基于ICA与聚类分析的支持向量机分类研究

在ICA与聚类分析的基础上提出了一种改进的支持向量机分类模型——ICSVM模型。ICSVM模型中利用一种指标筛选算法与独立成分分析的方法将各数据指标转化为互相独立成分的数据指标。接着运用K-means方法对独立成分样本数据集进行聚类分析,再由获得的各子类中心数据构造初始的超平面,筛选出靠近初始超平面的支持类与亚支持类,并展开支持类与亚支持类中的样本数据点重新构造超平面,以便对数据进行分类。实验表明,对于样本比较多的数据集,与标准的SVM算法相比,ICSVM算法能够节约训练时间,同时能够提高分类的正确率。     

SVM和ANN在网络安全风险评估中的比较研究

支持向量机和人工神经网络是人工智能方法的两个分支,详细介绍了支持向量机和人工神经网络原理。建立了网络安全评估指标体系,将支持向量机和人工神经网络同时应用于网络安全风险评估的过程中,通过实例比较了两者的评估效果,结果表明了支持向量机在小样本情况下分类正确率普遍高于人工神经网络,具有较好的分类能力和泛化能力;同时在训练时间上也有绝对的优势。实践证实了支持向量机用于网络安全风险评估的有效性和优越性。     

遥感图像林型纹理特征的ICA与SVM分类

遥感图像纹理特征是光谱相近林型准确分类的有效方法,然而其带来分类特征向量维数增加和计算量增大。因此,对南方山区林地TM图像进行独立成分分析ICA降维,通过计算灰度共生矩阵获取纹理特征,使用SVM分类,研究林地类型的快速分类方法。结果表明,ICA与SVM法利用遥感图像纹理特征可较准确地实现林地类型分类,分类总精度、Kappa系数分别为85.4%、0.73,均高于SVM法、BP神经网络法、最大似然法、最小距离法;其对阔叶林、针叶林、竹林的分类精度依次为78.2%、80.1%、84.3%,误识率主要是由于混交林而造成两类林地之间存在交集,易出现的针阔混交林使得阔叶林、针叶林的分类精度低于竹林。     

ICA结合纹理特征的SVM盐渍化信息提取研究

以渭干河-库车河三角洲绿洲为例,利用ETM+数据,探讨了该绿洲盐渍化土地覆盖信息的提取方法。提出了基于ICA与纹理特征的SVM复合的分类方法（简称ICA-T-SVM法）,通过此方法对该绿洲进行分类研究,并将分类结果与基于ICA的SVM法（简称ICA-SVM）、单源数据（光谱）SVM法、最大似然法（MLC）、神经网络法（Neural Network）分类结果进行定性和定量比较分析。研究结果表明：该方法能够有效地解决单数据源分类效果破碎、分类精度不高等问题,并对高纬输入向量具有较高的推广能力。总精度达到93.418 3%,比基于ICA的SVM法提高了3.412 3%,比单源信息的SVM分类法提高了3.423 7%,比最大似然法提高了4.979 6%,比神经网络法提高了7.714 4%,取得了良好的效果。与传统的分类方法的比较表明,文中所提出的分类方法具有明显的优越性和良好的前景,因此该方法更适合于遥感图像分类和盐渍化信息提取,是地物遥感信息提取的有效途径。     

基于ICA和SVM的局部人脸识别方法

ICA(Independent Component Analysis)方法使用数据的高阶统计信息抽取数据的独立分量特征.但由于人脸面部表情各异,使得这种方法并不稳定.因此提出一种基于局部人脸的ICA方法.首先对人脸进行局部分块,然后对各块进行ICA特征提出并各块合理权重,最后使用SVM(Support Vector Machine)方法对其进行分类.     

基于能量熵的运动想象脑电信号分类

对脑电信号进行特征提取和分类是脑机接口研究的核心问题,利用不同运动想象脑电信号能量熵的变化,从能量熵中提取特征,利用自定义基于统计理论分类方法进行分类,结果均达到90%以上。     

基于ICA和SVM的SAR图像特征提取与目标识别

提出一种利用独立分量分析和支持向量机的合成孔径雷达图像特征提取与目标识别方法。对图像小波分解后提取低频子带图像,对低频子带图像进行独立分量分析提取特征向量,利用支持向量机对特征向量分类完成目标识别。将该方法用于MSTAR数据中的3类目标识别,识别率最高可达96.92%。实验结果表明,该方法是一种有效的合成孔径雷达图像特征提取与目标识别方法。     

Classification of multiple motor imagery using deep convolutional neural networks and spatial filters

Brain–Computer Interfaces (BCI) are systems that translate brain activity patterns into commands for an interactive application, and some of them recognize patterns generated by motor imagery. Currently, these systems present performances and methodologies that still are not practical enough for realistic applications. Therefore, this paper proposes two methodologies for multiple motor imagery classification. Both methodologies use features extracted by a variant of Discriminative Filter Bank Common Spatial Pattern (DFBCSP) presented in this paper. The frequency bands selection in this variant is carried out by a novel iterative algorithm that selects the frequency band that attains the highest classification accuracy for specific binary classification. For each binary combination of classes, a frequency band is selected. The resulting samples are then set into a matrix which feeds one or many Convolutional Neural Networks previously optimized by using a Bayesian optimization. The first methodology applies a Convolutional Neural Network (CNN) for the classification of all classes and the second is a modular network composed of four expert CNNs. In this modular network, each expert CNN performs a binary classification, and a fully connected network analyzes their results. To validate both approaches two datasets were used, the BCI competition IV dataset 2a and another presented in this paper recorded from eight subjects by using the OpenBCI device. The experimental results demonstrated an improvement in the classification accuracy over many classic intelligent recognition methods, without a high computation time in order that they can be implemented in an online application.     

