用核学习算法的意识任务特征提取与分类

介绍了核学习算法中核主分量分析(KPCA)和支持向量机(SVM)的基本原理,给出一种推广误差上界估计判据,实现了SVM核参数及惩罚因子的优化选取.根据多变量自回归模型理论对4个受试对象、三种不同意识任务的脑电信号进行特征提取,并利用KPCA方法进行降维预处理,对SVM进行训练和分类测试.结果表明,KPCA算法在高维特征空间具有较强的特征选择能力,优化核参数的SVM的分类正确率明显高于径向基函数网络,三种意识任务的平均分类正确率达78.6％.     

基于图像处理技术与支持向量机的鱼龄识别

采用图像处理技术,提出了一种基于核主成分分析(KPCA)与支持向量机(SVM)的鱼年龄自动识别新方法。首先通过KPCA提取鱼的耳石图像的主元,然后用SVM对鱼的年龄进行学习、识别和预测。实验表明,该方法取得了较好的效果。     

基于改进KPCA与SVM的题名分类研究

为了进一步提高期刊论文题名信息分类查准率和查全率,提出一种基于改进KPCA与SVM的知网题名信息分类算法。基于中国知网数据库选取《中文核心期刊要目总览》(2014年版)2017年度31种计算机学科(TP)期刊收录的13 401篇论文题名作为实验语料库,采用改进KPCA算法对数据进行降维和特征提取,将提取的特征数据库作为SVM的输入进行训练和分类。实验结果表明,该方法较以往分类算法能够进一步提高期刊论文题名的分类效果。     

冲击噪声背景下基于KPCA和C-SVM的频谱检测算法

针对背景噪声是冲击噪声,且在低信噪比中,二级用户检测性能低的问题,提出了核主成分分析(Kernel PrincipalComponent Analysis,KPCA)和C-支持向量机(Support Vector Machine,SVM)的频谱检测方法.提取接收信号的循环谱特征,核主成分分析对信号特征进行降维,提取出信号的主要非线性特征,再结合C-SVM对接收信号进行分类.仿真结果表明,在冲击噪声背景下,低信噪比中,与PCA-SVM、SVM算法进行比较,所提算法能够提高次级用户的检测性能.     

用于车牌字符识别的SVM算法

支持向量机(SVM)是20世纪90年代初由Vapnik等人提出的一类新型机器学习方法，此方法能够在训练样本很少的情况下达到很好的分类推广能力。本文应用SVM算法时车牌中的汉字字符进行识别，无字符特征提取提高了识别速度，并且可得到较高的识别率。实验讨论了SVM算法用于字符识别时，不同的核函数时识别率的影响。实验结果表明，用SVM算法进行车牌字符识别具有较高的识别率。     

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%。     

基于支持向量机的嵌入拒识代价的手写字符识别研究

支持向量机(SVM-Support Vector Machine)是在统计学习理论基础上发展起来的一种新的机器学习方法.传统的SVM是基于两类问题的,而实际需要解决的一般是多类问题.因此,将SVM应用于多类问题对挖掘SVM的应用潜力将具有非常重要的意义.此研究针对SVM在手写字符中的作用所提出的拒识代价和误分类代价是一...     

基于L1-BRD的视频图像车牌识别

针对实时视频的车牌识别系统应用,利用车牌的边缘特征和形态学操作对车牌进行粗定位,通过支持向量机(SVM)结合方向梯度直方图特征(HOG)方法对粗定位车牌进行鉴别真伪.在对字符进行分割后,取连续多帧车牌,对字符特征利用L1-BRD(L1-norm Bin Ratio-Based Histogram Distance)自适应计算融合权重,使L1-BRD能够从图像间特征相似度评估扩展到实时视频中.把L1-BRD用于车牌字符识别,可以降低单帧图像中噪声及字符分割误差产生的影响,有助于后期基于多帧加权直方图特征进行字符识别,提高车牌字符识别的准确性和稳定性,并保证了实时性.     

基于SVM的车牌字符分割和识别方法

文章研究了车牌识别系统中的字符分割和识别技术.提出一种投影法粗分割结合先验知识后处理的字符分割方法,该方法简单、容易实现,取得了很好的分割效果.对于字符识别,本文采用SVM(Support Vector Ma-chine)方法,并根据车牌字符特征将子分类器分为四组,提高了识别率、缩短了训练时间,实验表明,用该方法识别车牌字符具有较高的识别率和识别速度,并避免了神经网络局部极值等问题.     

基于机器视觉的分级车牌字符识别方法

为提高车牌字符识别率,提出一种考虑整体和局部特征,分别采用两级SVM分类器的识别方法,其工作模式为:第一级分类器针对所有字符,在识别结果属于形似字符的情况下,送入对应的第二级分类器作进一步识别。第一级分类器提取字符图像整体的各网格比例作为SVM的分类特征。将形似字符分为5组,分别对应的5个SVM构成第二级分类器。通过分析各组内字符笔画特征的局部相异性,提取相应网格中字符轮廓的垂直、水平投影方差、比例等特征并进行特征融合作为相应SVM分类特征。实验结果表明,该方法字符平均识别时间为23.45 ms,且在形似字符的识别率和总体识别率方面均优于模板匹配、神经网络和同类的分级识别方法,是一种有效的方法。     

基于核主元分析和Fisher线性判别的掌纹识别

提出了基于核主元分析(KPCA)和FLD相结合的掌纹识别方法.对每幅掌纹图像应用KPCA进行降维,然后将二维图像矩阵转换成一维图像矢量.PolyU掌纹图像库中所有图像矢量组成的数据矩阵作为FLD的输入,进行特征提取,计算特征矢量间的余弦距离进行掌纹匹配.实验结果说明,与传统的PCA+FLD相比,在不同的特征个数下,本文方法均取得了较小的等错率(EER),而且特征提取时间较短,运行速度较快.在三种不同的核函数中,RBF核函数的识别效果最佳,等错率最小为0.     

