致学习时间过长的问题,汲取了粒子群优化算法全局搜索能力强、收敛速度快的优势对最优基函数的搜索过程进行优化,提出了一种基于粒子群优化的直觉模糊核匹配追踪算法,并将该算法应用于时效性要求更高的空天目标识别领域.实验结果表明,与传统方法相比,本文方法在识别率相当的情况下有效缩短一次匹配追踪时间,计算效率明显提高,且所得模型具有稀疏性好,泛化能力高等优点,特别适用于兼顾识别率和实时性的应用领域.     

基于免疫克隆与核匹配追踪的快速图像目标识别

为了避免核匹配追踪通过贪婪算法在基函数字典中寻找一组基函数的线性组合来逼近目标函数的计算量大的缺陷,本文利用免疫克隆选择算法全局最优和局部快速收敛的特性,加快对核匹配追踪算法每次的匹配过程进行优化,提出了一种免疫克隆核匹配追踪图像目标识别算法,该算法有效降低了核匹配追踪算法的计算量,对UCI数据集和遥感图像进行的仿真实验结果表明,相比标准核匹配追踪,该算法保持相当识别率情况下可以明显缩短一次匹配追踪的时间,尤其当字典规模较大时效果更为明显;同基于遗传算法优化相比,本文方法目标识别速度快,精度高。     

基于受限玻尔兹曼机的专家乘积系统的一种改进算法

深度学习在高维特征向量的信息提取和分类中具有很强的能力,但深度学习训练时间也比较长,超参数搜索空间大,从而导致超参数寻优较困难。针对此问题,该文提出一种基于受限玻尔兹曼机(RBM)专家乘积系统的改进方法。先将专家乘积系统原理与RBM算法相结合,采用全是真实概率值的参数更新方式会引起模型识别效果不理想和带来密度问题,为此将其更新方式进行改进;为加快网络收敛和提高模型识别能力,采取在RBM预训练阶段和微调阶段引入不同组合方式动量项的一种改进算法。通过对MNIST数据库中的0~9的手写数字体的识别和CMU-PIE数据库的人脸识别实验,提出的算法减少了学习时间,提高了超参数寻优的效率,进而构建的深层网络能获得较好的分类效果。试验结果表明,提出的改进算法在处理高维大量的数据时,计算效率有较大提高,其算法有效。     

Vehicle-Classification Algorithm for Single-Loop Detectors Using Neural Networks

Vehicle class is an important parameter in the process of road-traffic measurement. Currently, inductive-loop detectors (ILD) and image sensors are rarely used for vehicle classification because of their low accuracy. To improve the accuracy, the authors suggest a new algorithm for ILD using back-propagation neural networks. In the developed algorithm, the inputs to the neural networks are the variation rate of frequency and frequency waveform. The output is five classified vehicles. The developed algorithm was assessed at test sites, and the recognition rate was 91.5%. The results verified that the proposed algorithm improves the vehicle-classification accuracy compared to the conventional method based on ILD     

基于加权K-近邻分类的非视距识别方法研究

超宽带(UWB)定位系统中,针对复杂的环境下,信号的遮挡、直达信号的错误判断严重影响定位精度问题,该文基于信道冲激响应(CIR)提出一种新型特征参量——饱和度(S),结合前人提出的特征参量利用Relief算法和互信息特征选择(MIFS)算法进行特征选择,在相关性的基础上赋予特征相应的权重,选择最优的特征子集进行加权K-近邻(WKNN)分类,提高了非视距(NLOS)识别系统准确度。并且分析了WKNN算法中的训练数据集数量与近邻数K对算法的影响,确定优选方案,减小了算法计算量,提高了NLOS识别系统实时性。在不同环境下进行实验验证,结果表明,该方法具备较高的识别准确度和环境适用性,识别精度达到95%。     

基于图像处理的数字仪表字符自动识别研究

为提高数字仪表图像识别率,结合机器视觉技术,在图像预处理的基础上,提出一种PSO的LSSVM参数优化方案。在图像预处理阶段,采用Hough变换校正,并通过形态学处理和二值化,以提高图像采集的效率;然后采用连通域的方式实现对图像区域的定位分割,并通过七段码实现图像特征提取;针对数字仪表识别是多分类的问题,采用OAO分类法将LSSVM算法拓展到多分类,并引入PSO算法对LSSVM参数进行优化;最后以OpenCV开源库、MATLAB作为工具,对上述算法进行验证。结果表明,0~9数字字符识别率为99.2%,整体图像样本测试识别率为99.6392%,高于其他算法,体现了较好的识别效果。     

基于KPCA和LSSVM的表面缺陷深度识别

为了实现铝板表面缺陷智能识别分类,解决支持向量机在识别过程中准确率不高的问题,对核主成分分析(Kernel Principal Component Analysis,KPCA)和最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)在缺陷深度识别分类的应用进行了研究。采用核主成分分析算法对实验获取的激光超声信号进行时域特征参数提取主成分,并将多个满足要求的主成分作为输入,建立KPCA-LSSVM分类模型对表面缺陷进行识别。结果表明,该模型精准率和召回率高于优化前的系统,识别准确率达到了95%。     

基于激光雷达与红外图像融合的车辆目标识别算法

为了提高车辆目标在不同测试条件下的识别效率,降低系统的漏检率和误检率,提出了一种基于激光雷达与红外图像融合的车辆目标识别算法。该算法利用目标原点矩参量表征目标的红外特征,用匹配相似度表征目标的点云特征,再经过轴系对齐和尺度变换实现图像融合。实验采用激光雷达与红外同轴光路获取的两类数据进行图像融合,再利用目标匹配阈值进行迭代筛选,最终识别车辆目标。对比了1帧、20帧和40帧图像中具有不同属性的车辆目标识别效果,结果显示,本算法输出的目标识别区域正确适当。在1000帧图像的多种测试条件的实验中,本算法的漏检率均小于100,误检率均小于50,明显优于传统的距离向数据分类法和光谱分类法,验证了其具有较好的鲁棒性。     

网络流量特征选择方法中的分治投票策略研究

特征选择作为机器学习过程中的预处理步骤,是影响分类性能的关键因素.网络流量具有数据量大,特征维度高的特点,如何快速提取特征子集,并提高分类效率对于基于机器学习的流量分类方法具有重要意义.本文提出基于分治与投票策略的特征提取方法,将数据集分裂为多个子集,分别执行特征提取算法,利用投票方法获得最后的特征子集.实验表明可有效提高特征提取的时间效率,同时使分类器取得良好的分类准确率.