基于HMM核超球面支持向量机的超宽带SAR未爆物检测

 利用机载超宽带合成孔径雷达(UWB SAR)探测地下未爆物(UXO)具有安全和高效的优点.UXO检测分为预筛选和鉴别.预筛选从大面积SAR图像中提取若干怀疑目标,而鉴别则将这些怀疑目标分成UXO和杂波从而降低虚警.本文提出隐马尔可夫模型(HMM)核的超球面支持向量机(HS-SVM)UXO鉴别器.HS-SVM基于结构风险最小原理并利用核特征空间中的超球面区分UXO和杂波能够解决小训练样本集和无典型杂波样本两个问题.此外将描述UXO多方位特征的HMM作为HS-SVM核函数进一步提高了UXO的鉴别性能.实测数据处理结果表明,HMM核HS-SVM优于HMM和高斯核HS-SVM等UXO鉴别器.     

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.     

基于支持向量机技术的智能工序诊断研究

统计过程控制图的分析与识别是智能工序质量控制（IPQC）的一个重要研究领域,文章提出了一种基于支持向量机的工序模式分析与识别新方法,仿真结果表明该方法对样本无特殊要求且识别速度快,适合用于自动工序的实时智能控制.     

基于SDEC和机器支持矢量机的基因检测

利用基因表达谱对肿瘤进行分子水平的检测和预测已经成为生物信息学的一个研究热点.如何从超高维基因序列中剔除噪声基因是该类问题的关键之一.本文提出一种基于欧氏中心距和标准差(SDEC)的可分性准则来衡量基因的相似性对噪声基因进行滤波和有效基因的选择,并结合K-L变换进行二次特征提取,进而利用机器支持向量机(SVM)进行分类检测.利用文中的方法对白血病基因表达谱进行测试,实验结果表明,利用从7129个基因中选出的105个基因进行分类可获得者100%的分类精度.     

基于聚类支持向量机的入侵检测算法

针对支持向量机应用到入侵检测中训练时间长的特点,提出了一种基于聚类的支持向量机的入侵检测算法。该方法可以对训练数据进行剪枝,以靠近判别边界的聚类中心集合作为有效的训练样本集合对支持向量机进行训练,减少了样本的训练时间,提高了算法的效率。实验结果表明该方法对入侵检测是有效的。     

基于PCANet和SVM的谎言测试研究

主成分分析网络（Principal Component Analysis Network,PCANet）是基于深度学习理论的一种非监督式的特征提取方法,它克服了手工提取特征的缺点,目前其有效性仅仅在图像处理领域中得到了验证。本文针对当前谎言测试方法中脑电信号特征提取困难的缺点,首次将PCANet方法应用到一维信号的特征提取领域,并对测谎实验的原始脑电信号提取特征,然后使用支持向量机（Support Vector Machine,SVM）将说谎者和诚实者的两类信号进行分类识别,将实验结果和其它分类器及未使用特征提取的分类效果进行了比较。实验结果显示相对未抽取任何特征的方法,提出的方法PCANet－SVM可以获得更高的训练和测试准确率,表明了PCANet方法对于脑电信号特征提取的有效性,也为基于脑电信号的测谎提供了一种新的途径。     

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。     

基于结构支持向量机的目标检测跟踪同步算法

目标检测跟踪同步算法通过对视频帧的目标实时检测来达到跟踪的目的,该算法主要是为了维持一个能够在线训练的分类器,把从背景采样的样本作为负样本,从目标区域采样的样本作为正样本,然后通过分类器把二者区分开,以达到跟踪效果。然而当目标产生形变以及目标区域发生遮挡的时候,如何对样本采样和精确标记成为跟踪成败的关键。在结构支持向量机的框架下,提出一种基于结构支持向量机的目标检测跟踪同步算法。由于结构支持向量机的输出可以是复杂的数据结构,因此采用结构支持向量机,把目标位置估计作为结构支持向量机的输出,避免了对样本标记精确估计的需要,克服了当目标发生遮挡和大范围变形时导致的跟踪失败。仿真实验表明,该算法有良好稳定的跟踪效果。     

基于支持向量机的无人机视觉障碍检测

自主障碍检测与回避是无人机低高度飞行时保障其生存性的一项关键技术,有重要的研究意义。通过对机器视觉原理的研究,考虑到支持向量机方法能同时减小匹配难度和计算量,实时性能、泛化性能良好,故采用该方法通过离线监督学习,将无人机前视图像分割为天空与非天空2部分,并将非天空部分作为需要回避的障碍,实现无人机基于视觉的障碍检测系统,为后续的视觉制导提供信息。实验结果表明,支持向量机能有效准确地实现图像的天空分割,并具有良好的泛化性能。     

基于支持向量机的金属表面缺陷检测

针对人工检测金属表面缺陷效率低、主观意识强、无法长时间工作等缺点,提出一种基于支持向量机监督检测、分类以及测量的金属表面缺陷的方法,并使用Matlab软件设计一个图形用户界面(GUI),便于检测人员使用.研究中先对工厂采集的图像进行Gabor滤波和对比度增强的前处理.然后使用方向梯度直方图(HOG)和灰度共生矩阵(GL...     

