逐级细化的交通标志识别算法

针对交通标志识别中存在的识别精度和实时应用之间的矛盾,根据中国交通标志的特点,提出一种逐级细化的交通标志识别算法。首先进行粗分类,构建颜色属性-梯度直方图（Color name-histogram of gradient,CN-HOG）描述子表示每类标志的形状和颜色特征,采用线性支持向量机（Support vector machine,SVM）将交通标分为禁令标志、警告标志、指示标志、解除禁令标志和其他标志5大类;然后进行细分类,采用词袋模型中颜色和形状特征早融合的方式将颜色属性（Color name,CN）和尺度不变特征变换（Scale-invariant feature transform,SIFT）描述子相结合、利用高斯核SVM得到交通标志区域的最终类别标记。在公开数据集上的实验表明本文算法在满足实时应用的同时取得了99.15%的识别精度。     

基于颜色信息与SVM网络的交通标志检测

交通标志检测过程中,颜色复杂性造成的颜色失真是影响识别率的主要因素.遵循"简化复杂问题、基于颜色信息、采用智能方法"的基本思路,提出了一种新的基于颜色规格化的交通标志分类模型,先通过颜色规格化将交通标志中复杂的颜色信息简化为5种基本颜色,再利用两级智能分类器对交通标志进行分类.采用M-SVMs网络实现了颜色规格化,粗分类的识别率达到了100%,细分类的平均识别率也达到了70%.同时这种方法具有很好的鲁棒性.     

自然场景下交通标志的自动识别算法

对自然场景下的交通标志进行准确的识别分类,是智能汽车的重要组成部分。交通标志本身数量众多,其形态复杂,而自然场景下存在着光照变化、褪色污损、扭曲变形等情况对交通标志表观的影响,为自动识别带来了很大的挑战。本文在分析交通标志特征的基础上,将Adaboost算法与SVM算法融合用于自然场景下的交通标志识别。实验证明,该方法具有较高的识别率和较快的识别速度,在智能汽车系统中具有较高的应用价值。     

基于优化卷积神经网络结构的交通标志识别

现有算法对交通标志进行识别时,存在训练时间短但识别率低,或识别率高但训练时间长的问题。为此,综合批量归一化（BN）方法、逐层贪婪预训练（GLP）方法,以及把分类器换成支持向量机（SVM）这三种方法对卷积神经网络（CNN）结构进行优化,提出基于优化CNN结构的交通标志识别算法。其中：BN方法可以用来改变中间层的数据分布情况,把卷积层输出数据归一化为均值为0、方差为1,从而提高训练收敛速度,减少训练时间;GLP方法则是先训练第一层卷积网络,训练完把参数保留,继续训练第二层,保留参数,直到把所有卷积层训练完毕,这样可以有效提高卷积网络识别率;SVM分类器只专注于那些分类错误的样本,对已经分类正确的样本不再处理,从而提高了训练速度。使用德国交通标志识别数据库进行训练和识别,新算法的训练时间相对于传统CNN训练时间减少了20.67%,其识别率达到了98.24%。所提算法通过对传统CNN结构进行优化,极大地缩短了训练时间,并具有较高的识别率。     

基于不变矩和小波神经网络的交通标志识别研究

研究了用于交通标志识别的小波神经网络模型,并描述了相应的算法,给出实验结果。实验结果表明,采用不变矩提取道路交通标志的特征,再利用训练速度快、优化性能好的小波神经网络作为分类器对交通标志识别具有很好的分类能力,对实现交通标志的精度识别提供了有力的支持。与传统的BP神经网络识别方法相比,小波神经网络的训练速度更快和识别率更高,能够满足在车辆自主导航系统中对交通标志识别的要求。     

五种人民币序列号识别算法抗噪能力比较

为了比较不同的人工神经网络算法识别人民币序列号的性能,研究了离散Hopfield神经网络、BP神经网络、PNN神经网络、GRNN神经网络、SVM神经网络等五种算法的训练耗时、识别速度、识别率和抗噪声能力. 研究结果表明,在五种算法中BP算法的综合表现最差,其次为SVM和Hopfield算法,而PNN和GRNN算法表现最好,不仅识别率最高、训练和识别时间最短,而且具有较强的抗噪声能力.     

