噪音人脸图像的总间隔v最小类内方差SVM分类

提出总间隔v最小类内方差支持向量机（TM-v-MCVSVMs）,用于解决含有噪音人脸图像的分类问题,它综合了最小类内方差支持向量机（MCVSVMs）和总间隔v-支持向量机（TM-v-SVM）的优点。给出了TM-v-MCVSVMs在小样本问题和非线性分类问题中的解决方法。经初步的实验验证,在含有噪音人脸图像的分类问题中,TM-v-MCVSVMs获得了比MCVSVMs和TM-v-SVM更好的分类性能。     

基于偏最小二乘法与支持向量机的人脸识别

该文认为在人脸识别中,偏最小二乘回归方法作为一种新的降维方法,在处理小样本问题时具有明显优势,而主元分析方法作为一种传统的降维方法在选择分量时没有考虑类信息,因而有可能忽略掉重要的分类信息。支持向量机（SVM）模式识别方法具备良好的分类性能和鲁棒性。该文提出了一种基于偏最小二乘与支持向量机的人脸识别方法。利用偏最小二乘回归分析对人脸图像进行降维和特征提取,再利用支持向量机对特征向量进行分类识别。ORL人脸库的仿真结果证明偏最小二乘回归方法比主元分析方法更有效。     

基于PCA和SVM算法的人脸识别

人脸识别是计算机视觉和图像模式识别领域的一个重要技术。主成分分析（PCA）是人脸图像特征提取的一个重要算法。而支持向量机（SVM）有适合处理小样本问题、高维数及泛化性能强等多方面的优点。文章将两者结合,先用PCA算法进行人脸图像特征提取,再用SVM进行分类识别。通过基于ORL人脸数据库的计算机仿真实验表明,该方法具有很好的可行性和实际意义。     

最小类内方差支持向量引导的字典学习

支持向量引导的字典学习算法依据大间隔分类原则,仅考虑每类编码向量边界条件建立决策超平面,未利用数据的分布信息,在一定程度上限制了模型的泛化能力.为解决该问题,提出最小类内方差支持向量引导的字典学习算法.将融合Fisher线性鉴别分析和支持向量机大间隔分类准则的最小类内方差支持向量机作为鉴别条件,在模型分类器的交替优化过程中,充分考虑编码向量的分布信息,保障同类编码向量总体一致的同时降低向量间的耦合度并修正分类矢量,从而挖掘编码向量鉴别信息,使其更好地引导字典学习以提高算法分类性能.在人脸、物体和手写数字识别数据集上的实验结果表明,在大部分样本和原子数量条件下,该算法的识别率和原子鲁棒性均优于K奇异值分解、局部特征和类标嵌入约束等经典字典学习算法.     

基于偏最小二乘的支持向量机多分类方法

该文提出了一种基于偏最小二乘（PLS）的支持向量机（SVM）多分类方法,该算法利用偏最小二乘思想对样本进行预处理,消除了样本属性之间的相关性,而且得到的综合属性与类信息的相关程度达到最大。通过实验可以看出,该方法不仅可以减少用支持向量机进行分类过程中的支持向量数目,而且当样本属性较多时,可以提高一定的识别率。     

基于Gabor和支持向量机的人脸识别

支持向量机（SVM）在处理小样本高维数据及泛化性能强等方面的优势，以及Gabor小波可以很好地模拟哺乳动物视觉神经简单细胞的感受野轮廓降低外界因素的影响，提出了基于Gabor与SVM的人脸识别方法。通过对经Gabor变换人脸图像的独立成分分析得到一组Gabor人脸独立基，并且用遗传算法求得一组最优的Gabor独立基，不但可以降低特征维数，减少计算量，而且可以提高识别率。通过对耶鲁大学人脸图像数据库的测试，证实本文算法有效性。     

最小类方差支持向量机与零空间分类器的集成

最小类方差支持向量机(MCVSVM)充分考虑数据的分布信息,但是在小样本情况下却仅利用类内散度矩阵非零空间中的信息。为了综合利用类内散度矩阵非零空间和零空间中的信息来进一步提高分类性能,文中首先在零空间中建立一种分类器——零空间分类器(NSC),然后再把MCVSVM和NSC进行融合,从而进一步提出集成分类器(EC)。不同于MCVSVM和NSC,EC综合考虑非零空间和零空间中的信息,体现出更强的泛化能力。最后通过实验验证算法的有效性。     

基于样本之间紧密度的模糊支持向量机方法

针对传统支持向量机方法中存在对噪声或野值敏感的问题,提出了一种基于紧密度的模糊支持向量机方法.在确定样本的隶属度时,不仅考虑了样本与类中心之间的关系,还考虑了类中各个样本之间的关系.通过样本之间的紧密度来描述类中各个样本之间的关系,利用包围同一类中样本的最小球半径大小来度量样本之间的紧密度.样本的隶属度依据样本在球中的位置,按照不同的规律确定与基于样本与类中心之间关系构建的模糊支持向量机方法相比,该方法有利于将野值或含噪声样本与有效样本进行区分.实验结果表明,与传统支持向量机方法及基于样本与类中心之间关系的模糊支持向量机方法相比,基于紧密度的模糊支持向量机方法具有更好的抗噪性能及分类能力.     