A non-parameter bayesian classifier for face recognition

A non-parameter Bayesian classifier based on Kernel Density Estimation (KDE) is presented for face recognition, which can be regarded as a weighted Nearest Neighbor (NN) classifier in formation. The class conditional density is estimated by KDE and the bandwidth of the kernel function is estimated by Expectation Maximum (EM) algorithm. Two subspace analysis methods-linear Principal Component Analysis (PCA) and Kernel-based PCA (KPCA) are respectively used to extract features, and the proposed method is compared with Probabilistic Reasoning Models (PRM), Nearest Center (NC) and NN classifiers which are widely used in face recognition systems. The experiments are performed on two benchmarks an.el the experimental results show that the KDE outperforms PRM, NC and NN classifiers.     

基于SVM的多特征手写体汉字识别技术

针对传统的模板匹配法对汉字的识别率较低,文中提出一种基于SVM的多特征手写体汉字识别技术。在提取网格特征的基础上增加对汉字质心特征、笔划特征、特征点的提取,并采用SVM算法构造分类器,实现对手写体汉字的识别。实验结果表明,该方法的平均识别率为95.9%,高于传统的模板匹配法。     

基于Contourlet域ICA和SVM的图像融合

提出了一种基于Contourlet域独立分量分析(ICA)和支持向量机(SVM)的图像融合方法。首先对源图像进行Contourlet变换,再提取其高频系数的独立分量特征,并通过粒子群优化的SVM实现分类,最后进行图像重构得到融合结果。给出了实验结果,采用均方差(MSE)、信噪比(SNR)、信息熵(H)、空间频率(SF)、清晰度(CL)和相关系数(CR)等评价指标对融合效果进行了定量评价,并与加权平均法、基于Contourlet变换或基于ICA的图像融合方法进行了比较。结果表明,所提出的方法能取得更优越的融合效果。     

基于边缘增强MSER的模糊检务文本检测

为了可以从模糊检务图像中高效、准确地提取文字信息,本文提出了基于边缘增强的最大稳定极值区域(maximally stable extremal regions, MSER)算法和免疫遗传(immunogenetic algorithm, IGA)优化支持向量机(support vector machine, SVM)的多特征自适应权重融合相结合的方法来提取模糊检务图像中的文本。利用边缘增强的MSER算法对图像文本进行检测,将所检测出的MSER进行合并得到文字候选区域;为了滤除候选区域中的非文本区域,采用特征融合公式对图像的3种特征进行融合,然后采用IGA优化SVM分类器寻找最优参数,最后将候选区域送入训练好的分类器滤除非文本。实验结果表明,相较于其他算法,本文算法有更高的真阳率与更低的假阳率,针对模糊检务图像文字提取具有更高的准确性。     

Combining feature scaling estimation with SVM classifier design using GA approach

This letter adopts a GA （Genetic Algorithm） approach to assist in learning scaling of features that are most favorable to SVM （Support Vector Machines） classifier, which is named as GA-SVM. The relevant coefficients of various features to the classification task, measured by real-valued scaling, are estimated efficiently by using GA. And GA exploits heavy-bias operator to promote sparsity in the scaling of features. There are many potential benefits of this method： Feature selection is performed by eliminating irrelevant features whose scaling is zero, an SVM classifier that has enhanced generalization ability can be learned simultaneously. Experimental comparisons using original SVM and GA-SVM demonstrate both economical feature selection and excellent classification accuracy on junk e-mail recognition problem and Internet ad recognition problem. The experimental results show that comparing with original SVM classifier, the number of support vector decreases significantly and better classification results are achieved based on GA-SVM. It also demonstrates that GA can provide a simple, general, and powerful framework for tuning parameters in optimal problem, which directly improves the recognition performance and recognition rate of SVM.     

基于KPCA准则的SAR目标特征提取与识别

该文给出了一种基于 KPCA(Kernel Principal Component Analysis)和 SVM(SupportVector Machine)的合成孔径雷达(Synthetic Aperture Radar,SAR)目标特征提取与识别方法。该方法在非线性空间内利用线性 PCA(Principal Component Analysis)准则提取目标特征并由 SVM分类器完成目标识别。基于美国国防高级研究计划署(Defense Advanced Research Project Agency,DARPA)和空军研究室(Air Force Research Laboratory,AFRL)提供的实测 SAR地面目标数据的实验结果表明,该文方法不但能够提高识别率,具有良好的推广能力,同时还降低了对方位估计精度的要求,是一种有效的 SAR目标特征提取与识别方法。