基于多线索混合的交通标志检测与跟踪

提出一种基于多特征融合的交通标志检测、识别和跟踪算法.在检测阶段,先利用颜色信息提取出感兴趣的区域:然后利用角点、几何特征等信息检测出交通标志.在识别阶段,首先根据颜色和形状的对应关系进行粗分类;然后针对每一类标志建立一个二叉树结构的支持向量机多分类器用于识别其具体含义.为了减少误识别率,在跟踪阶段采用Lucas-Kanade的特征点跟踪算法跟踪交通标志.实验结果表明,该方法具有很好的鲁棒性.     

手写体汉字识别的二叉树SVM算法研究

脱机手写体汉字识别具有重要的理论意义和实践价值,目前在小字符集方面取得了比较好的效果.对大字符集来说,仍在进行研究.为了解决大字符集的手写体汉字识别问题,一般采用多层分类的方法.根据汉字的繁简和字型结构,构造了五级的二叉树SVM模型进行汉字集的粗分类,给出了模型的构造方法.在每级分类识别当中,采用不同的汉字特征和核函数,利用"one-against-rest"算法进行细分类识别.仿真实验表明,该方法能对手写体汉字分级分类识别,具有较高的识别率.     

基于多特征融合的交通标志识别算法

综合考虑识别率、时间复杂度以及鲁棒性,提出一种边缘、纹理、颜色多特征融合和支持向量机（SVM）的交通标志识别算法。通过提取能够描述交通标志图像边缘信息的方向梯度直方图（HOG）特征并进行统计平均,与能够表示标志图像内部纹理信息的局部二值模式（LBP）特征融合得到降维后的HOG-maxLBP特征,再级联交通标志的颜色特征作为最终的特征向量,最后利用SVM进行交通标志训练和分类。实验结果表明,该算法不仅提高了交通标志的识别率,而且降低了时间复杂度,增强了系统鲁棒性。     

基于支持向量机的条烟包装外观缺陷检测

针对卷烟生产过程中条烟包装外观缺陷问题,提出一种基于支持向量机(SVM)的条烟包装缺陷图像检测方法。该方法首先采用模板匹配法定位条烟检测区域;然后利用Haar小波变换进行频域分解,并通过灰度共生矩阵算法对频域图提取纹理特征;最后结合纹理特征建立条烟支持向量机分类模型,对待测样本进行分类识别。结果表明:基于SVM分类模型的识别率为96.1%,该方法通用性强,实时性好,满足条烟异常情况检测要求。与BP神经网络测试性能相比,分类性能优于BP神经网络。     

基于支持向量机的机械故障智能分类研究

故障样本不足是制约故障诊断技术向智能化方向发展的主要原因之一，支持向量机（SVM)是一种基于统计学习理论(SLT)的机器学习算法，它能在训练样本很少的情况下达到很好的分类效果，从而为故障诊断技术向智能化发展提供了新的途径．本文介绍了支持向量机分类算法，以滚动轴承的故障分类为例，探讨了该算法在故障诊断领域中的应用，并与BP神经网络分类方法进行了对比研究，结果表明，SVM方法在少样本情况下的分类效果优于BP神经网络分类方法．     

一种用于交通标识分类的形状识别算法

交通标识分类是交通标识识别系统的基础环节,而交通标识形状识别是交通标识分类的核心部分.对交通标识进行了研究,将交通标识分为禁令标识、警告标识和指示标识3大类分别进行分析,提出了一种利用边缘走势统计特征反映目标形状特征的新算法,并将其与BP神经网络相结合用于交通标识形状的识别.首先利用颜色信息实现交通标识区域分割,随后记...     

非平衡网络流量识别方法

针对网络中存在的对等网络（P2P）流量泛滥导致的流量失衡问题,提出将非平衡数据分类思想应用于流量识别过程。通过引入合成少数类过采样技术（SMOTE）算法并进行改进,提出了均值SMOTE （M-SMOTE）算法,实现对流量数据的平衡化处理。在此基础上分别采用3种机器学习分类器：随机森林（RF）、支持向量机（SVM）、反向传播神经网络（BPNN）对处理后各类流量进行识别。理论分析与仿真结果表明,在不影响P2P流量识别准确率的前提下,与非平衡状态相比,引入SMOTE算法将非P2P流量的识别准确率平均提高了16.5个百分点,将网络流量的整体识别率提高了9.5个百分点;与SMOTE算法相比,M-SMOTE算法将非P2P流量的识别准确率与网络流量的整体识别率分别进一步提高了3.2个百分点和2.6个百分点。实验结果表明,非平衡数据分类思想可有效解决P2P流量过多导致的非P2P流量识别率低的问题,同时所提M-SMOTE算法具有更高的识别准确度。     

