基于后验概率的个人信用评估SVM模型

针对标准SVM模型在个人信用评估中单纯将消费信贷申请者划分为违约类或未违约类的不足,提出了利用基于后验概率的SVM模型进行个人信用评估的方法。利用商业银行的消费信贷数据进行的实证研究表明,基于后验概率的SVM模型通过将标准SVM的决策值转化为后验概率输出,能够对样本属于未违约的概率进行估计,并能够据此划分信贷申请者的信用等级,对于商业银行根据不同的经营目标制定相应的信贷政策更具有实践意义。     

交通标志识别算法分析

本文就交通标志特征提取算法进行了分析,并根据模板匹配的交通标志识别算法,指出交通标志识别算法的分析是相当重要的,其使用中也涉及到很多的领域,如图像的处理.计算机视觉技术、模式的识别等,这些都能够完善识别的效果.     

后验概率图与补白模型二次融合的关键词识别

使用全连接神经网络结合Softmax分类器对汉语的408个音节建立音节分类器,利用等长处理后的特征向量训练Softmax分类器,将Softmax分类器输出概率作为后验概率图,与隐马尔科夫补白模型（HMM/Filler）进行第一次融合,得到子后验概率图隐马尔科夫模型（Posteriorgram-HMM）. 针对关键词训练样本较少的问题,将标注样本进行强制切分,得到HMM每个状态上的训练数据. 将隐马尔科夫最大后验概率基线模型（HMM-MAP）与Posteriorgram-HMM进行第二次融合,提出最大后验概率图隐马尔科夫模型（Posteriorgram-HMM-MAP）. 在数据集上训练模型后,使用测试数据对其进行测试. 结果表明：Posteriorgram-HMM-MAP的综合识别率相比Posteriorgram-HMM提升了3.55%,相比HMM/Filler提升了10.29%.     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理，针对3类交通标志，即禁止标志、警告标志和指示标志，提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成，前层网络由单个BP网络完成交通标志的粗分工作，后层由3个BP网络将组分结果分别进行细分，完成识别任务。此设计结构与传统的单层分类器相比，在训练速度和识别正确率方面都有较大的提高；显然，这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时，增加新的训练样本时，只要对相应网络进行训练即可，而不必对整个网络进行重新训练。实验结果表明，基于神经网络的交通标志自动识别方法，具有很好的识别效果。     

基于颜色特征和SVM的交通标志检测

为提高道路交通标志识别系统的实时性和准确度,提出一种改进的RGB空间颜色检测和SVM相结合的交通标志检测算法。首先使用直方图均衡化和Gabor滤波相结合的方法进行图像增强,突出目标颜色;然后使用改进的RGB空间颜色检测方法初步提取并切割出候选标志区域;最后使用HOG特征训练SVM分类器,对候选标志进行精确检测并判断其形状。在检测精度和检测用时2方面进行对比试验,其结果表明,本文算法的检测用时较短,误检率和错检率都较低。该算法能对亮度较低的图像进行有效处理,对旋转、部分遮挡等多种情况也有较优的稳定性和准确性,适用于复杂背景下的标志检测。     

基于后验概率加权的模糊支持向量机

针对支持向量机对训练样本内的噪音和孤立点特别敏感、极大地影响了支持向量机分类性能的弱点,提出了一种基于后验概率的加权模糊支持向量机.在模糊支持向量机中引入样本后验概率加权系数后,得到的样本点的隶属度在减弱噪音及孤立点对支持向量机分类的影响的同时,不影响支持向量对分类超平面的作用.实验结果证明,在抗击孤立点和噪音点的干扰方面,该法取得了很好的效果,提高了支持向量机分类的泛化能力和应用范围.     

基于神经网络的交通标志识别方法

介绍了神经网络分类器的基本原理,针对3类交通标志,即禁止标志、警告标志和指示标志,提出了应用神经网络分类器进行交通标志自动识别的基本方法。神经网络分类器由两层网络联结而成,前层网络由单个BP网络完成交通标志的粗分工作,后层由3个BP网络将粗分结果分别进行细分,完成识别任务。此设计结构与传统的单层分类器相比,在训练速度和识别正确率方面都有较大的提高;显然,这与神经网络在解决小规模问题时正确率高、训练速度快相符合。同时,增加新的训练样本时,只要对相应网络进行训练即可,而不必对整个网络进行重新训练。实验结果表明,基于神经网络的交通标志自动识别方法,具有很好的识别效果。     

在Bayes统计推断中后验概率关于试验构成半群

对Bayes统计推断中，通过试验由先验概率求出后验概率。证明了后验概率关于试验构成半群，从而序贯试验与累积试验具有相同的后验概率。     

基于后验概率判决的动态迭代停止算法

针对窄带低信噪比应用环境,提出了一种Turbo码与连续相位调制(CPM)级联的迭代接收方案。根据CPM的Rimoldi分解模型,引入Turbo迭代检测机制,利用软输入软输出(SISO)解调和译码算法,将内、外迭代相结合达到信息共享及纠错互补的目的。为了减小解调译码迭代时延,对不同迭代时刻译码器输出似然值进行推导分析,提出了一种基于后验概率判决(APPD)的动态迭代停止算法,并建立Turbo-CPM系统模型进行仿真。仿真结果表明:本文算法具有比流水线级联更优异的纠错性能,不仅可以有效减小迭代时延,而且能够改善系统的收敛性和可靠性。     

