用于说话人识别支持向量机模型的核函数选择

支持向量机(SVM)已广泛地应用于文本无关的说话人辨认系统,不同的核函数影响识别性能。基于此,在TIMIT语料库上对线性核、多项式核以及径向基核进行了对比实验。实验表明多项式核在多项式次数等于6的情况下具有最佳的识别性能,其识别率可以达到82.88%。     

基于测度学习支持向量机的钢琴乐谱难度等级识别

现有钢琴乐谱难度分类主要由人工方式完成,效率不高,而自动识别乐谱难度等级的算法对类别的拟合度较低。因此,与传统将乐谱难度等级识别归结为回归问题不同,本文直接将其建模为基于支持向量机的分类问题。并结合钢琴乐谱分类主观性强、特征之间普遍存在相关性等特点,利用测度学习理论有难度等级标签乐谱的先验知识,依据特征对难度区分的贡献度,改进高斯径向基核函数,从而提出一种测度学习支持向量机分类算法——ML-SVM算法。在9类和4类难度两个乐谱数据集上,我们将ML-SVM算法与逻辑回归,基于线性核函数、多项式核函数、高斯径向基核函数的支持向量机算法以及结合主成分分析的各个支持向量机算法进行了对比,实验结果表明我们提出算法的识别正确率优于现有算法,分别为68.74%和84.67%。所提算法有效提高了基于高斯径向基核函数支持向量机算法在本应用问题中的分类性能。     

表情识别中支持向量机核函数选取研究

支持向量机表情识别的准确率和时间消耗取决于核函数选取和特征数目。该文讨论了支持向量机的表情分类和核函数的实验方法,并进一步探讨了核和特征数目与识别准确率和时间消耗的关系。基于JAFFE数据库和LibSVM2.86的实验表明,随着特征数目的增加,训练时间呈指数增长,交叉验证准确率先增加后降低,表现为某种单峰分布。同时表明,线性核时间消耗最小,径向基核在特征数目较小时,具有最好的识别率,而在特征数目较大时,线性核最优。综合时间和识别率考虑,在低维时,优先选用径向基核,高维优先选用线性核。     

基于多种核函数的SVM在垃圾邮件过滤中的应用

采用TF-IDF和Bernoulli两种模型构造邮件向量,首先详细测试了CHI降维策略对线性支持向量机进行邮件分类的影响。将基于核函数的支持向量机引入到垃圾邮件过滤中,对基于线性核、多项式核和径向基核的支持向量机在邮件分类中的准确率和训练时间进行了比较,分析了训练样本不平衡对分类的影响,并从理论上对实验结果进行了分析,实验结果证明基于径向基核函数的SVM分类器对垃圾邮件有较好的过滤效果。     

基于二次特征选择和支持向量机的面部表情识别

提出了一种旨在减少支持向量机的训练量和提高特征有效性的表情识别算法。使用排序PCA LDA得到最优表情向量;使用模糊核聚类进行有效数据集约简,构建二叉决策树训练支持向量机。在JAFFE数据库上的识别结果优于其它几种算法,在保证识别率的同时缩短了训练时间。     

基于支持向量机的学习资源推送方案

文章将支持向量机用于学习资源的个性化推送。通过引入知识点的概念与形式化描述,建立起测试试题与学习资源的联系,并形成特征向量。采用线性核函数、多项式核函数和径向基核函数分别构建不同的支持向量机,进行了实验与数据分析。结果表明,支持向量机技术能较好的支持学习资源的个性化推送,具有响应速度快,正确率高,训练样本小等优点。     

基于SVM的语音关键词确认方法研究

对支持向量机理论进行了简要分析,并将支持向量机引入汉语语音关键词识别系统中,根据关键词置信度将关键词假想命中分为接受和拒识两类,从而提高系统正确识别率。针对线性支持向量机、不同核函数下的非线性支持向量机以及核函数为径向基函数时支持向量机的性能做了一些相关实验。实验结果显示,支持向量机是一种相当有效的关键词确认方法。     

