基于核K-均值聚类和支持向量机结合的说话人识别方法

提出了基于核K-均值聚类方法与支持向量机结合的说话人识别方法,为每两个人建立一个支持向量机,对支持向量机输入的语音信号先进行核K-均值聚类,并选取有效样本作为支持向量机的输入,本文提出的聚类方法能够去更好的聚类并约简数据,提高了识别率.实验比较了在用支持向量机作为分类器的情况下,该核聚类与传统聚类方法的训练速度和识别性能,验证了本文提出方法的有效性.     

基于特征选择和支持向量机的数字调制识别方法

针对基于决策树的数字调制识别方法在低信噪比和小样本情况下的不足,提出了一种改进的基于特征选择和支持向量机的数字调制识别算法。首先选择信号训练样本的循环谱截面作为备选特征集合,然后利用基于支持向量机的特征选择方法保留有效特征参数并训练分类器,最后将待识别信号选择后的特征输入支持向量机分类器,完成对ASK、MSK、PSK、QAM等4类信号的识别。仿真表明,本文算法在低信噪比和小样本情况下的识别性能优于基于决策树的调制识别方法。     

一种改进的FSVM语音情感识别算法

针对语音特征参数对某类情感具有不确定性的问题,提出一种基于典型相关性分析的改进模糊支持向量机算法,应用于语音情感识别.采用典型相关性分析方法对特征向量进行降维,得到样本的约简向量集,在此约简向量集上建立模糊支持向量机模型判定情感类型.仿真实验结果表明,该方法相比于传统支持向量机法和模糊支持向量‘机法具有较高的识别准确率.     

电气符号识别的HOG方法

目的 为解决电气符号的大小、图纸背景的模糊、电气符号的旋转角度等各种干扰因素对计算机识别电气图纸造成的误差问题.方法 笔者提出了一种基于HOG的电气符号识别方法.建立电气符号训练集,提取电气符号图像的HOG特征,计算出梯度方向向量个数加权图;使用这些HOG特征和分类信息对支持向量机进行训练;利用支持向量机进行识别.结果 HOG算法对电气符号的识别率达到92.5％,与SIFT算法比较,识别效果更为准确.结论 所提出的HOG算法克服了外界干扰因素对电气符号识别的影响,提高了识别的准确率,具有良好的检测效果,为将HOG算法应用到其他领域奠定理论基础.     

基于Fisher向量投影的支持向量机增量算法

针对支持向量机训练样本冗余导致训练效率低下的问题,提出一种基于Fisher向量投影的支持向量机增量算法。该算法根据支持向量机中支持向量的分布特性对初始训练集及增量集进行预处理,减少训练样本个数;通过判断初始样本是否满足新增样本集的卡罗需-库恩-塔克(Karush-Kuhn-Tucker conditions,KKT)条件,剔除对最终结果无用的样本,减少参与训练的样本数目。实验结果表明,与标准支持向量机算法和基于向量投影的支持向量机增量算法相比,基于Fisher向量投影的支持向量机增量算法的训练速度分别提升了86%和33%左右。该方法可用于大规模样本集的分类识别问题。     

大气低频声信号识别深度学习方法研究

针对全面禁核试低频声监测中需要对大气低频声信号进行有效识别的问题,对深度神经网络中的卷积神经网络进行了研究,提出了一种将低频声信号转换为图像,然后采用卷积神经网络进行识别,并对学习过程进行改进的方法。将该方法与基于人工设计特征的支持向量机方法进行了对比实验,实验结果表明,在训练数据集不大的情况下,通过改进学习过程的卷积神经网络可以挖掘出信号的潜在特征,具有和支持向量机同等的识别能力。     

基于AIT方法的雷达辐射源信号识别效能评估

为了有效对雷达辐射源信号识别效能进行评估,建立了基于识别测试结果的评估指标体系,提出了利用AHP法求解权值、采用区间TOPSIS法计算综合评分值的识别效能评估方法（AIT）．以复杂度特征作为实验所用的特征参数,采用概率神经网络（PNN）、支持向量机（sVM）、基于遗传算法的支持向量机（GA-SVM）和基于粒子群算法的支持向量机（PSO-SVM）四种识别算法进行了仿真实验．仿真结果验证了所得结果是合理的．该评估方法是可行的．     