混合最大后验概率和概率数据关联的软输出多天线检测算法

根据PDA算法的原始形式,提出一种混合MAP-PDA的检测算法。现有的MAP算法和PDA算法可以看作是该算法的两种特殊情况。分析和仿真表明,该算法可以方便地调整控制参数,从而实现最大后验概率算法和概率数据关联算法之间不同程度的性能和复杂度折衷。     

一种基于支持向量机的虹膜识别算法

提出了一种基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别方法。利用形态学和圆形边缘检测算子定位虹膜,并将虹膜纹理映射到极坐标空间。定义了一种新的图像分数维--极值加权平均分数维,用于提取虹膜特征。最后,利用支持向量机分类器对虹膜特征矩阵进行匹配识别。试验表明,基于极值加权平均分数维特征提取和支持向量机分类器识别的虹膜识别系统识别率高,速度快。     

自然背景中交通标志的检测与识别

根据我国交通标志的颜色和几何属性,提出了一种适用于自然背景下的交通标志识别系统.该系统采用RGB彩色分量差对自然背景下的交通标志图像进行分割,而后采用先分类后识别的两级神经网络结构,分别提取交通标志的轮廓特征和不变矩特征作为分类网络和识别网络的输入特征,最终对交通标志图像进行分类识别.实验结果证明,该系统能对自然背景下的交通标志图像达到较好的识别效果,并且具有较强的鲁棒性和广泛的适用性.     

基于LLE和SVM的人像识别方法

在人像识别方面,传统的特征提取方法大都是线性的,不能很好地保持样本的拓扑结构。支持向量机能提高学习的泛化能力,防止过学习,是一种很好的分类器。为此,提出一种增强的LLE（Locally Linear Embedding）和SVM（Support Vector Machine）结合的人像识别方法,采用PCA（Pfincipal Component Analysis）与LLE相结合算法,对光照归一化处理过的人脸图像进行特征提取,利用SVM的分类机制对人脸图像样本集进行训练和识别。在ORL（Olivetti Research Laboratory）人脸数据库上实验表明,该算法稳健、快速,识别率达到了90％以上。     

一种基于滑动窗口分割的中国手语识别系统

听力障碍者在全世界残疾人群体中占有较大的比重.他们能通过手语与健全人交流,但因手语不被大众所掌握,导致彼此交流存在较大障碍.为此提出了一种基于滑动窗口分割（SSW）的连续中国手语识别系统来实现手语自动识别.SSW系统将通过滑动窗口选取出来的手语信号平均分割,依次删去其中一组数据,从而得到新的数据,输入手语识别神经网络进行训练,得出单个手语单词手势预测值,最后运用基于阈值的多投票策略对识别出的预测值进行判断,得出识别结果.SSW系统在对20名志愿者采集的30条手语语句上进行训练,结果显示,所提SSW系统自动识别手语的平均准确率在测试集上达到83.9%,较长短期记忆网络模型提高了16.7%.     

一种基于反馈学习机制的支持向量机网页分类方法

本文以SVM分类方法为基础,研究了SVM在网页分类方面的应用并给出了基于KKT条件的反馈机制对SVM方法进行改进的方法。通过对中等规模的Web网页测试实验表明基于KKT（karush—Kuhn—Tucker）条件的反馈学习机制的支持向量机对Web网页分类方法是有效的。     

基于小波包分析和支持向量机的说话人识别

在说话人识别系统中,语音特征参选是系统的关键问题之一.本文研究了MFCC参数、小波包分析.从听觉特性出发,提出基于小波包分析代替傅立叶变换的一种新的特征参数,给出了衡量各种特征参数识别能力的Fisher准则,结合Fisher准则构造一种新的混合特征参数,最后采用支持向量机实现说话人的分类识别.实验数据表明：有效地提高了说话人辨认系统的识别率.     

智能公交系统研究

针对公交车辆的大运量、多站点、时段性强的特点,提出了利用全球定位系统进行数据采集,以互联网为信息传递工具,借助于不同信息媒体,以公交位置信息系统为操作平台的智能公交系统。     

Improved Approach Based on SVM for License Plate Character Recognition

An improved approach based on support vector machine （SVM） called the center distance ratio method is presented for license plate character recognition. First the support vectors are pre-extraeted. A minimal set called the margin vector set, which contains all support vectors, is extracted. These margin vectors compose new training data and construct the classifier by using the general SVM optimized. The experimental resuhs show that the improved SVM method does well at correct rate and training speed.