加工番茄早疫病高光谱遥感识别研究

为了快速监测加工番茄早疫病发病率和加工番茄的产量和质量,防止病虫害的扩大,该文基于高光谱遥感数据和田间早疫病调查数据,以新疆天山北坡典型加工番茄种植区为研究区,分析加工番茄早疫病的病叶光谱响应特征,寻找早疫病的敏感波段,再利用遗传算法优化支持向量机的惩罚参数c和核函数参数g,对不同病害严重度的病叶进行识别。结果表明:不同病害严重度加工番茄早疫病病叶的敏感波段为628nm~643nm和689nm~692nm;遗传优化算法得出支持向量机最佳惩罚参数c为0.129,核函数参数g为3.479;分别利用多项式核、径向基核函数、Sigmoid核进行分类训练和测试,最佳分类模型为径向基核函数模型,训练准确率为84.615%,预测准确率为80.681%,高于默认参数c和g的支持向量机模型。说明通过遗传算法优化支持向量机的识别方法具有更高的精度,支持向量机为多波段协同识别病害严重度提供了新的思路。     

基于模糊聚类的LLE和SVM的人脸识别

针对传统的局部线性嵌入算法易受近邻点个数的影响,以及支持向量机的错分点过多对识别率产生的影响,提出了一种基于模糊聚类的局部线性嵌入和支持向量机的人脸识别方法。利用改进的算法对人脸库中的图像进行特征提取,然后采用支持向量机分类器对人脸进行训练和识别。实验表明,该方法提高了人脸的识别率。     

基于KPCA组合核函数SVM的网络危险因素识别

本文在传统的支持向量机（SVM）分类算法中采用核主成分分析（KPCA）对网络数据进行特征抽取,将高维输入特征转化为新的低维特征;并对SVM的核函数进行改进,采用多项式核函数和径向基核函数混合的组合核函数,具有良好的学习能力和外推能力。最后在KDDCUP1999数据集上进行实验,证明了本文方法能够有效的减少学习样本数及训练时间,在网络危险因素识别中具有更高的检测率和更强的泛化能力。     

目标识别的线性规划方法研究

支持向量机采用二次规划提取支持向量,计算量大,所需内存大,速度慢,在识别应用上影响识别速度.因此从另外的角度出发,利用空间转化,将原样本空间转化为另一便于识别的空间,在另一空间中运用线性规划进行样本的拟支持向量的提取,再用拟支持向量对应的判决向量进行识别.实验表明算法适合大样本识别,可进行飞机目标识别,而且精度很高.与支持向量机相比,拟支持向量需要的内存少,识别时间相对短,识别精度高等优点.     

融合无监督和监督学习策略生成的多分类决策树

提出了一种融合无监督和监督两种学习策略生成多分类决策树的方法．它首先利用无监督聚类方法能够发现待分类样本之问的内在联系和规律的特点，确定出最为符合多类样本分布特征的决策树的树型，继而利用监督学习支持向量机的方法对样本进行准确的分类，通过采用核函数和不对称的Lagrangian系数限制条件，支持向量机很好的解决了样本特征空间上的线性不可分性和决策树型确定过程中出现的训练样本不对称性的影响、该方法具有较高的计算效率和准确性，在实验申取得了比较好的结果．     

基于智能手机传感器的基础行为识别方法研究

为提高人类行为识别准确性的同时降低实现过程的复杂程度,提出基于智能手机加速度传感器与陀螺仪数据对六种日常基础行为进行识别的方法。在分析传感器框架的基础上,对加速度传感器进行数据采集并对原始数据进行数据预处理,然后采用主成分分析方法结合已有知识对数据统计特征进行降低维数处理,再利用机器学习算法实现对行为特征的分类与识别,目的是简化基础行为的识别过程并提高数据的利用率。实验测试结果验证了决策树与支持向量机分类器结合使用的有效性,识别准确率可接近97%。     

一种改进的模糊支持向量机的人脸识别方法

文中在样本区域性分析的基础上，将模糊支持向量机(Fuzzy Support Vector Machine，FSVM)、三叉决策树以及最近邻分类相结合并应用于人脸识别。在ORL人脸库上的实验结果表明，用该分类器算法进行人脸识别比单独使用模糊支持向量机具有更快的速度和更高的精度。     

