基于混沌理论和支持向量机的人脸识别方法

针对如何选定主成分分析(PCA)特征维数和如何选定支持向量机(SVM)的参数来进一步提高人脸识别系统性能的问题,提出了一种基于混沌理论和支持向量机的人脸识别方法.首先,在统一的目标函数下,在采用PCA方法对人脸图像进行降维和将得到的特征送入SVM中进行训练期间,使用具有可操作性的改进混沌优化算法同时对PCA图像特征维数和分类器参数进行优化选择,然后用得到的优化人脸特征和最佳参数的分类器对未知图像进行识别.基于该方法,对ORL和Yale人脸库进行实验,其识别率都高达99%以上,仿真结果表明,该方法极大地提高了人脸识别能力.     

基于Adaboost算法选取和组合SVM的行人检测算法

行人检测是计算机视觉中一个重要的研究方向,为了提高行人的识别精度,将支持向量机(Sup-port Vector Machine,SVM)和Adaboost算法结合起来,SVM是基于结构风险最小化准则的新型机器学习算法,适合小样本学习并且能够有效地抑制过拟合问题,Adaboost基于最小化训练错误率,一般使用易训练的分类器作为弱分类器.由于SVM比较难训练,因此将样本集划分形成多个训练集,然后利用正样本和不同的负样本组成不同训练集反复训练,最后通过Adaboost对训练集生成的SVM模型筛选出具有最小错误率的SVM分类器并且采用投票机制形成最终的强分类器.实验结果表明,在FPPW(false positive per window)为10-5时检测率能够达到30%,检测效果优于单个SVM算法训练出来的分类器模型,用行人测试库测试,该方法取得了较好的检测效果并且具有较强的鲁棒性.     

基于Gabor脸和隐马尔可夫模型的人像识别算法

提出了基于Gabor小波变换和隐马尔可夫模型的人像识别算法。该算法先对人脸图像进行多分辨率的Gabor小波变换,采用主元分析法对每个结点进行降维,最后形成Gabor脸。把Gabor脸的每个特征结作为观测向量,对隐马尔可夫模型进行了训练,并把优化的模型参数用于人脸识别。实验结果表明,本文方法识别率高,复杂度较低,对部分遮挡的图像具有较大的容忍度。     

隐马尔科夫模型的改进及其在金融预测中的应用

隐马尔科夫模型(Hidden Markov Model)在诸多领域都有广泛应用.本文从不同角度对现有的HMM进行改进并应用于金融预测.首先,我们采取固定K-means方法的初始点,使得K-means的聚类结果更加稳定,由此为Baum-Welch算法确定更好的初始迭代值.其次,为更进一步提升预测效果,与已有方法不同,我们将由BaumWelch算法所得到的模型参数值作为Vertibi算法的输入来确定隐状态的最优取值序列,由此重新划分观测向量,进而得到各个隐状态对应的观测向量的集合;基于Vertibi算法的输出结果,我们重新计算不同类观测向量的均值与方差,将新的均值向量和协方差矩阵作为Baum-Welch算法初始迭代值,最终确定HMM最优的模型参数.最后,代替现有方法仅在历史区间中简单寻求相似走势的做法,我们不仅导出了预测值发生的多步条件概率的精细表达式,而且通过极大化该条件概率的值来得到更佳的预测值.基于中国证券市场具体数据的实证结果表明了本文所提出改进HMM的优越性.     

基于SMOTE-SVM的多准则库存分类北大核心

为了对不平衡的库存物料进行精准化的分类,提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化,建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理,得到平衡的物料训练集,并结合SVM将库存物料分为四类。以D公司库存物料数据为例,采用多种算法进行分类对比,引入网格搜索法确定最优参数,留一法交叉验证得到算法分类精度,所提算法总分类准确率达到了97.81%,四类物料分类准确率均在90%以上。     

基于支持向量机的印品缺陷分类方法

目的研究印品图像的各类形状缺陷,建立基于支持向量机(Support vector machine,SVM)的印品形状缺陷分类模型。方法对印品进行符合人眼视觉特性的缺陷识别,并对提取缺陷进行特征分析。将特征数据导入支持向量机进行训练学习,SVM分类器对缺陷图像进行测试。结果分类器对点缺陷和面缺陷的识别率为100%,对线缺陷的分类准确率达93.94%。结论基于SVM的缺陷分类方法能较好地满足印品质量检测的需求。     

基于SMOTE-SVM的多准则库存分类

为了对不平衡的库存物料进行精准化的分类,提出了基于合成少数类过采样技术-支持向量机算法(SMOTE-SVM)的多准则库存分类模型。在Kraljic模型的基础上进行细化,建立了多准则库存分类指标体系。通过改进SMOTE对多分类不平衡物料数据集进行预处理,得到平衡的物料训练集,并结合SVM将库存物料分为四类。以D公司库存物料数据为例,采用多种算法进行分类对比,引入网格搜索法确定最优参数,留一法交叉验证得到算法分类精度,所提算法总分类准确率达到了97.81%,四类物料分类准确率均在90%以上。     

基于DT-CWT和SVM的纹理分类算法

提出了一种基于双树复数小波变换(DT-CWT)和支持向量机(SVM)的纹理分类算法.双树复数小波变换不仅具有实数小波的诸多优点,而且还具有近似平移不变性、良好的方向选择性和低冗余度,并且能对图像进行完全重构,能够更好地刻画纹理的特性;支持向量机算法是近年发展起来的性能优越的分类算法,比传统分类器有很大的优越性:避免了局部最优解和"维数灾"问题,其最优分类超平面的思想能够提高分类准确度.该方法用双树复数小波对纹理图像进行滤波并在各方向子带上进行重构,再计算其局部能量函数得到每个像素的特征向量,最后利用支持向量机算法实现对纹理图像像素的分类.将本方法与其它的分类算法进行比较,实验结果表明,提出的算法能有效地提高正确分类率.     

基于SVM-DS证据理论融合决策的故障诊断方法

针对复杂工况下单传感器对于装备故障诊断识别率低、证据缺乏、数据冗余等问题，提出一种基于支持向量机(Support Vector Machine,SVM)结合D-S证据理论的多维度特征数据融合决策故障诊断方法。首先，通过多种方法提取特征构建SVM分类器，对故障类型进行初步分类；然后，将Sigmoid函数作为传递函数，利用SVM分类器对测试数据进行分类，获取测试样本的后验概率并得到测试样本的混淆矩阵；最后，根据混淆矩阵求出局部可信度与全局可信度，并与后验概率相结合实现基本概率分配函数赋值，通过融合计算得到最终诊断结果。实验结果表明，融合后的分类器模型对内圈故障类型分类准确率达100%，对正常和滚珠类型分类准确率为95%，对外圈故障分类准确率为90%。采取多特征融合诊断相较于单一方法有较高准确率和鲁棒性，可有效降低单一特征提取所带来的不稳定性。     

支持向量机在电机转子故障诊断识别中的应用

提出了一种基于支持向量机的鼠笼式电机转子断条故障检测方法,通过对电机转子断条故障进行实验模拟,获取了采样信号,利用支持向量机(SVM)对故障样本进行训练,使得支持向量机(SVM)具有分类功能.最后,采用支持向量机(SVM)对电动机各种转子断条故障进行诊断分类,取得较满意的结果.