支持向量机回归法在天线设计中的应用

提出了一种利用支持向量机回归进行天线设计的方法.以印刷偶极子天线为例,通过对3个主要的天线参数进行训练以捕捉天线结构尺寸和天线性能之间的关系,从而建立支持向量机回归模型.该模型在保证快速计算的前提下显示出比神经网络模型更高的计算精度,从而节省天线设计和优化时间.     

特征加权支持向量机

该文针对现有的加权支持向量机(WSVM)和模糊支持向量机(FSVM)只考虑样本重要性而没有考虑特征重要性对分类结果的影响的缺陷,提出了基于特征加权的支持向量机方法,即特征加权支持向量机(FWSVM)。该方法首先利用信息增益计算各个特征对分类任务的重要度,然后用获得的特征重要度对核函数中的内积和欧氏距离进行加权计算,从而避免了核函数的计算被一些弱相关或不相关的特征所支配。理论分析和数值实验的结果都表明,该方法比传统的SVM具有更好的鲁棒性和分类能力。     

基于路径特征和支持向量机算法的硬件木马检测技术

硬件木马攻击成为当前集成电路(IC)面临的严重威胁。针对硬件木马电路具有隐蔽、不易触发以及数据集不均衡等特点,该文提出对门级网表进行静态分析的硬件木马检测技术。基于电路可测性原理建立涵盖节点扇入数、逻辑门距离、路径数、节点扇出数的硬件木马路径特征,简化特征分析流程;基于提取的路径特征,使用支持向量机(SVM)算法区分电路中的木马节点和正常节点。提出训练集双重加权技术,解决数据集不均衡问题,提升分类器的性能。实验结果表明,分类器可以用于电路中的可疑节点检测,准确率(ACC)达到99.85%;训练集静态加权有效提升分类器性能,准确率(ACC)提升5.58%;与现有文献相比,以36%的特征量,真阳性率(TPR)降低1.07%,真阴性率(TNR)提升2.74%,准确率(ACC)提升2.92%。该文验证了路径特征和SVM算法在硬件木马检测中的有效性,明确了数据集均衡性与检测性能的关系。     

基于支持向量机的病毒程序检测方法

支持向量机是一种对于小样本具有良好学习性能的机器学习方法.本文将支持向量机方法用于病毒程序的检测中,可以改善其它方法在先验知识较少情况下的推广能力的问题.仿真实验结果看出,该方法在训练样本数相对较少的情况下,仍然具有较高的检测率和正确率,同时也具有较低的虚警率.     

支撑矢量预选取的中心距离比值法

支撑矢量机为小样本模式识别提供了一新的途径,但其支撑矢量的选择相当困难,也成为其应用的瓶颈问题.对此,本文提出了一种能够预先选取支撑矢量的方法——中心距离比值法.该方法在不影响支撑矢量机的分类能力情况下,大大地减少了训练样本,提高了支撑矢量机的训练速度.文中给出的仿真实验结果也验证了该方法的有效性和可行性.类似的结果在国内外还未见报导.     

Modeling of 3-D Vertical Interconnect Using Support Vector Machine Regression

In this letter, the support vector machine (SVM) regression approach is introduced to model the three-dimensional (3-D) high density microwave packaging structure. The SVM is based on the structural risk minimization principle, which leads to a good generalization ability. With a 3-D vertical interconnect used as an example, the SVM regression model is electromagnetically developed with a set of training data and testing data, which is produced by the electromagnetic simulation. Experimental results suggest that the developed model performs with a good predictive ability in analyzing the electrical performance     

基于SVM的新生儿疼痛表情识别

近十年来新生儿疼痛引起医护人员的广泛关注。由于新生儿不能自述疼痛的感受,疼痛评估成为新生儿科学中最具挑战性的一个难题。新生儿“疼痛面容”（蹙眉、挤眼、鼻唇沟加深、张口）被认为是最可靠的疼痛指标,且持续时间最长,因而被国际上常用的新生儿疼痛评估工具作为评估指标。然而,这些疼痛评估工具往往受到临床医护人员主观因素的影响。文中旨在解决上述问题,提出利用支持向量机（SVM）技术对新生儿疼痛与非疼痛面部表情进行分类识别。对210幅照片的表情图像进行了研究,比较了线性核函数SVM、多项式核函数SVM（d=2,3,4）以及径向基函数SVM等5种不同分类器的性能。实验结果表明,阶数d=3的多项式核函数SVM分类器的性能最佳,对疼痛和非疼痛表情分类的识别率达到93．33％,对疼痛与安静表情的分类识别率为94．17％,对疼痛与哭表情的分类识别率为83．13％,初步具备了在新生儿疼痛评估中的潜在应用价值。     

一种基于区域分割和相关反馈的图像检索方法

提出了一种综合利用区域分割和相关反馈两者优点的图像检索算法。用区域分割有效获取图像底层特征,以支持向量机（SVM）分类器构成非对称包支持向量机（AB—SVM）多分类器组合,从而解决相关反馈中样本不足的问题。实验结果表明,文中方法提高了初次检索和相关反馈的性能。