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。     

基于微粒群算法和支持向量机的特征子集选择方法

在模式分类系统中,大量无关或冗余的特征往往会降低分类器的性能,因此需要特征选择.本文提出了基于离散微粒群(BPSO)和支持向量机(SVM)封装模式的特征子集选择方法,首先随机产生若干种群(特征子集),然后用BPSO算法对特征进行优化,并用SVM的10阶交叉验证结果指导算法的搜索,最后选出最佳适应度的子集对SVM进行训练.两个UCI机器数据集(户外图像和电离层)的实验结果表明了提出算法的有效性.     

基于果蝇优化算法的支持向量机故障诊断

提出一种基于果蝇优化的支持向量机特征选择与参数寻优算法,模仿果蝇的觅食行为,以食物的味道浓度判定值作为参数,并将特征集进行二进制编码得到特征子集用于训练模型,然后构造合适的适应度函数,搜索最优参数值及特征子集。通过与其它算法的实验比较,表明该方法具有分类精度高,全局搜索能力强的优点。并将其应用于滚动轴承的故障诊断中,仿真结果表明,该模型具有良好的性能。     

基于SPI总线的无线数据传输系统设计

针对目前手势识别特征点检测的低效性,文中提出一种新的边缘特征点检测方法。文中方法通过借鉴稠密轨迹方法的特征描述方式,利用支持向量机分类学习的方法实现动态手势识别。该方法能够有效增加边缘轨迹的数量,从而给最终的识别带来裨益。利用剑桥大学手势数据集和谢菲尔德手势数据集进行性能评估,所提方法分别获得了99.11%与99.72%手势识别精度,体现了新算法在上述数据集中的优异性。     

基于特征融合的手势识别

在手势识别的过程中,手势的多样性和复杂性会对识别的可靠性和准确性带来较大影响.基于视觉的手势识别通常采取单一特征用于手势分类,但是单一特征无法较好地描述整个图像.因此本文提出多种特征融合的方法,分别提取改进后的梯度方向直方图(HOG)特征和MB-LBP特征,并进行特征融合,结合支持向量机(SVM)分类器完成手势图像的识别.实验结果表明,提取的融合特征包含手势图像的局部区域梯度信息和图像的纹理信息,可以更加全面地描述图像的手势特征.相较于单一特征识别方法而言,基于特征融合的方法有着更高的识别率.     

基于优化Adaboost迭代过程的SVM集成算法

为提高Adaboost算法迭代过程中生成基分类器的分类精度以及简化整个集成学习系统的复杂度,文章提出了一种优化Adaboost迭代过程的SVM集成算法。该算法提出了一种在其迭代过程中加入样本选择和特征选择的集成方法。通过均值近邻算法对样本进行选择,并利用相对熵法进行特征选择,最后利用优化得到的特征样本子集对基分类器SVM进行训练,并用加权投票法融合各个SVM基分类器的决策结果进行最终判决。通过对UCI数据集的仿真结果表明,本算法与支持向量机集成算法相比,能够在更少的样本以及特征的基础上,实现较高的识别正确率。     

基于Bayesian粗糙集和布谷鸟算法的肺部肿瘤高维特征选择算法

在高维特征选择过程中最优特征子集生成和分类器 参数优化方面,提出一种基于贝叶斯粗糙集(BRS)、遗传算法(GA)和布谷鸟算法(CS) 的两阶段优化高维特征选择算法。该算法首先分析3000例肺部肿瘤CT图像的形状、灰度和纹理特征,提取104维特 征分量共同量化ROI;然后进行两阶段优化:(1) 从全局相对增益函数的角度分析了属性 重要度,结合属性约简长度和基因编码权值函数的加权和构造适应度函数,通过选择、交叉 和变异等遗传操作生成最优特征子集,在不降低分类精确度的前提下降低特征维度;(2) 利用CS对支持向量机(SVM)参数进行全局寻优;最后通过实验验证本文算法的可行性和有 效性。实验结果表明,该算法有效提升了肺部肿瘤良恶性识别能力,降低了算法的时间复杂 度。     