基于独立成分分析和支持向量机的图像型火灾探测

图像型火灾探测具有非接触性、反应快等优点,可有效解决大空间火灾探测难题,是火灾探测新的研究方向,其核心问题是火焰和干扰物的分类识别。常用方法是提取火焰在图像上表现的单个或某几个特征信息作为识别依据,需要设置大量经验阈值,识别率常因特征选择不合适而受到影响。通过对火焰整体特性的研究,提出了基于独立成分分析和支持向量机的火焰探测方法。首先在RGB空间建立颜色模型对连续数帧火灾图像预处理,并进行频闪特性和模糊聚类分析提取疑似目标区域,根据独立成分分析线性变换一对一和可逆性估计出基函数描述火焰图像特征,最后用支持向量机模型实现火灾探测。实验结果表明,该方法提高了图像型火灾探测精度和速度,可适用于多种火灾探测场景。     

基于PSO与ICA的表情特征提取

提出基于粒子群优化（PSO）与独立分量分析（ICA）的表情特征提取方法。首先利用ICA算法对表情图像数据建立基本的独立基向量求解框架；为了减少计算复杂度，然后利用PSO算法对处理后的表情图像数据搜索最优的解集合；最后利用支持向量机（SVM）作为算法验证的分类器。实验结果表明该算法在保证较高表情识别率的基础上加快了表情图像特征提取的速度。     

基于ICA和SVM的道路网短时交通流量预测方法

交通流量预测是智能交通系统(ITS)研究的一个重要课题。通过对多个观测点交通流量数据特点进行分析,采用一种基于独立成分分析(ICA)与支持向量机(SVM)相结合的短时交通流量预测方法。首先,通过独立成分分析得到同一条道路上各个观测点的交通流量的独立源信号;接着利用支持向量机预测模型对源信号进行建模和预测,并通过遗传算法(GA)优化参数;最后将其转换为交通流量数据,得到预测结果。实例分析结果显示,该算法优于直接利用支持向量机对交通流量进行预测的方法,并能去除同一条道路上多个观测点测量数据之间的相互影响。     

基于ICA/SVM的混合学习方法及在人脸检测中的应用

从基于样本学习的方法框架出发,该文提出了一种基于独立元分析和支持向量机的混合的学习方案,并用于人脸检测中。该方法通过独立元分析方法进行特征提取,然后采用SVM进行分类。该文做了大量的实验,以确定如独立元个数等参数问题对该分类器的影响,并与单独的支持矢量机方法、其它的人脸检测方法进行了比较分析。实验结果表明,该文的方法具有较好的检测效果,是一种很有效的方法。     

基于独立成分分析和核向量机的人脸识别

提出利用独立成分分析提取人脸特征并用核向量机进行识别的方法。独立成分分析能更本质地描述图像特征,通过选择合适的特征个数达到较高的识别准确率。利用核向量机进行分类判决,可以快速地对大样本数据进行准确分类,产生较少的支持向量。实验证明了该方法的可行性和有效性,在ORL人脸数据库上达到了94.38%的准确率。     

基于独立分量分析的高光谱遥感影像决策树分类

为解决高光谱遥感影像波段众多所带来的信息丰富与“维数灾难”间的矛盾并提高分类精度,针对传统特征选择方法信息损失大的缺陷,基于EO-1 Hyperion高光谱遥感影像,采用独立分量分析(ICA)和决策树分类(DTC)方法联合运作流程,开展影像的地物分类实验研究,提出了ICA-DTC模型。首先运用ICA方法对影像进行特征提取,并以所提取的独立分量特征及其他地理辅助要素组成分类指标集;继而选择适当的指标组合和阈值设定判别规则,建立DTC模型进行影像的地物分类;最后将分类结果与传统最大似然分类法进行比对。结果显示：从分类的总体精度看,前者可达89.34%,高出后者18.8%;从单一地物的分类精度看,前者仅水体的精度略低于后者,而其他11种地物的精度都高于后者。理论分析与实验结果均表明,ICA-DTC模型可有效提高复杂地形条件下的地物分类精度。     

基于CCIPCA和ICA降维的文本分类研究

文本分类中采用向量空间模型来表达文本特征,维数巨大,关键是对高维的特征集进行降维处理,而一般的分解算法无法处理大规模的高维问题。采用CCIPCA与ICA相结合的特征提取方法可以有效地实现文本特征降维。实验结果表明降维提高了分类器的效率和效果。     