基于单类支持向量机的工业控制系统入侵检测

针对工业控制系统数据非线性、高纬度和不平衡等难题,本文从提高工业控制系统入侵检测的准确性入手,结合单类支持向量机算法,提出一种单类支持向量机异常检测方法。该方法在核主成分分析过程中加入Fisher-Score算法,实现了对数据集的特征提取,降低了后续单类支持向量机入侵检测模型训练和识别的复杂度;同时加入免疫克隆选择和协同进化等策略,采用分层协同免疫粒子群参数优化算法对单类支持向量机参数进行寻优,增强算法的综合性能,解决了基本粒子群算法在单类支持向量机参数寻优过程中存在的易陷入早熟收敛和局部最小值等问题;最后构建了基于优化后的单类支持向量机算法的入侵检测模型,并进行对比实验验证。实验结果表明：优化后的检测模型在训练时间、学习泛化能力和检测性能上都有明显提升。     

利用支持向量机和高阶累量实现飞机类型识别

为了探讨短波语音通信的飞机类型识别问题,根据短波语音通信下的飞机舱内背景声信号的物理特性,利用小波包分解和高阶累量提取出目标声信号的特征向量,分别采用BP神经网络和支持向量机作为分类器进行飞机类型的识别分类.仿真实验结果表明,小波包分解及高阶累量与支持向量机的结合算法,能够抽取出有效的飞机舱内背景声信号特征,并且能以93%以上的识别率识别出5种类型飞机.     

基于支持向量机的语音检测

歌者识别是音乐检索中非常重要的一个方面，背景音乐会严重地影响歌者识别系统的性能。提出了一种新的语音检测算法。为了减少背景音乐的干扰，使用一个基于支持向量机的语音检测系统寻找最有可能的语音片段用于歌者识别，歌者识别算法使用了高斯混合模型。实验结果表明，提出的算法能够极大地提升歌者识别的性能。     

SVM with discriminative dynamic time alignment

In the past several years, support vector machines (SVM) have achieved a huge success in many fields, especially in pattern recognition. But the standard SVM cannot deal with length-variable vectors, which is one severe obstacle for its applications to some important areas, such as speech recognition and part-of-speech tagging. The paper proposed a novel SVM with discriminative dynamic time alignment (DDTA-SVM) to solve this problem. When training DDTA-SVM classifier, according to the category information of the training samples, different time alignment strategies were adopted to manipulate them in the kernel functions, which contributed to great improvement for training speed and generalization capability of the classifier. Since the alignment operator was embedded in kernel functions, the training algorithms of standard SVM were still compatible in DDTA-SVM. In order to increase the reliability of the classification, a new classification algorithm was suggested. The preliminary experimental results on Chinese confusable syllables speech classification task show that DDTA-SVM obtains faster convergence speed and better classification performance than dynamic time alignment kernel SVM (DTAK-SVM). Moreover, DDTA-SVM also gives higher classification precision compared to the conventional HMM. This proves that the proposed method is effective, especially for confusable length-variable pattern classification tasks.     

基于GMM-UBM的说话人确认系统的研究

在基于GMM的说话人确认系统中,模型的训练是为每个说话人的语音建立模型,然后通过一定的算法找到一组参数元,使似然概率最大。通过对GMM的研究提出一种改进的模糊C均值算法（FCM）并将改进后的算法应用到模型初始化中。同时,GMM在话者确认时,语音数据不足会导致识别率下降．采用能覆盖话者语音的高斯混合模型-通用背景模型（GMM—UBM）作为识别模型,通过算法比较及实验分析可知,改进算法后的系统在识别率上明显优于传统的基于GMM的说话人识别系统。     

基于GMM-UBM的说话人确认系统的研究

在基于GMM的说话人确认系统中,模型的训练是为每个说话人的语音建立模型,然后通过一定的算法找到一组参数λ,使似然概率最大。文中通过对GMM的研究提出一种改进的模糊C均值算法（FCM）并将改进后的算法应用到模型初始化中。同时,GMM在话者确认时,语音数据不足会导致识别率下降,本文采用能覆盖话者语音的高斯混合模型．通用背景模型（GMM－UBM）作为识别模型,通过算法比较及实验分析可知,改进算法后的系统在识别率上明显优于传统的基于GMM的说话人识别系统。     