一种改进的尺度不变特征识别算法用于建盏釉面的相似性判定北大核心CSCD

为解决建盏真伪区分问题,通过改进的尺度不变特征识别算法,建立实验原型系统,用于识别不同类型釉面的建盏。研究的识别模型在云端上提供服务,以便对建盏釉面的相似性进行判断。该系统采用Streamlit平台构建实验性人机交互界面。针对识别模型,研究开发了基于边界跟随法的图像预处理策略,旨在滤除背景和无关材料特征干扰,提高自然条件下拍摄的图像识别能力,以减少对建盏釉面的误判可能性。利用改进的基于支持向量机(support vector machines,SVM)的尺度不变特征变换(scale-invariant feature transform,SIFT)特征匹配分类策略,设计了多项性能实验,以获得足够的数据集分辨率、SVM最优超参数和初始化所需的最小数据集参数模型。经实验证实,系统可清楚地区分相同类型釉面图案(兔毛釉、滴油釉)的相似性。它使用给定的有限数据集提供高达92.60%的识别准确率,并将单次识别速度提高0.84 s。     

基于HOG特征和TSVM算法的车标识别

支持向量机(Support Vector Machine, SVM)是建立车标识别模型的主要智能方法之一。考虑SVM存在计算复杂度高和无法实现增量学习等问题，提出一种基于孪生支持向量机(Twin SVM, TSVM)增量学习算法，并结合HOG特征设计一种车标识别系统。首先利用特征检测结合仿射变换技术，实现车标的精准定位；然后提取车标图像HOG特征，并通过对矩阵的逆运算进行分解和重组，实现TSVM增量学习。最后利用车标数据集训练分类模型，实现对车标的分类。实验结果表明，文中提出的算法在车标数据集上实现了91.77%的识别率，优于其他几种识别算法，证明了文中提出算法的有效性。     

非线性SVM融合LDA的sEMG手势识别应用分析

针对非线性SVM及LDA算法在肌电信号手势识别应用上的合理性问题进行实验,比较新型非线性支持向量机(SVM)分类方法和实际应用中常用的线性判别分析(LDA)在肌电图手势识别上的优劣。首先采用1到6不同数量的电极采集3组不同的手臂动作的前臂肌电信号,记录数据。然后,通过计算机编写算法程序对比SVM和LDA两种方法在不同电极数量下的肌电手势识别的准确率。最后得出结论,2种算法的手势识别率与肌电电极数量密切相关,根据电极数选择合适的分类算法。分析表明,该实验在减少电极数量情况下对手势识别算法的选择有重要意义。     

基于多特征和最小二乘支持向量机相融合的行人检测模型

为了提高行人检测正确率,提出一种基于多特征融合和最小二乘支持向量机的行人检测模型。首先提取行人的相位一致性特征和梯度直方图特征,然后采用粒子群算法选择最优特征子集,最后将最优行人检测特征子集输入到最小二乘支持向量机对学习和分类,并采用对模型性能采用仿真实验进行测试。结果表明,相对于其它行人检测模型,本文模型不仅提高了行人检测率、降低了虚警率,而且加快行人检测效率,具有较强的鲁棒性。     

耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法

针对标准支持向量机（SVM）识别非均衡数据往往会出现最优超平面倾向性和正类样本大量错分的现象,探讨SVM识别非均衡数据失效的原因及对策;考虑到SVM最优超平面仅由少量支持向量完全决定的特性,提出一种基于负类边界样本裁剪策略的SVM数学模型.鉴于该模型需经多次负类数据的"训练-裁剪"过程才能较好地识别正类样本且较为费时,以等效的一次性裁掉更多样本的裁截面技术作为替代,提出一种耦合负类样本裁剪与非对称错分惩罚的非均衡SVM算法,并利用改进正余弦优化算法优化裁剪偏移量以提高算法的非均衡数据处理能力.数值实验结果验证了裁剪偏移量的优化必要性、改进正余弦优化算法的较强优化性能和改进SVM算法对非均衡数据的较好识别性能.     

一种基于SVM的雷达目标识别算法

针对目前支持向量机多类分类方法存在的缺点,丈中对支持向量机的高斯核函数进行改进,并提出一种结合留一法和单一验证法的参数选择新方案.基于3种雷达目标的HRRP数据,设计了相应的预处理算法,利用改进的SVM分类法用于高分辨距离像的雷达目标识别.从实验目标姿态稳定性、训练集大小稳定性和抗噪能力三个方面验证改进SVM的稳健性.     

