支持向量机无损测量组织光学参数的研究

本文研究了新近发展的支持向量机(Support Vector Machine,SVM)算法用于无损确定组织光学参数的特性和规律。利用蒙特卡洛模拟的样本数据系统研究了训练集样本数量对SVM预测精度的影响,在训练样本数为15的条件下,对μs',μa预测误差仅为1%、5%。实验研究了基于CCD测量的漫反射光和SVM算法确定组织模拟液光学参数的可靠性与精度。结果表明,支持向量机能够实现对光学参数的准确测量,结合CCD技术可应用于实际确定生物组织光学参数。     

基于LS-SVM的辐射源分类

文中主要研究了基于LS-SVM（最小二乘支持向量机）算法的MSK辐射源分类。结合MSK信号特点,利用交叉验证和网格搜索法确定参数,设计了三种编码方案的多类分类器。计算机仿真结果表明：该分类器的识别率达到95％以上,从而验证了该辐射源分类器的有效性和可行性。     

基于回归LS-SVM的房地产估价方法

本文对典型的房地产估价算法进行分析,研究回归SVM模型对房地产价格进行学习的实现过程,并提出一种基于回归LS-SVM(最小二乘支持向量机)的房地产估价算法。     

基于LS-SVM的授信风险预测方法研究

授信风险的预测一直是商业银行在授信业务上关注的要点。为了预测单一客户授信风险,将最小二乘支持向量机(LS-SVM)引入到授信风险预测领域,构建了一个信贷风险模型。此模型能根据授信客户账户金融交易特点,预测授信客户还款能力强弱。实验表明此模型能有效工作。同时,文章还考察了模型参数选取对于预测正确率的影响。     

基于LS-SVM的天线指向模型研究

提出了一种新的基于最小二乘支持向量机的天线指向模型(LSSVM-PM).不同于线性指向模型(Linear-PM)对天线指向偏差的分项进行代数相加,LSSVM-PM是对影响天线指向的因素进行考察,将因素变量作为支持向量机的输入,指向偏差作为输出,模型的求解是将原空间非线性地映射到一个高维的特征空间,然后在此空间中引入最小二乘法进行优化求解.因此,LSSVM-PM模型可解决天线指向偏差的非线性问题,同时将影响指向的外部因素考虑周全.实验数据模拟结果表明,该模型与线性模型相比,指向预测精度提高了17.36%,能更有效地提高天线的指向精度.最后,对LSSVM-PM模型的参数选择、学习样本数量及分布对模型精度的影响进行了分析.     

生物组织光学特性参量的图像测量研究

为了测量生物组织的光学特性参量,采用CCD漫反射法和透射法,通过分析CCD摄取的待测样品表面的漫反射光分布图像,利用漫射近似理论,实现了漫反射法对生物组织模拟液(intralipid-20%稀释液)、牛肌肉、猪肌肉和鸡胸肉光学特性参量的测量,获得了样品的吸收系数和有效散射系数;测量了不同浓度生物组织模拟液的透射光强度,根据Beer-Lambert定律,实现了透射法对光学特性参量的测量,获得了样品的散射系数,进而得到了有效散射系数;并将漫反射法和透射法对同种样品光学特性参量的测量结果以及他人的测量结果进行了比较。结果表明,漫反射法和透射法的测量结果有很好的吻合性,测量生物组织光学特性参量采用的CCD测量装置和处理方法具有较高的精度。     

基于小波系数和LS-SVM的图像去噪

提出一种基于小波系数和最小二乘支持向量机(LS-SVM)的图像去噪方法.根据小波系数的性质,依据邻域小波系数的平均值来选取特征向量来进行训练,然后用训练得到的LS-SVM分类器将含噪图像中的像素分为噪声或非噪声点,进行去噪处理.实验结果表明该方法能达到较高的峰值信噪比,具有很好的去噪效果.     

基于LS-SVM的宽带接收前端非线性补偿算法

针对目前常用的基于参数化非线性模型（Parameterized Nonlinear Model,PNM）的补偿算法存在易陷入局部最小值,导致补偿性能不稳的问题,该文提出了基于最小二乘支持向量机（Least Squares Support Vector Machine,LS-SVM）的宽带接收前端非线性补偿算法.该算法基于减谱-时频变换法（Spectrum Reduction Algorithm based on Time-Frequency Conversion,SRA-TFC）盲分离接收前端输出信号中的大功率基波信号和其他小功率信号,并以此作为LS-SVM逆模型的训练输入-输出样本对.引入最小二乘支持向量回归（Least Squares Support Vector Regression,LS-SVR）算法高精度拟合接收前端非线性逆模型.通过以宽带接收前端的输出信号为测试样本消除其非线性失真分量.仿真与实测结果表明：该算法可使宽带接收前端的无杂散失真动态范围（Spurs-Free-Dynamic-Range,SFDR）提高约20 dB,较基于PNM的补偿算法提高了约5 dB.     