模糊支持向量机中隶属度的确定与分析

针对目前模糊支持向量机方法中，一般使用特征空间中样本与类中心之间的距离关系构建隶属度函数的不足，提出了一种新的有效地反映样本不确定性的隶属度计算方法——基于样本紧密度的隶属度方法。在确定样本的隶属度时，不仅考虑了样本与类中心之间的关系，还考虑了类中各个样本之间的关系，并采用模糊连接度来度量类中各个样本之间的关系。将其应用于模糊支持向量机方法中，较好地将支持向量与含噪声或野值样本区分开。实验结果表明，采用模糊支持向量机方法，其分类错误率比采用支持向量机方法的错误率低，在使用的3种隶属度函数中，采用基于紧密度隶属度的模糊支持向量机方法抗噪性能最好，分类性能最强。     

2D—FDA和ProximalSVM在人脸识别上的联合应用

对人脸图像进行二维Fisher鉴别分析（2D—FDA）的特称抽取与最临近支持向量机（ProximalSVM）的分类进行组合。首先把人脸图像按测试样本和训练样本进行划分。对训练样本进行2D—FDA特征抽取,得到抽取不同特征数目的具有最大鉴别信息的特征向量。然后再把此特征向量与测试样本相结合,用最简单的支持向量机进行分类,得到比用最小欧氏距离方法更高的识别效率,从而说明这两种方法的组合在人脸识别应用中发挥了各自的优点。     

基于最小二乘的最小类方差支撑向量机

针对最小类方差支撑向量机(MCVSVM)在小样本情况下仅利用类内散度矩阵非零空间中信息的问题,提出基于最小二乘的最小类方差支撑向量机(LS-MCVSVM)算法,通过牛顿优化法迭代求解LS-MCVSVM的优化问题,从而有效解决了小样本问题。实验结果表明,相对于MCVSVM,LS-MCVSVM算法可进一步提高泛化能力,减少训练时间开销。     

核向量机与支持向量机相结合的二阶段快速学习方法

支持向量机(SVM)作为一种有效的模式分类方法,当数据集规模较大时,学习时间长、泛化能力下降;而核向量机(CVM)分类算法的时间复杂度与样本规模无关,但随着支持向量的增加,CVM的学习时间会快速增长。针对以上问题,提出一种CVM与SVM相结合的二阶段快速学习算法(CCS),首先使用CVM初步训练样本,基于最小包围球(MEB)筛选出潜在核向量,构建新的最有可能影响问题解的训练样本,以此降低样本规模,并使用标记方法快速提取新样本;然后对得到的新训练样本使用SVM进行训练。通过在6个数据集上与SVM和CVM进行比较,实验结果表明,CCS在保持分类精度的同时训练时间平均减少了30%以上,是一种有效的大规模分类学习算法。     

基于中间分类超平面的SVM入侵检测

在网络入侵检测中,大规模数据集会导致支持向量机(SVM)方法训练时间长、检测速度慢。针对该问题,提出一种基于中间分类超平面的SVM入侵检测方法。通过对正常和攻击样本的聚类分析,定义聚类簇中心的边界面接近度因子,实现对标准SVM二次式的改进;用簇中心对其训练,获取一个接近最优超平面的中间分类超平面;确定距离阈值,以选取潜在支持向量,实现训练样本的缩减。在KDDCUP1999数据集上进行实验,结果表明,与聚类支持向量机方法相比,该方法能简化训练样本,提高SVM的训练和检测速度。     

基于多特征结合与加权支持向量机的图像去噪方法

在基于支持向量机(SVM)的图像去噪方法的基础上,提出了一种基于多特征结合与加权SVM的图像去噪方法。首先,根据图像中相邻像素的相关性及椒盐噪声的特点,提取含噪图像中的多种特征;然后,利用针对不平衡数据集所改进的加权SVM分类器,识别出含噪图像中的噪声点,再利用支持向量回归机(SVR)对噪声点的原始灰度值进行回归预测;最后,重构图像以达到去噪的目的。实验结果表明,该方法能提高SVM分类器对噪声点的识别率,改善分类器的性能,并能在去噪的同时较好地保留图像的边缘信息,获得较高的峰值信噪比(PSNR)。     

最小方差支撑向量数据域描述

支撑向量数据域描述(SVDD)是一种已经得到了广泛应用的核方法,但是其在构建超球时没有充分考虑数据分布信息。针对此问题,首先等价改写了SVDD算法优化问题,然后重新定义了该优化问题中的距离定义形式,进而提出了最小方差支撑向量数据域描述(MVSVDD)算法。该算法充分考虑数据的分布信息。实验结果表明,相对于传统SVDD算法,MVSVDD在泛化能力上得到了较为明显的提高,体现出了更好的描述数据域的能力。     

基于支持向量机的学习资源推送方案

文章将支持向量机用于学习资源的个性化推送。通过引入知识点的概念与形式化描述,建立起测试试题与学习资源的联系,并形成特征向量。采用线性核函数、多项式核函数和径向基核函数分别构建不同的支持向量机,进行了实验与数据分析。结果表明,支持向量机技术能较好的支持学习资源的个性化推送,具有响应速度快,正确率高,训练样本小等优点。     

模糊支持向量机隶属度的确定方法

传统的支持向量机对噪声或野点是敏感的,针对这种情况,引入了模糊支持向量机,但模糊隶属度的确定是个难点。利用基于线性规划下的一类分类算法来确定模糊隶属度,根据不同输入样本对分类的贡献不同,赋予相应的隶属度,将噪声或野点与有效样本区分开。实验结果表明,模糊支持向量机比传统的支持向量机有更好的分类效果,能够削弱噪声或野点的影响。