网格搜索法优化的支持向量机室内可见光定位

采用信号强度特征建立指纹库,通过网格搜索法对支持向量机参数进行优化,利用SVM回归算法建模位置坐标和信号强度特征的映射关系,实现对待定位点位置坐标的预测。在待定位点误差范围内建立子集指纹库,根据欧式距离的远近分配权值,对预测到的坐标进一步优化,实现误差最小化。将没有优化的支持向量机与用网格搜索法、蚁群算法、粒子群算法优化后进行对比,实验结果表明,使用网格搜索法优化后的SVM回归算法可以实现良好的定位效果,最终平均定位误差可达到0.042 m,且算法所需时间优于蚁群算法,寻找全局最优解优于粒子群算法。     

一种基于SVM的改进车牌识别算法

提出了一种基于支持向量机(SVM)的改进车牌识别方法。对细化处理后的字符采用网格、水平投影与垂直投影密度的特征提取方法,保证了字符整体与局部特征,同时也使特征向量集的维数充分低。结合3种特征提取方法得到的特征向量集,采用 SVM进行车牌号码识别。对于易混淆字符,提出了根据各自的特征进行2次识别的算法,该算法有效解决了易混淆字符误识别的问题。实验结果表明,该算法鲁棒性好、抗干扰能力强、识别率达到了98.58%。     

P300 Speller中基于权值重采样的 ABSVM字符识别方法研究

 P300 Speller是脑-机接口中重要的信息交互方式,由于其诱发的脑电特征信噪比较低与训练样本量庞大等问题,常规的线性识别算法和支持向量机等非线性识别算法难以获得理想的识别效率.本文引入了一种基于权值样本重采样过程的Adaptive Boosting SVM(ABSVM)方法,在大样本集上利用AdaBoost重采样方法建立一系列小样本子集,在其上训练支持向量机并将其集成后进行识别.对6位受试者P300 Speller字符辨识实验的脑电特征识别结果发现,该方法能够显著提高字符识别效率,在合并使用5次重复刺激特征的情况下字符识别准确率达到97.5%.使用国际脑机接口竞赛数据库数据进一步验证,在合并使用5次重复刺激特征的情况下该方法识别正确率较竞赛报告的最优方法提高7.35%,最大信息传输速率的提高达到48.9%.研究结果表明,ABSVM方法能够有效提高P300 Speller的识别效率和信息传输速率,值得进一步研究和发展.     

一种基于二值粒子群优化和支持向量机的目标检测算法

针对复杂场景下目标检测和目标检测中特征选择问题,该文将二值粒子群优化算法(BPSO)用于特征选择,结合支持向量机(SVM)技术提出了一种新颖的基于BPSO-SVM特征选择的自动目标检测算法。该算法将目标检测转化为目标识别问题,采用wrapper特征选择模型,以SVM为分类器,通过样本训练分类器,根据分类结果,利用BPSO算法在特征空间中进行全局搜索,选择最优特征集进行分类。基于BPSO-SVM的特征选择方法降低了特征维数,显著提高了分类器性能。实验结果表明,该文算法不仅有效提高了复杂场景下目标姿态、尺度、光照变化和局部被遮挡时的检测准确率,还大大缩短了检测时间。     

结合Gabor特征与Adaboost的人脸表情识别

通过提取人脸图像的Gabor特征，结合Adaboost，进行人脸表情识别（FER）。针对Gabor特征维数高、冗余大的特点，引入Adaboost算法进行特征选择降低特征向量的维数。然后再以支持向量机（SVM）和最近邻分类法相结合组成分类器进行分类。该方法综合运用了Gabor特征对于人脸表情的良好表征能力、Adaboost算法的强大特征选择能力以及SVM在处理少样本、高维数问题中的优势。在JAFFE库上进行测试的结果验证了该法的有效性。从Adaboost所选择的特征集可知，在眼和嘴区域提取的特征，对于FER是最为重要的。     

一种改进的并行处理SVM学习算法

支持向量机(SVM)解决小样本、非线性及高维模式识别问题有许多优势,但处理大规模数据集时训练速度缓慢.为此在循环迭代算法的基础上,提出改进的SVM学习算法.该算法将大规模数据集划分为若干个小数据集,然后并行的在各个小数据集上训练SVM,再采用合并算法对SVM进行两两合并,得到最终的SVM.最后通过仿真实验发现,改进的SVM学习算法可以加快训练速度,并具有较高的识别率.     

基于HOG和SVM的手势检测技术

将梯度方向直方图特征,结合支持向量机应用于手势检测中,可有效减弱光照、手势旋转等因素所带来的影响,并对HOG提取过程及参数设置进行了详细分析,同时结合线性SVM训练出了检测效果较好的分类器。通过实验证明,将HOG特征提取与SVM学习算法结合,手势检测的应用限制将大幅降低。