基于UCR训练集重构的真实语音情感识别

真实语音情感识别是使人机交互更加友好的重要手段,但是训练数据稀缺为这一领域带来很多挑战。为了减小这一阻碍,提出了语句串接与重采样(UCR)方法,以便高效利用存在的训练数据。UCR方法是将原始音频样本按照情感类型进行串接,形成一个长的音频流,以一个固定粒度对其随机乱序,然后将其切割,并通过多次重采样操作来增加支持向量机(SVM)的训练样本数。实验基于一个从访谈节目中录制的真实语音情感库。实验结果表明,在统一背景模型-高斯混合模型-支持向量机(UBM—GMM—SVM)识别框架中这种训练集重构的方法错误率降低近33.10%。     

融合SIFT和MIL的红外人脸识别方法

针对红外人脸识别问题,提出一种新的基于尺度不变特征转换(SIFT)与多示例学习(MIL)相结合的算法。该算法将图像当作多示例包,SIFT描述子当作包中的示例,利用聚类的方法对训练集中的所有SIFT描述子进行聚类,建立"视觉词汇表",再根据"视觉字"在多示例训练包中出现的频率,建立"词-文档"矩阵,采用潜在语义分析(LSA)的方法获得多示例包(图像)的潜在语义特征,将MIL问题转化成标准的有监督学习问题,即在潜在语义空间用支持向量机(SVM)求解MIL问题。基于OTCBVS标准数据集的对比实验结果表明,所提算法是可行的,且识别率明显高于其他方法。     

基于非线性取值DTW算法的鲁棒性语音识别系统

提出了一个在噪声环境下高效的语音识别系统。针对端点检测,提出了基于平滑函数的检测方法,从而提高了利用短时能量算法的检测精度。运行频谱滤波器方法在能量频谱和对数频谱用了两次带通滤波器减少噪声,在对数频谱内用倒谱均值相减的方法去除卷积噪声,从而减少了计算量。对于普：i~DTW（DynamicTimeWarpin）算法得到某个测试语音与该语音所有的参考语音相似值,应用一个非线性中值滤波器取中间某个值的方法来进行识别,从而提高了DTW算法的识别精度。利用少量参考语音,实现了高于HMM的识别精度同时又减少了训练的花费时间。     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE（Locally Linear Embedding）和SVM（Support Vector Machine）结合的人像识别方法,采用PCA（Pfincipal Component Analysis）与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL（Olivetti Research Laboratory）人脸数据库上实验表明,该算法稳健、快速,识别率达到了90％以上。     

基于模糊k近邻的样本预选取的支持向量机分类算法

在支持向量机（SVM）方法中采用模糊☆近邻方法进行样本预选取,旨在保留最优分类超平面附近的样本点,去除远处样本点,使训练样本集减小,消除冗余,从而减小所需内存．实验结果表明,该方法无论是训练速度还是分类精度都远远好于单独的SVM分类器．     

膨胀土等级判别的遗传支持向量机多分类方法

针对支持向量机模型中的参数难以确定的状况,提出了遗传支持向量机方法,即利用遗传算法来搜索支持向量机与核函数的参数,避免了人为选择参数的盲目性,同时提高了支持向量机的推广预测能力,并将该方法应用于膨胀土胀缩等级的判别分类问题。考虑影响膨胀土判别的重要因素,选用液限、胀缩总率、塑性指数、天然含水量和自由膨胀率5个指标作为模型的判别因子,以4类膨胀土胀缩等级作为相应的输出,以膨胀土实测数据作为学习样本进行训练,建立相应分类函数对待判样本进行分类。研究结果表明：遗传支持向量机模型分类性能良好,预测精度高,是膨胀土胀缩等级分类的一种有效方法,可以在实际工程中进行推广。     

基于BCABC-SVM的边坡稳定性预测

为了准确地对边坡稳定性进行预测,采用支持向量机(SVM)建立边坡稳定性和影响因素之间的非线性关系.针对支持向量机参数对预测效果的影响,采用基于细菌趋化的蜂群算法(BCABC)对其进行优化选择,提出了边坡稳定性预测的细菌趋化的蜂群优化支持向量机模型.运用该方法对边坡实例进行预测,预测结果与边坡稳定性实际状态相吻合,结果表明,基于细菌趋化的蜂群优化支持向量机模型在边坡稳定性评价中具有一定的可靠性和有效性.