基于LLE和LS-SVM的人脸识别方法

为了提高人脸识别的速度,提出了一种基于局部线性嵌套(LLE)和最小二乘支持向量机(LS-SVM)的人脸识别方法.该方法采用主成分分析(PCA)和LLE相结合的算法,对归一化处理过的人脸图像进行特征提取,利用LS-SVM对人脸图像样本集进行训练和识别,以提高识别的速度.最后将本文方法在ORL人脸数据库上进行试验,结果表明,人脸识别的速度有了一定的提高,识别率达到了90%以上.     

基于NMF和LS-SVM的肖像漫画生成算法研究

提出一种基于非负矩阵分解(NMF)和最小二乘支持向量机(LS-SVM)的肖像漫画生成算法.在训练阶段,利用非负矩阵分解来对夸张特征空间数据降维,运用最小二乘支持向量机(LS-SVM)统计学习夸张漫画与人脸之间的关系,建立形状夸张模型.在应用阶段,利用AAM算法提取人脸特征点,形状夸张模型计算出相应的漫画特征点数据,经过图像变形和风格化即可得到最终的肖像漫画.算法实验表明,该算法可以合理地夸张主要特征并避免过度变形.     

基于最小二乘支持向量机的电子音乐识别研究

为了提高电子音乐识别精度,更快从海量电子音乐中找到用户真正需要的电子音乐,提出基于最小二乘支持向量机的电子音乐识别模型。首先收集电子音乐的数据,并采用小波分析对电子音乐数据进行去噪处理,然后提取电子音乐的特征,并对特征进行归一化处理,最后采用最小二乘支持向量机对处理后的电子音乐数据进行训练,建立电子音乐识别模型。采用具体电子音乐数据对模型的有效性进行验证,结果表明,与传统电子音乐识别模型相比,支持向量机对噪声数据具有良好的鲁棒性,可以有效识别各种类型的电子音乐,而且电子音乐的识别速度更优。     

基于加权最小二乘支持向量机的欠定盲源分离

为了进一步提高欠定盲源分离算法中混合矩阵估计方法的性能,提出了一种基于加权最小二乘支持向量机（SVM）的欠定盲源分离混合矩阵估计方法。该方法利用信号的方向角度特征估计出有效信源信号个数,然后采用加权最小二乘支持向量机方法获得初始权值,每次将其中一个权值对应的样本点作为测试样本,其余点作为训练样本,依次对样本的误差变量进行更新,再根据权值计算公式实现所有权值的更新,进而确定最优分类平面,实现对观测信号的最优分类,最终估计出混合矩阵。实验结果表明,新算法是有效的,其平均误差是基于K-均值方法误差的0.2倍左右,是基于SVM算法平均误差的0.5倍左右。     

K近邻和最小二乘支持向量机相融合的人脸识别

为了获得更加理想的人脸识别结果,提高人脸识别正确率,提出一种K近邻和最小二乘支持向量机相融合的人脸识别方法(KNN-LSSVM)。首先采集人脸图像,提取人脸图像特征,并采用KNN删除特征向量中的重复特征,得到人脸图像的特征向量;然后将特征向量输入到最小二乘支持向量机训练,建立相应的人脸分类器;最后采用ORL人脸数据库和Yale人脸库进行仿真实验。仿真结果表明,KNN-LSSVM提高了人脸识别的正确率和识别效率,且具有较强的鲁棒性。     

蝙蝠算法优化最二乘支持向量机的网络入侵检测

针对最小二支持向量机(LSSVM)参数选择难题,提出一种蝙蝠(BA)算法优化的LSSVM网络入侵检测模型(BA-LSSVM)。首先将LSSVM参数编码为蝙蝠个体,并以网络入侵检测正确率作为参数目标优化函数,然后通过模拟蝙蝠飞行过程找到LSSVM最优参数,最后根据最优参数建立网络入侵检测模型。在Matlab2012平台采用KDD CUP 99数据集进行仿真测试。仿真结果表明,相对于其它网络入侵检测模型,BA-LSSVM提高了网络入侵检测检测率,加快了网络入侵检测速度。     