基于特征属性信息熵的网络异常流量检测方法

针对网络异常流量检测问题,文章提出一种基于网络流量特征属性信息熵的异常流量检测方法.该方法首先计算描述网络流量特征变化的源端口号、目的端口号、源IP地址和目的IP地址这4种特征属性信息熵,并进行归一化处理,降低异常样本数据对分类性能的影响;然后利用自适应遗传算法对支持向量机分类器的惩罚参数和核函数参数进行优化,提高分类...     

基于混淆交叉支撑向量机树的自动面部表情分类方法

面部表情自动分类是情感信息处理研究中的重要内容,为了提高表情识别的准确率以及鲁棒性,提出了一种基于混淆交叉支撑向量机树的面部表情自动分类方法。该方法依据伪Zernike矩特征,以混淆交叉支撑向量机树对矩特征进行学习,实现面部表情的自动分类。混淆交叉支撑向量机树的结构使模型能够根据教师信号将面部表情识别问题分解,在不同的层次上以相对较低的复杂度解决子问题;在训练阶段,对当前中间节点划分的两个子样本集进行混淆交叉,增强了模型在面部表情识别上的整体泛化性能以及鲁棒性。实验对Cohn-Kanade面部表情数据库中的6类基本表情进行自动分类,准确率达到96.31%;与同样基于该数据库的识别方法相比,该方法在识别正确率和鲁棒性上具有较大的优势。     

基于支持向量机的语音识别研究

为了得到较好的语音识别效果,构建了基于线性核函数支持向量机的非特定人孤立词语音识别系统,取得了较高的识别率,并将该实验结果同基于HMM的识别结果进行了比较,显示出了支持向量机在基于有限样本情况下进行语音识别的优势。     

核聚类启发式转导SVM

传统转导支持向量机有效地利用了未标记样本,具有较高的分类准确率,但是计算复杂度较高。针对该不足,论文提出了一种基于核聚类的启发式转导支持向量机学习算法。首先将未标记样本利用核聚类算法进行划分,然后对划分后的每一簇样本标记为同一类别,最后根据传统的转导支持向量机算法进行新样本集合上的分类学习。所提方法通过对核聚类后同一簇未标记样本赋予同样的类别,极大地降低了传统转导支持向量机算法的计算复杂度。在MNIST手写阿拉伯数字识别数据集上的实验表明,所提算法较好地保持了传统转导支持向量机分类精度高的优势。     

基于小波分析与KPCA的人脸识别方法

对于一种有效的人脸识别方法,特征选择是极为重要的问题。而小波多分辨率分析可以获得对人脸识别有用的低频特征,KPCA则可用于提取人脸非线性特征。为此,本文〖BP）〗提出结合小波变换及KPCA的特点获取人脸特征,设计线性SVM分类器进行分类识别。由于KPCA中核函数的参数选择以及训练样本与测试样本的划分对分类识别有一定的影响,为了获得最优的识别效果,在UMIST人脸数据库上进行相应的实验。结果表明本方法可以获得较好的分类识别率,是一种快速、有效的人脸识别方法。     

融合PCA的支持向量机人脸检测研究

支持向量机（Support Vector Machine,SVM）作为一种经典的非线性分类器,用于模式识别,可以将训练样本从不可线性分类的低维空间映射到可线性分类的高维空间,再做分类,本文主要训练支持向量机使它学会区分人脸和非人脸。支持向量机的数学推导完备,算法逻辑严密,整体上比Adaboost算法复杂,但在样本量较少的情况下效果良好,因此有样本优势。支撑它的理论包含泛化性理论、最优化理论和核函数等,这些理论也被学术界广泛用于其他机器学习算法如神经网络,几十年来被证明具有很高的可靠性。同时本文论述主成分分析技术（PCA）用于压缩数据,实现数据降维,在数据预处理方面算法提供了很大帮助,使SVM支持向量机的输入数据维数大幅下降,大大提高了运算和检测时间。