Simulation of Solar Radiation based on Three Machine Learning Methods

Quantitative simulation of solar radiation is essential for understanding climate change 0n the Loess Plateau, Many machine learning methods were developed to estimate solar radiation well, but different machine learning methods have different simulation accuracy in different regions, In order to achieve optimal simulation of solar radiation on the Loess Plateau, this provides more higher precision solar radiation data for crop models, hydrological models, and climate change models. In this study, three machine learning methods, including Random Forest (RF), Artificial Neural Network (ANN) and Support Vector Machine (SVM), were applied to estimate solar radiation on the Loess Plateau, three machine learning methods were trained using ground measurements at fourteen radiation sites from 2003 to 2009 and ten radiation sites from 2010 to 2016 and corresponding parameter pressure, cloud fraction, cloud optical thickness, ozone, precipitation water vapor and DEM, slope, and aspect to train the three model, The solar radiation estimates based on three machine learning methods were evaluated using ground measurements at four radiation sites from 2010 to 2016. The validation results show that the RF model has the best simulation effect on the Loess Plateau and surrounding areas. The average deviation is -0.17 MJ·m^-2, the root mean square error is 1.48 MJ·m^-2, and has a good fit of 0.96. The results show that combined RF model and meteorological data and remote sensing data can effectively solve the problem about solar radiation simulation on the non-radiation observation area of the Loess Plateau, which is of great significance to the research of regional solar radiation.     

基于3种机器学习法的太阳辐射模拟研究

定量模拟太阳辐射对认识黄土高原区气候变化至关重要,现有研究表明机器学习可以很好地模拟太阳辐射,但不同的机器学习法在不同区域模拟精度不同,为了实现黄土高原区太阳辐射数据的最优模拟,从而为农作物模型、水文模型以及气候变化模型提供精度更高的太阳辐射数据。基于随机森林（RF,Random Forest）、人工神经网络（ANN,Artificial Neural Network）和支持向量机（SVM,Support Vector Machine）3种机器学习法来模拟黄土高原地区的太阳辐射并对这3种算法进行比较研究,选取了2003~2009年14个辐射站点和2010~2016年10个辐射站点的实测数据和对应参数气压、云量、云光学厚度、臭氧、可降水水汽以及DEM、坡度、坡向作为模型的训练数据,随机选取2010~2016年4个辐射站点的太阳辐射实测数据对模拟结果进行验证。验证结果表明：RF模型在黄土高原及周边地区的模拟效果最优,平均偏差(MBE)为-0.17 MJ·m^-2,均方根误差(RMSE)为1.48 MJ·m^-2,拟合优度达到0.96。研究结果表明:RF模型与气象数据及遥感数据结合能够有效解决黄土高原无辐射观测区的太阳辐射模拟问题,对区域太阳辐射的研究具有重要意义。     

一种新型智能僵尸粉甄别方法

为更有效地甄别微博僵尸粉,提出一种基于微博注册用户名特征提取的智能分类方法.以新浪微博作为研究平台,通过对微博用户数据进行分析,构建标准匹配库,提取用户名特征向量,再分别利用支持向量机(SVM)和人工神经网络(ANN)方法对特征集合进行分类.实验结果表明,将用户名特征提取与SVM、ANN相结合,僵尸粉甄别准确率均高于92％.     

基于卷积神经网络和代价敏感的不平衡图像分类方法

针对不平衡图像分类中少数类查全率低、分类结果总代价高,以及人工提取特征主观性强而且费时费力的问题,提出了一种基于Triplet-sampling的卷积神经网络（Triplet-sampling CNN）和代价敏感支持向量机（CSSVM）的不平衡图像分类方法——Triplet-CSSVM。该方法将分类过程分为特征学习和代价敏感分类两部分。首先,利用误差公式为三元损失函数的卷积神经网络端对端地学习将图像映射到欧几里得空间的编码方法;然后,结合采样方法重构数据集,使其分布平衡化;最后,使用CSSVM分类算法给不同类别赋以不同的代价因子,获得最佳代价最小的分类结果。在深度学习框架Caffe上使用人像数据集FaceScrub进行实验。实验结果表明,所提方法在1∶3的不平衡率下,与VGGNet-SVM方法相比,少数类的精确率提高了31个百分点,召回率提高了71个百分点。     

基于支持向量机的脑-机接口模式分类和模型参数研究

脑—机接口（BCI）是连接大脑和计算机及外部设备的通讯系统,通过连续小波变换（CWT）对采集的脑电信号进行分解,构造由多个尺度对应的方差构成的多维向量,应用支持向量机（SVM）进行分类识别,取得了良好的效果。基于统计学习理论的结构化风险最小化原则,研究了高斯核支持向量机误差惩罚参数C和高斯核参数σ对支持向量机性能的影响,使用仿真实验验证了传统的经验风险最小化原则不能保证良好的推广能力,提出了综合调整参数σ和参数C的方法以优化支持向量机的性能。