基于在线最小二乘支持向量机的变形镜建模与控制

为消除变形镜的建模误差,提出了基于在线最小二乘支持向量机的变形镜建模方法。首先,分析了温度和驱动器非线性等因素对变形镜响应矩阵的影响;然后,介绍了最小二乘支持向量机及在线更新的原理,并将其引入97单元变形镜的集成仿真模型。根据变形镜不断更新的运行数据,最小二乘支持向量机进行在线训练和模型更新,构建当前状态变形镜的等效模型,并输出下一时刻的电压预报值。仿真结果表明:基于在线最小二乘支持向量机的变形镜建模方法摆脱了固定模型的约束,具有自适应更新的特点,稳健性好,控制电压预测精度高,有利于提高自适应光学系统的控制精度。     

小波包和最小二乘支持向量机的电能质量扰动识别

为了提高电能质量扰动识别的准确性,针对当前电能质量扰动识别存在精度低、误差大等难题,提出小波包和最小二乘支持向量机的电能质量扰动识别模型(WP-LSSVM)。首先对当前电能质量扰动识别研究现状进行分析,并采用小波包提取电能质量扰动特征向量;然后采用最小二乘支持向量机建立电能质量扰动识别的分类器;最后通过电能质量扰动识别仿真实验验证其有效性。结果表明,WP-LSSVM可以很好地区别电能质量扰动类别,提高了电能质量扰动识别正确率,而且误识率要远远低于其他电能质量扰动识别模型,具有十分显著的优越性。     

人工鱼群优化最小二乘支持向量机的视频字幕定位

征选择是视频字幕定位的关键,为了提高视频字幕定位正确率,提出一种人工鱼群算法(AFSA)和最小二乘支持向量机(LSSVM)相融合的视频字幕定位模型(AFSA-LSSVM)。首先提取视频字幕特征,然后通过模拟鱼群的觅食、聚群及追尾行为找到最优视频字幕特征子集,最后采用LSSVM建立最优视频字幕定位模型,并进行仿真对比实验。结果表明,相对其它视频字幕定位模型,AFSA-LSSVM提高了视频字幕定位正确率和效率,可为后续视频内容的安全分析提供技术支持.     

基于最小二乘支持向量机的移动机器人导航

针对未知环境下的移动机器人导航,提出将最小二乘支持向量机与强化学习相结合的导航方法。首先以移动机器人CASIA-I和它的工作环境为实验平台,确定出强化学习的回报函数;然后利用基于滚动窗的最小支持向量机解决强化学习中的泛化问题。最后对所提方法进行了实验,实验结果表明所提方法能够避免导航陷入局部极小,并对未知环境具有较强的适应性。     

NRS和PSO算法优化最小二乘支持向量机的短期电力负荷预测

针对依赖经验选取影响短期电力负荷相关因素的不准确性以及最小二乘支持向量机(LS-SVM)模型中参数难以确定的问题,建立结合邻域粗糙集(NRS)理论和粒子群优化(PSO)算法的最小二乘支持向量机短期电力负荷预测模型。为了从经验选择的属性中挖掘出与负荷密切相关的因素,避免选取过多属性而加长训练时间以及冗余属性对预测精度的影响,采用邻域粗糙集理论对属性进行约简,使其结果作为LS-SVM法对模型参数进行寻优,避免依赖经验选择的参数对模型的影响。最后用上述方法对某地区负荷进行预测分析,仿真结果表明上述方法能有效提高负荷预测精度。     

基于最小二乘支持向量机的线性特征地物亚像元定位(英文)

BP神经网络已被证明能有效实现遥感图像的亚像元定位,但其训练时间较长,容易陷入局部最优且依赖于大量的训练样本。而在实际应用中,训练样本即先验信息较难获取。然而,建筑物及道路等地物具有规则的线性空间分布。针对这些线性特征地物,研究了一种训练样本的几何合成方法,消除对先验信息的依赖,并提出利用最小二乘支持向量机实现亚像元定位。实验表明,这种结合合成训练样本与最小二乘支持向量机的亚像元定位方法是合理可行的,且与BP神经网络实现方法相比,训练过程明显加快,定位精度更高。