基于SVM和Adaboost解决实时流量识别问题

摘要针对当前实时流量识别技术上的不足,本文基于支持向量机算法（SVM）和Adaboost算法,提出了一种实时流量识别算法。这种方法将SVM算法使用在Adaboost算法框架中,通过Adaboost算法来提高SVM算法的对流量样本学习能力,改善了SVM算法在实时流量识别中的准确率,从而改善识别器的性能。仿真实验证明,通过设定算法的迭代次数,这种方法的实时流量识别准确率能够达到85％以上。     

最小二乘向量机在说话人识别中的应用

说话人识别是语音识别的一种,是当前的研究热点之一。而基于统计学习理论的支持向量机(SVM)方法是一种新的机器学习算法,已成为机器学习研究的热点。讨论了一种改进的SVM即最小二乘向量机(LS-SVM)的方法进行说话人识别研究。研究表明,基于LS-SVM的说话人识别比传统的SVM说话人识别计算复杂度小、效率更高、对说话人识别有很强的适应性。     

基于卷积神经网络与集成学习的交通标志识别

为提高复杂情况（如遮挡、透视畸变等）下交通标志识别的精度,提出一种有效的基于卷积神经网络(Convolutional Neural Network, CNN)与集成学习的交通标志识别方法。首先通过融合颜色分割、形态学处理、形状检测等多种方法分割出交通标志,然后利用卷积神经网络对其特征进行提取并分别采用支持向量机(Support Vector Machine, SVM)和Softmax多类分类器对其进行识别,最后将2种分类结果进行集成作为最终的识别结果。实验结果表明,本文算法可有效提高复杂情况下交通标志识别精度,整体上具有较高的性能。     

基于错误驱动算法组合分类器及其在问题分类中的应用

开放领域问答系统(QA)能够给用户提供相对简洁、准确的结果,越来越受到人们的关注.问题分类把问题分成若干语义类型,是QA系统的一个重要的模块,它的准确性直接影响到QA系统的性能.为提高分类器性能,在问题分类任务中使用了集成学习方法,并且实验比较了词汇、句法、同义词集等不同的分类特征及错误驱动、投票法、BP神经网络等分类器集成方法,通过采用基于错误驱动集成分类器,用规则方法TBL作为统计方法SVM的补充;利用来自Wordnet的同义词集和名词的上位概念及Minipar的依存关系等语言知识作为分类特征,在公开测试集中取得了更高的分类精度.     

基于SVM的离线图像目标分类算法

目标分类是计算机视觉与模式识别领域的关键环节. SVM(支持向量机)是在统计学习理论基础上提出的一种新的机器学习方法.提出一种支持向量机结合梯度直方图特征的离线图像目标分类算法.首先对训练集进行预处理,然后对处理后的图片进行梯度直方图特征提取,最后通过训练得到可以检测图像目标的分类器.利用得到的分类器对测试图片进行测试,测试结果表明,对目标分类检测有良好的效果.     

基于最大信息熵模型的异常流量分类方法*

最大信息熵原理已被成功地应用于各种自然语言处理领域,如机器翻译、语音识别和文本自动分类等,提出了将其应用于互联网异常流量的分类。由于最大信息熵模型利用二值特征函数来表达和处理符号特征,而KDD99数据集中存在多种连续型特征,因此采用基于信息熵的离散化方法对数据集进行预处理,并利用CFS算法选择合适的特征子集,形成训练数据集合。最后利用BLVM算法进行参数估计,得到满足最大熵约束的指数形式的概率模型。通过实验,比较了最大信息熵模型和Naive Bayes、Bayes Net、SVM与C4.5决策树方法之间的精度、召回率、F-Measure,发现最大信息熵模型具有良好的综合性能,尤其在训练数据集样本数量有限的情况下仍然能保持较高的分类精度,在实际应用中具有广阔的前景。     

基于球向量机的中文文本分类

SVM在文本分类中的应用是近年来文本分类领域重要的进展之一。许多实验表明,SVM在文本分类中比其他的机器学习算法表现出更高的分类精度,但在大规模数据上的收敛速度较慢,成为SVM在实际应用中的一大缺点。球向量机是一种比SVM更快的机器学习方法。本文将BVM应用于文本分类。实验表明,BVM在文本分类中的应用具有与SVM相当的精 度,而且比SVM有更少的训练时间。